VPIN：公式、成交量分桶与闪电崩盘争议

VPIN 是 volume-synchronized probability of informed trading（成交量同步的信息交易概率）的缩写。Easley、López de Prado 和 O’Hara 将它作为与订单流毒性有关的高频指标提出：当流入订单更可能来自知情交易一方时，流动性提供者可能受到逆向选择。其方法把成交量失衡与交易强度结合起来，按成交量时钟更新，而不是按固定的墙钟时间间隔更新（Easley、López de Prado 和 O’Hara，2012）。

需要谨慎理解这个名称。计算得到的 VPIN 值为 0.32，并不意味着下一笔交易来自知情交易者的校准概率为 32%。它是在所选数据、分类、分桶和窗口规则下，对估算失衡所做的标准化平均。它无法识别哪位交易者知情，不能把信息交易与流动性需求驱动的交易区分开，也不能证明流动性提供者实际上遭受了损失。经典[知情交易概率（PIN）模型](/zh-CN/learn/probability-of-informed-trading-pin-model-explained)则基于交易到达次数建立不同的框架。

VPIN 也不同于带符号的订单流失衡。它会在求平均前取每个分桶内失衡的绝对值，因此买方占优和卖方占优的分桶都会作正向贡献。这汇总了近期成交量区间内订单流的单边程度，但最终分数不保留失衡方向。[订单流失衡指南](/zh-CN/learn/order-flow-imbalance-limit-order-book-explained)介绍了另一种基于显示队列变化的指标。

墙钟时间图表按固定间隔采样，例如每秒或每分钟一次。成交量时钟则在指定数量的交易发生后推进。如果一个分桶设为 1,000 份合约，每累计成交 1,000 份便关闭；活跃时段可能只需 20 秒，清淡时段则可能要 12 分钟。

每个分桶的设计目标是包含相同的总成交量，但各桶覆盖的墙钟时间会不同。VPIN 根据最近 \(n\) 个成交量分桶构成的滚动窗口计算，并在新分桶完成后更新。因此，活跃时段更新次数更多，清淡时段则更少。

成交量时间是一种采样约定，并不会从数据中消除市场活动。交易加快可能改变 VPIN 窗口推进的速度，每小时观测数本身也会随之变化。因此，结果取决于交易工具、交易时段、分桶成交量、跨越分桶边界的交易如何处理，以及成交量时钟如何初始化。可复现的分析应说明这些选择。

VPIN 需要估算买方主动和卖方主动的成交量。如果有逐笔交易方向标签，可以汇总这些标签，但仍须考虑分类质量。缺少可靠标签时，原始 VPIN 研究提出批量成交量分类（Bulk Volume Classification，BVC）：根据某个时间柱的价格变化，推断该时间柱成交量中买卖双方可能占比。

BVC 的一种常见表示为：

\[ \widehat V^{B}_t=V_t\Phi\!\left(\frac{\Delta P_t}{\widehat\sigma_{\Delta P}}\right), \qquad \widehat V^{S}_t=V_t-\widehat V^{B}_t, \]

其中 \(V_t\) 是该时间柱的总成交量，\(\Delta P_t\) 是价格变化，\(\widehat\sigma_{\Delta P}\) 是明确说明的价格变化尺度估计，\(\Phi\) 是标准正态累积分布函数。标准化价格变化为正时，更多成交量会被分配为买入；为负时则更多分配为卖出。标准化变化为零时，该公式会将成交量平均分配。

例如，假设某个时间柱有 1,000 份合约，标准化价格变化为 \(0.5\)，那么 \(\Phi(0.5)\approx0.6915\)。BVC 会将约 691.5 份合约分配为买入成交量，308.5 份分配为卖出成交量。这些小数值是估算结果，不是观测到的零碎合约或已知交易意图。结果取决于时间柱长度、价格指标、波动率尺度估计和分布假设。

BVC 根据价格变动对汇总成交量分类，但不能确定组内每笔交易的方向。用于这项估计的时间柱，与后续等成交量分桶是不同步骤，研究应同时记录。Andersen 和 Bondarenko 于 2015 年进行的比较报告称，在其 E-mini 标普 500 期货基准中，与根据报价和成交构造的交易分类相比，BVC 的表现低于标准 tick 规则（Andersen 和 Bondarenko，2015；[Lee–Ready 交易方向分类指南](/zh-CN/learn/trade-direction-classification-lee-ready-algorithm-explained)介绍了另一种规则分类方法）。

令 \(V\) 表示每个分桶的目标成交量，\(\widehat V^B_i\) 和 \(\widehat V^S_i\) 分别表示第 \(i\) 个分桶中估算的买入和卖出成交量。每个完整分桶满足 \(\widehat V^B_i+\widehat V^S_i=V\)。一种常见的滚动形式为：

\[ \mathrm{VPIN}_t= \frac{1}{nV} \sum_{i=t-n+1}^{t} \left|\widehat V^B_i-\widehat V^S_i\right|. \]

分子是最近 \(n\) 个分桶中每个分桶买卖成交量差的绝对值之和。分母 \(nV\) 是这些分桶的总成交量。如果分桶完整，且非负的买入和卖出估算值之和均为 \(V\)，那么分数介于 0 与 1 之间；有些界面会乘以 100 并显示为百分比。

接近 0 的数值表示这些分桶内估算的买入和卖出成交量相对均衡。数值较高则表示该滚动成交量窗口内的估算订单流平均更偏向单边。由于绝对值会去掉符号，该分数不会说明单边方向是买入还是卖出。

不同实现可能采用不同的交易方向分类方法、分桶大小、滚动窗口长度、采样间隔和价格输入。在实际使用中，这些选择共同构成统计量的定义。采用不同设置得到的数值不能自动直接比较。

假设有四个完整分桶，每个分桶包含 \(V=100\) 份合约。采用一种明确说明的交易分类方法后，估算的买入和卖出成交量如下：

四个绝对失衡相加为 \(40+10+60+20=130\) 份合约。总成交量为 \(4\times100=400\) 份合约，因此

\[ \mathrm{VPIN}=\frac{130}{400}=0.325=32.5\%. \]

同一窗口内，估算买入总量为 205，卖出总量为 195。带符号净失衡只有 \(205-195=10\) 份合约，即总成交量的 \(10/400=2.5\%\)。它与 VPIN 不同，因为在带符号净值中，正向和负向分桶失衡会部分抵消，而 VPIN 会把它们的绝对值相加。

这里的所有分桶成交量和分类结果都是假设值。该计算用于说明公式，并不估算真实资产、交易所、概率或市场事件。如果这些估算由 BVC 产生，还应说明其价格时间柱和波动率尺度，以便复现分类步骤。

<!-- learn:illustration --> <!-- Text-free concept: equal-volume buckets contain different estimated buy/sell splits; a rolling summary keeps imbalance magnitude but discards direction. Conceptual, not market data, a crash probability, forecast, or trading signal. -->

Easley、López de Prado 和 O’Hara 于 2012 年发表的研究将 VPIN 作为订单流毒性指标，并报告它与短期波动率有关（Easley、López de Prado 和 O’Hara，2012）；他们更早的分析还提到 VPIN 在 2010 年 5 月 6 日闪电崩盘前读数偏高（Easley、López de Prado 和 O’Hara，2011）。这是将 VPIN 视为潜在市场压力监测工具的出发点，并非它能可靠预测崩盘的证明。

Andersen 和 Bondarenko 于 2014 年进行的重构得出不同结论。他们报告称，VPIN 对短期波动率的预测能力较弱，在闪电崩盘发生后才达到峰值，而且其预测信息大部分与交易强度有关。他们的分析测试了特定交易分类程序和实现方式，并不能证明所有市场中的所有 VPIN 版本表现都一样（Andersen 和 Bondarenko，2014）。

Easley、López de Prado 和 O’Hara 于 2014 年作出回应。他们反对该项复现和解读，认为分析并未检验他们提出的方法或结论，并指出市场微观结构对比较很重要（Easley、López de Prado 和 O’Hara，2014）。这场交锋说明双方对实现方式和经验解释存在分歧，并不代表学界一致认可 VPIN 是早期预警信号。

在后续评估中，Andersen 和 Bondarenko 使用报价和成交数据，为 E-mini 标普 500 期货的交易分类建立基准。他们报告称，该基准更支持 tick 规则而非 BVC，并提出在所测试的场景中，与波动率相关的分类错误可能解释 VPIN 表面上的波动率预测能力（Andersen 和 Bondarenko，2015）。VPIN 依赖估算的买入和卖出成交量，因此这是重要的测量问题，但结论仍只适用于指定的数据和程序。

Ke 和 Lin 于 2017 年发表的论文采用最大似然估计，提出另一种 VPIN 形式。他们认为，原始指标在成交量分桶较小、知情交易稀少时可能不稳定，并报告称其替代方法得到更一致的估计（Ke 和 Lin，2017）。这项研究说明模型构造很重要，但并未解决 VPIN 的某个变体能否在不同资产、交易场所或市场状态下作为可靠实时预警的问题。

总的来说，文献不支持简单地声称 VPIN “预测了”或“未能预测”所有相关事件。研究者采用了不同的分类选择、数据、实现方式和检验，得到了不同结果。这种分歧正是应报告指标构造方式，并用简单的活动和波动率基准检验其增量预测表现的原因。

分桶成交量 \(V\) 决定每次观测会汇总多少交易。分桶较小会更频繁更新，但估值可能更容易受到单次成交突增和分类噪声影响。分桶较大可以平滑局部变化，但更新频率较低。合适的尺度取决于市场的典型活动和研究问题；在观察到一次崩盘后再选择数值，可能会夸大其预警效果。

滚动窗口 \(n\) 决定纳入多少近期成交量。较短窗口响应快但可能有噪声；较长窗口更平滑但反应较慢。请同时报告 \(V\) 和 \(n\)，以及对应墙钟时长的分布。平静和活跃时期相同数量的分桶，并不对应相同的经过时间。

BVC 还有其他选择：时间柱长度、使用成交价还是报价、波动率估计窗口、零价格变化的处理方式，以及假定的分布。如果使用逐笔交易方向，报价时点、与中间价比较、tick 规则或交易场所特定的消息约定也可能带来分类错误。2015 年研究的批评，特别指出在其测试环境中，波动率变化可能与 BVC 的系统性分类错误相关。

初始化方式同样重要。VPIN 滚动窗口会从某个分桶边界开始。移动起点可能改变哪些成交被归入同一分桶，从而改变分桶失衡。检验应量化这项敏感性，而不是挑选能让指标在事件前升幅最大的对齐方式。交易时段、最小价格变动单位、合约设计或交易场所组合出现结构变化，也会进一步降低跨时期可比性。

严谨的 VPIN 研究应在查看目标事件前先说明数据和算法。列明市场和合约、交易时段、成交和报价筛选、价格输入、交易方向分类程序或 BVC 设置、\(V\)、\(n\)、初始化规则，以及如何处理未完成或跨越分桶边界的成交。展示不同活动水平下每个 VPIN 窗口所覆盖的墙钟时长。

若要提出预测主张，应采用按时间顺序划分的样本外设计，并将 VPIN 与易于观察的基准比较，例如成交量、交易强度、实现波动率和订单流失衡。检查纳入这些量后 VPIN 是否提供额外信息。报告误报、漏报、提前量、不确定性和不同阈值下的结果，而不是只展示一个事后图表，说指标在某次选定的崩盘前升高。根据事件本身选择阈值，不能证明它提前发出了警告。

若要声称 VPIN 衡量订单流毒性，应独立测量逆向选择或流动性结果，例如后续价格冲击、价差、深度或做市商实际损失，并说明这些结果如何识别。VPIN 与波动率相关，并不能单独验证毒性解释。较高的数值可能来自分类成交量更偏向单边、影响 BVC 的波动率上升，或加快的成交量时钟。

若研究者想追踪近期等成交量窗口中的绝对订单流失衡估计值，VPIN 可以作为描述性汇总。如果其构造透明，并且相较简单指标仍有增量贡献，也可以作为更广泛分析的特征。它的解释范围有限：汇总近期成交量的一种特定分类。

高分本身不能证明知情交易者正在活动、流动性危机即将来临、价格会朝某个方向变动，或减仓、加仓会盈利。低分也不能证明市场安全或流动性充足。任何实际应用都需要独立验证、适当控制变量、明确的决策规则、考虑延迟的数据以及符合现实的执行成本分析。

最好将 VPIN 连同测量假设和相反证据一起呈现。当读者看到成交量时钟、BVC 或其他分类器、滚动窗口和样本外基准时，就能判断这项统计量说明了什么，以及推论止于何处。

相比之下，[Roll 价差估计量](/zh-CN/learn/roll-bid-ask-spread-autocovariance-estimator-explained)通过收益率自协方差估算价差代理指标，回答的是另一个问题。