在量化交易中，多數人關注價格與成交量的歷史序列，但真正驅動這些結果的，是背後不同類型交易者的行為。機構與散戶的下單模式存在系統性差異，若能辨識一筆交易來自何方，就能對價格壓力的持續性做出更準確的判斷。本文想談談如何用成交特徵區分機構與散戶的訂單流，並從中提取可交易的預測訊號。
為什麼要區分交易者類型
訂單流分析的核心假設是：不同類型的交易者，其下單行為存在系統性的差異。這些差異會反映在成交的規模、時間、方向與價格衝擊等特徵上。如果我們能夠從這些特徵中推斷出交易者的類型，就能進一步推斷其交易方向的資訊內涵。
機構投資人的交易行為通常具備幾個特徵。
- 第一，機構的單筆交易規模較大，但為了降低市場衝擊，他們會將大單拆解為許多小單，透過演算法在時間與價格上分散執行。
- 第二，機構的交易往往具有方向性與持續性，如果一個機構決定買進某檔股票，它會在數天甚至數週內持續買進，形成一段時間內的方向性訂單流。
- 第三，機構的交易可能基於較為深入的研究或系統性訊號，因此其方向與未來報酬之間存在正向的預測關係。
散戶的交易行為則呈現不同的模式。散戶的單筆交易規模通常較小，且較少使用演算法拆單。散戶的下單方向容易受到近期價格表現的影響，看到股價上漲就追買，看到下跌就恐慌賣出。這種行為使得散戶的訂單流往往與未來的報酬呈現負向關係，因為他們在價格已經上漲之後才進場，在價格已經下跌之後才出場。
用成交特徵區分交易者
要區分機構與散戶，我們需要從成交數據中提取一系列的特徵。這些特徵可以分為以下幾類。
第一類是成交規模特徵
機構的單筆成交金額通常較大，而散戶的單筆成交金額較小。我們可以計算每筆成交的金額，並觀察其分布。若一檔股票在某段時間內出現大量的大額成交，代表機構的參與程度較高。一個常用的指標是大單佔比：
大單佔比 = 大額成交金額 / 總成交金額
其中大額的門檻可以根據股票的日均成交金額來設定，例如超過日均單筆成交金額的三倍或五倍。
第二類是訂單發起方向的特徵
機構在執行買進時，通常會使用限價單被動成交，以降低衝擊；但在急需建立部位時，也會使用市價單主動成交。散戶則較常使用市價單追價。因此，主動成交的方向與規模可以幫助我們判斷交易者的類型。我們可以使用 Lee-Ready 演算法來分類每筆成交是買方發起還是賣方發起：
- 若成交價 > 中間價，視為買方發起；
- 若成交價 < 中間價，視為賣方發起；
- 若成交價 = 中間價，則參考上一筆成交的價格方向。
分類完成後，我們可以計算訂單流不平衡：
OFI = (買方發起成交量 - 賣方發起成交量) / 總成交量
這個指標介於 -1 與 1 之間，正值代表買方壓力較強，負值代表賣方壓力較強。
第三類是價格衝擊特徵
同樣規模的交易，若來自機構，其價格衝擊通常較小，因為機構會使用演算法分散執行；若來自散戶，則可能因為集中下單而產生較大的價格衝擊。我們可以計算單位成交金額所對應的價格變動幅度，作為價格衝擊的代理變數：
衝擊係數 = |報酬率| / 成交金額
若衝擊係數較高，代表該筆交易對價格的影響較大，可能來自資訊較不靈通的散戶；若衝擊係數較低，代表交易被平滑地執行，可能來自機構。
第四類是時間聚集特徵
機構的演算法交易往往在特定的時間窗口內密集執行，例如開盤後半小時或收盤前半小時。散戶的交易則較為分散，且容易集中在價格劇烈變動的時刻。我們可以計算成交的時間聚集程度，觀察是否有特定時段的成交異常集中。
從訂單流中提取預測訊號
有了上述特徵之後，我們可以將它們組合成可交易的訊號。
最直接的訊號是機構淨買入指標。我們可以將大額成交與主動買方發起的成交視為機構活動的代理變數，計算每日的機構淨買入金額：
機構淨買入 = Σ (大額買方發起成交金額) - Σ (大額賣方發起成交金額)
然後將這個序列標準化，作為一個因子。若機構淨買入為正且持續，代表機構正在累積部位，未來報酬可能偏正向；若為負且持續，代表機構正在減碼，未來報酬可能偏負向。
另一個訊號是散戶淨買入指標，可以定義為小額成交且賣方發起的成交，代表散戶賣出，與小額成交且買方發起的成交，代表散戶買入，之間的差額。由於散戶的行為往往與未來報酬反向，我們可以將散戶淨買入作為一個反向因子：散戶淨買入愈高，未來報酬可能愈低。
更精細的做法是將訂單流不平衡與成交規模結合，建構一個加權的訂單流因子。例如：
加權 OFI = Σ (權重_i × 成交量_i × 方向_i)
其中權重_i 可以根據成交金額的大小來設定，大額成交給予較高的權重，小額成交給予較低的權重。這樣做能夠放大機構訂單流的影響，同時降低散戶雜訊的干擾。
原文出處：voltima_quant (@voltima_quant) 於 Threads · 查看原文