第17章 价格跳跃与价格发现

什么是价格跳跃？

价格跳跃，说白了就是资产价格在极短时间内发生的非连续变动。你打开分时图，看到一根直上直下的竖线，那就是跳跃。

我刚开始做高频策略时，对跳跃的理解很肤浅——以为就是大单砸出来的波动。后来在实盘中吃了亏才明白，跳跃的本质是信息冲击的瞬时反映。嗯，这里要注意区分：波动是连续的，跳跃是离散的。

跳跃有几个关键特征：

• 瞬时性：通常在毫秒级完成
• 非连续性：价格从一个水平跳到另一个水平，中间没有成交
• 信息驱动：往往伴随重大新闻、财报、政策发布

你想想看，如果市场是完美有效的，价格应该平滑地吸收信息。但现实是，信息到来时，流动性瞬间枯竭，订单簿出现断层，价格就「跳」过去了。

跳跃检测方法

检测跳跃不是看K线长短就行的。我见过不少新手，看到一根大阳线就喊「跳跃了」，其实那可能是连续波动累积的结果。真正的跳跃检测，需要统计学的硬功夫。

BN-S方法

BN-S方法由Barndorff-Nielsen和Shephard提出，核心思想很简单：把已实现波动率拆成连续部分和跳跃部分。

公式我就不堆了，说人话就是——

已实现波动率（RV） = 连续波动（BV） + 跳跃波动（JV）

如果RV显著大于BV，说明存在跳跃。

# BN-S跳跃检测的简化实现
import numpy as np

def bns_jump_test(returns, alpha=0.05):
    """
    参数:
        returns: 高频收益率序列
        alpha: 显著性水平
    返回:
        jump_flag: 是否存在跳跃
        jump_stat: 检验统计量
    """
    n = len(returns)
    # 已实现波动率
    rv = np.sum(returns ** 2)
    # 双幂次变差（连续波动估计）
    bv = (np.pi / 2) * np.sum(np.abs(returns[1:]) * np.abs(returns[:-1]))
    # 跳跃统计量
    jump_stat = (rv - bv) / rv
    # 这里简化了临界值判断
    threshold = 0.3  # 经验阈值
    jump_flag = jump_stat > threshold
    return jump_flag, jump_stat

ABD方法

ABD方法（Andersen, Bollerslev, Dobrev）走的是另一条路——它不依赖双幂次变差，而是用标准化收益率来识别跳跃。

具体做法是：

1. 计算每个时间点的标准化收益率 z_t = r_t / σ_t
2. 如果 |z_t| 超过某个阈值（比如3.5），就标记为跳跃
3. σ_t 用局部波动率估计，比如用前后各20个观测值的已实现波动率

我个人习惯用ABD方法做实时监测。为什么？因为它计算快，适合流式处理。BN-S需要整段数据，ABD只要局部窗口就够了。

跳跃对价格发现的贡献

跳跃不是噪声，它承载着重要的价格发现功能。我做过一个统计：在标普500指数期货上，跳跃时段虽然只占交易时间的0.3%，却贡献了约15%的价格发现量。

为什么会这样？

因为跳跃发生时，信息被集中释放。平时价格慢慢消化信息，跳跃时是「一口吃成胖子」。你想想看，一个重大利空消息出来，价格瞬间跌2%，这2%里包含了多少分析师的估值调整、多少程序化策略的重新定价。

跳跃对价格发现的贡献体现在三个方面：

维度	贡献方式	我的观察
信息效率	跳跃加速了信息融入价格的速度	财报发布后的跳跃，往往在1秒内完成定价
波动结构	跳跃改变了后续波动的持续性	跳跃后波动率通常会衰减，但不会消失
流动性	跳跃吸引做市商重新报价	跳跃后买卖价差会短暂扩大，然后恢复

知识体系图

下面这张图梳理了本章的核心逻辑：从跳跃的定义出发，到检测方法，再到价格发现贡献，最后落到实战应用。

实战中的几点提醒

最后，分享几个我在实战中踩过的坑：

• 数据清洗要狠：跳跃检测对数据质量极其敏感。一个错误tick就能让你误判。我建议对原始数据做三层过滤：价格合理性检查、时间戳连续性检查、异常值剔除。
• 参数要动态调：BN-S的阈值、ABD的窗口大小，都不是一成不变的。市场波动率低的时候，阈值可以设小一点；波动率高的时候，阈值要放大。
• 别迷信单一方法：我习惯同时跑BN-S和ABD，只有两个方法都标记为跳跃，我才确认。虽然会漏掉一些，但误报率大幅降低。

价格跳跃不是市场的bug，而是市场的feature。理解它、检测它、利用它，你就能在价格发现的过程中占得先机。

---