8、流动性螺旋的量化指标（二）：Roll's Spread估计量

基于协方差的买卖价差估算，适用于高频数据的改进版本

8.1 从交易数据中“反推”价差

上一章我们聊了Amihud非流动性指标，它用价格变化除以成交额，说白了就是“每成交一块钱，价格会动多少”。这个指标很直观，但有个问题——它需要成交量的数据。有些市场、有些品种，成交量数据要么拿不到，要么质量很差。

那有没有办法，只用价格序列本身，就能估算出买卖价差？

有的。这就是Roll's Spread估计量。

我个人习惯把它叫做“协方差法”。它的核心思想很简单：如果市场存在买卖价差，那么价格序列就会表现出一种“来回震荡”的特征——买的时候价格往上跳一下，卖的时候价格往下跳一下。这种震荡会在价格的一阶差分（也就是收益率）中留下负的序列相关性。

嗯，说白了，就是利用“价格来回跳”这个现象，反推出隐含的价差。

8.2 经典Roll模型：数学推导

Roll在1984年提出了这个模型。假设真实价格（有效价格）服从随机游走，但观测到的价格会在买价和卖价之间来回切换：

P_t = P_t* + S/2 * Q_t

其中：

• P_t 是观测价格
• P_t* 是有效价格（随机游走）
• S 是买卖价差（我们要估计的）
• Q_t 是交易方向指示变量（+1表示买方发起，-1表示卖方发起）

关键假设：Q_t 是独立同分布的，且与有效价格变化不相关。也就是说，交易方向是随机的，没有持续的趋势。

在这个假设下，价格变化（收益率）的协方差为：

Cov(ΔP_t, ΔP_{t-1}) = -S²/4

所以，价差的估计量就是：

S_Roll = 2 * √(-Cov(ΔP_t, ΔP_{t-1}))

注意：这里要求协方差为负值。如果算出来是正的，说明模型不适用——可能是趋势太强，或者数据频率不对。

8.3 我在实战中踩过的坑

Roll模型看起来简单，但用起来全是坑。我曾经在A股市场上试过这个指标，结果发现大部分股票的协方差都是正的——算出来的价差是虚数，根本没法用。

为什么会这样？

原因有三：

1. 趋势太强：A股日内趋势明显，价格连续上涨或下跌，导致收益率正相关，掩盖了价差引起的负相关。
2. 数据频率不对：用日线数据算，噪声太大。Roll模型本质上是高频模型，至少要用分钟级数据。
3. 交易方向有持续性：大单拆分、算法交易会导致Q_t不是独立的，破坏了模型假设。

8.4 改进版本：高频数据下的Roll估计

为了解决上述问题，学术界和业界提出了多种改进方案。我个人最常用的是以下三种：

8.4.1 去趋势Roll估计

先对价格序列做去趋势处理，再计算协方差。常用的去趋势方法包括：

• 一阶差分去均值
• 移动平均去趋势
• HP滤波

代码实现：

def roll_spread_detrend(prices, window=20):
    # 移动平均去趋势
    ma = prices.rolling(window).mean()
    detrended = prices - ma
    # 计算收益率
    returns = detrended.diff().dropna()
    # 计算协方差
    cov = returns.autocorr(lag=1) * returns.var()
    if cov < 0:
        spread = 2 * np.sqrt(-cov)
    else:
        spread = np.nan
    return spread

8.4.2 高频协方差估计（用tick数据）

用逐笔成交数据，计算相邻两笔交易的价格变化协方差。这能最大程度保留高频信息：

def roll_spread_tick(tick_prices):
    # tick_prices: 逐笔成交价格序列
    delta_p = tick_prices.diff().dropna()
    # 计算相邻变化的协方差
    cov = (delta_p * delta_p.shift(1)).mean() - delta_p.mean() * delta_p.shift(1).mean()
    if cov < 0:
        spread = 2 * np.sqrt(-cov)
    else:
        spread = np.nan
    return spread

8.4.3 基于符号的Roll估计

不直接用价格变化，而是用价格变化的符号（+1/-1）来估计。这个方法对异常值更稳健：

def roll_spread_sign(prices):
    # 计算价格变化符号
    delta_p = prices.diff().dropna()
    signs = np.sign(delta_p)
    # 计算符号序列的协方差
    cov_sign = (signs * signs.shift(1)).mean() - signs.mean() * signs.shift(1).mean()
    # 用符号协方差反推价差
    if cov_sign < 0:
        spread = 2 * np.sqrt(-cov_sign * delta_p.var())
    else:
        spread = np.nan
    return spread

8.5 三种改进版本的对比

方法	适用场景	优点	缺点
去趋势Roll	有趋势的市场（如A股）	消除趋势干扰	窗口参数敏感
高频协方差	有tick数据的市场	信息损失最小	数据要求高
基于符号	异常值较多的数据	稳健性强	精度略低

8.6 知识体系：Roll估计量的核心逻辑

下面这张图展示了Roll估计量的完整逻辑链条：

8.7 实战建议：什么时候用Roll？

根据我的经验，Roll估计量最适合以下场景：

• 高频数据可用：至少要有分钟级数据，tick数据更好
• 市场相对有效：趋势不要太强，否则去趋势也救不了
• 作为辅助指标：不要单独用Roll，要结合Amihud、买卖价差等一起看

好了，Roll's Spread估计量就讲到这里。下一章我们会聊另一个重要的流动性指标——基于订单簿的价差估计。那个更直接，但数据要求也更高。

---