沒有買賣方標記時的交易分類：Tick、Quote、Lee-Ready、BVC

先把多數微結構教科書開頭所處理的那個版本放到一邊。在本部落格實際交易的交易場所，交易方向不是需要推斷的東西——它本身就是一個欄位。Binance 的 aggTrades 提供 isBuyerMaker；Bybit 的成交串流提供 side。棒構建文章 直接從該標記取得攻擊方，不會執行分類器：

def on_trade(self, timestamp: int, price: float, qty: float, is_buyer_maker: bool):
    side = -1 if is_buyer_maker else 1

這是免費且具有奈秒解析度的真實標籤。如果你正從現代加密 CEX 的資料流建立帶符號訂單流，就不需要本文。

你會在四種情況下需要本文，而它們普遍到值得重視：

1. 你只有棒資料。 歷史 OHLCV 是多數供應商販售、也是多數回測使用的資料；交易串流從未封存，或其成本高於研究價值。這就是下文的 BVC 問題。
2. 交易場所沒有標記買賣方。 較小型的 CEX、股票 TAQ 類資料集，以及幾乎所有 2017 年以前的封存資料，都只提供價格與數量。
3. DEX 與鏈上流。 交換事件會說明哪個代幣往哪個方向移動，但要在路由的多跳交易或聚合器中歸因攻擊方，沒有可依賴的標記。
4. 你在重現已發表的研究。 Kyle lambda 估計、VPIN、價差分解——幾乎整個微結構文獻都建立在 Lee-Ready 分類資料上，因此要保持可比性，就必須執行它們的分類器，而不是讀取真實買賣方。

以下會介紹規則集、最重要的失效模式、批量成交量捷徑，以及測量全部方法的協議——因為加密市場提供了股票文獻從未擁有的標籤。

Tick 檢驗

比較當前成交價格 $P_t$ 與上一筆價格：

直覺是：買方發起的成交會抬高賣價並推高價格；賣方發起的成交會打到買價並壓低價格。零 tick 會延續前一筆的符號，而大多數錯誤都藏在這裡——對於一個價差為一個 tick 的流動工具，多數連續成交都會在同一價格成交。

sign = np.sign(np.diff(prices, prepend=prices[0]))
sign[sign == 0] = np.nan
directions = pd.Series(sign).ffill().fillna(1).astype(int).values

具備相同前向延續語義的生產實作，已經以 _tick_sign() 形式存在於超越時間棒的 tick 與成交量不平衡棒生成器中——請重用它，不要維護第二份副本。

Quote 規則

不比較連續成交，而是將成交價格與當時的中間價 $M_t = (A_t + B_t)/2$ 比較：

def quote_rule(trade_prices: np.ndarray,
               bid_prices: np.ndarray,
               ask_prices: np.ndarray) -> np.ndarray:
    """Classify trades using the quote rule.

    Returns +1 (buy), -1 (sell), or 0 (unclassified) for midpoint trades.
    """
    midpoints = (bid_prices + ask_prices) / 2.0
    directions = np.zeros(len(trade_prices), dtype=int)
    directions[trade_prices > midpoints] = 1
    directions[trade_prices < midpoints] = -1
    return directions

Quote 規則使用的資訊嚴格多於 Tick 檢驗，但在另一個地方失效：它對恰好成交在中間價的交易沒有說明。在窄價差、受 tick 約束的工具上，這不是邊界情況——它佔據了成交記錄的很大一部分。該規則需要備援，這正是 Lee-Ready 的作用。

Lee-Ready：混合方法與過時報價假設

Lee 與 Ready（1991）把兩者結合：套用 Quote 規則，對中間價成交則退回 Tick 檢驗。

def lee_ready(trade_prices: np.ndarray,
              bid_prices: np.ndarray,
              ask_prices: np.ndarray,
              quote_lag: int = 0) -> np.ndarray:
    """Lee-Ready classification.

    quote_lag : number of quote observations to lag (0 = contemporaneous).
                Set > 0 only if your quote feed is known to trail the trade
                feed; see the discussion of the 5-second rule below.

    Depends on tick_test() with carry-forward semantics — the `_tick_sign()`
    implementation from /blog/beyond-time-bars-candle-construction.
    """
    if quote_lag > 0:
        bid = np.concatenate([bid_prices[:quote_lag], bid_prices[:-quote_lag]])
        ask = np.concatenate([ask_prices[:quote_lag], ask_prices[:-quote_lag]])
    else:
        bid, ask = bid_prices, ask_prices

    directions = quote_rule(trade_prices, bid, ask)

    unclassified = directions == 0
    if unclassified.any():
        directions[unclassified] = tick_test(trade_prices)[unclassified]

    return directions

論文更有趣的一半，是通常只被重現而未被說明的部分。Lee 與 Ready 不只是提出混合方法；他們還主張將每筆成交與 五秒前有效的報價 比較。這個數字不是關於市場的建模選擇，而是對報告延遲人為因素的修正：在 1980 年代 NYSE 的綜合行情中，成交與報價透過不同路徑傳播、延遲也不同，報價往往在所屬成交之前抵達。因此，將成交與同時列印的報價比較，實際上是與已反映該成交的報價比較——恰好對推動市場的成交反轉了符號。

這對任何把方法移植到加密市場的人帶來兩點後果。

五秒規則已經過時，套用它反而有害。 它修正的是如今已不存在的傳播延遲。股票市場在 1990 年代中期前後就縮小了差距；加密交易場所的成交與訂單簿增量串流共享序列空間，並由同一撮合引擎以微秒精度加時間戳。BTCUSDT 的五秒不是同步容忍度，而是數百次訂單簿更新。讓報價延遲五秒不會修正過時報價，只會製造過時報價。除非你已在自己的擷取資料中測量出真實偏移，否則使用 quote_lag=0。

但底層問題以新形式存續。 現在報價過時是你的資料管線造成的，不是交易所的錯。從 WebSocket 增量串流重建訂單簿，按掛鐘時間連接成交，你就引入了延遲；其方向與大小取決於緩衝、快照重新同步策略與時鐘。在信任任何讀取訂單簿的分類器前，先測量它：重播一段窗口，把成交連接到訂單簿狀態，並檢查有多少成交落在連接後的 [bid, ask] 之外。若一筆成交高於連接後的賣價，就證明與它匹配的訂單簿已過時。

修正方法不同於 Lee 與 Ready，但失效模式相同。

批量成交量分類

Easley、Lopez de Prado 與 O'Hara（2012）攻擊的是另一個問題：如果你從未看見個別成交怎麼辦？BVC 在棒內分類聚合成交量，以標準化價格變化的標準常態 CDF 進行拆分：

其中 $\Delta P_t = P_t^{\text{close}} - P_t^{\text{open}}$，而 $\sigma_{\Delta P}$ 是棒價格變化的標準差。

from scipy.stats import norm

def bulk_volume_classification(open_prices: np.ndarray,
                               close_prices: np.ndarray,
                               volumes: np.ndarray,
                               sigma: float | None = None) -> tuple:
    """Split bar volume into buy/sell using the BVC rule.

    Returns (buy_volume, sell_volume) as continuous, not integer, splits.
    """
    delta_p = close_prices - open_prices

    if sigma is None:
        sigma = max(float(np.std(delta_p)), 1e-8)

    buy_fraction = norm.cdf(delta_p / sigma)
    return volumes * buy_fraction, volumes * (1.0 - buy_fraction)

BVC 是不同的工具，而不是較差的工具，三項特性可以說明原因。它不分類單筆成交——它產生的是一個 比例，因此收盤不變的棒會得到 50/50 拆分，而不是對其中每筆成交擲一次硬幣；如果你的使用者需要每筆成交的符號，BVC 無法提供。它在棒上運作而不是逐筆記錄上，這正是重點：它是本文唯一在不存在成交級資料時仍能運作的方法。並且 $\sigma$ 是會改變結果的自由參數——全樣本估計會造成前視，而短期滾動估計會讓 $\Phi$ 飽和，將每根棒推向 0/100。這個選擇值得進行敏感度掃描，而不是設定一個預設值。

原始論文報告 BVC 的追蹤結果與成交級分類足夠接近，可用於 VPIN 估計。具體準確率高度取決於棒大小、工具與 $\sigma$ 估計器，而二手資料引用的數字很少同時說明這三項。不要把股票研究中的一個數字直接帶過來——請測量。

分類專用的唯一特徵

如果你要訓練模型而不是執行規則，大部分特徵集已經發布：價差、深度不平衡、成交流不平衡，以及滾動實現波動率，都在使用機器學習建模價差中列出並實作；DeepLOB則提供多層訂單簿特徵。使用它們。

這個問題專有、且兩者都沒有出現的特徵，是成交在價差內的位置：

成交位於買價時映射為 0，位於賣價時為 1，位於中間價時為 0.5。這是 Quote 規則的連續推廣：不在中間價設門檻，而是把距離交給模型，讓模型學到 0.95 的成交幾乎確定是買方，而 0.55 的成交幾乎沒有資訊。落在 $[0, 1]$ 之外的值，就是上一節所述的過時報價診斷，值得記錄而非截斷。

若要在這些特徵上建立提升式基準，管線就是使用機器學習建模價差中已發布的版本，只將目標換成二元分類——尤其包括其中清洗與禁運的 walk-forward CV。不要使用普通的 TimeSeriesSplit 評估微結構分類器；該文與walk-forward 最佳化都解釋了為何這會產生過度樂觀的數字。若是對訂單簿快照使用序列模型，DeepLOB 是參考架構，其中的訓練注意事項保持不變。

正確測量方法：加密市場提供標籤

股票交易分類文獻中的每個準確率，都是相對於真實值的 代理 估計——TORQ、稽核軌跡子樣本、單一交易場所的內部紀錄——因為真正的攻擊方從未公開。加密市場公開了它。Binance aggTrades 的 isBuyerMaker 就是每筆成交的標籤，且完全免費。因此任何人都能進行這個實驗，而我還沒有找到針對加密市場發表的結果。協議如下：

資料。 一個月的 BTCUSDT aggTrades 加上訂單簿 ticker 串流，進行連接，使每筆成交都帶有它之前一刻有效的買價與賣價。在流動性薄的山寨幣上重做，因為整個問題就在於價差變寬時會發生什麼。

標籤。 direction = -1 if is_buyer_maker else +1。接著 丟棄標記，只用價格與報價資料執行各種方法。

方法。 Tick 檢驗、Quote 規則、quote_lag=0 的 Lee-Ready、歷史五秒延遲的 Lee-Ready（量化過時規則造成的損害），以及在多種棒大小下的 BVC，並與真實的每棒買方成交量比例比較。

拆解。 總體準確率是最不有趣的數字。按價差狀態拆解（單 tick 對寬價差——價差被鎖定時 Tick 檢驗的前向延續應該崩潰）、按成交是否列印在中間價拆解（隔離 Quote 規則棄權、而 Lee-Ready 備援完成全部工作的情況）、按成交量拆解（aggTrades 條目是掃單；大型成交會推動影響，方向標錯時成本最高），以及按波動率狀態拆解（BVC 的 $\sigma$ 是估計值，因此其誤差按構造就取決於狀態）。

準確率不是目標

借用 DeepLOB 的論述紀律：分類準確率不是結果，而是結果的輸入。沒有人交易一筆成交的符號——交易的是從完整符號串流計算出的某些東西，而錯誤不會中性地傳播。一個在 10% 成交上隨機錯誤的分類器，與另一個系統性錯誤地把 10% 的大型、推動價格成交標錯的分類器，在準確率相同時會產生非常不同的帶符號訂單流。Tick 檢驗的前向延續失效與平坦價格特別相關——而這正是帶符號流應該具有資訊量的狀態。因此，上述拆解而非標題數字，才是真正的輸出。

有了真實標籤，下游問題就能直接測量：從真實符號估計你關心的量，再從每個分類器的符號重新估計，報告差距。

• 價格影響。 在固定窗口上以帶符號淨吃單流回歸中間價變化——估計器已在滑價成本模型中指定，而其在公開 Binance 資料上的可運作實作位於Almgren-Chriss 最佳執行。不要在這裡重新定義；執行兩次並比較擬合係數。
• 以訂單流不平衡作為預測器。 比較真實符號與分類符號下 OFI 和未來報酬的相關性。該相關性的退化 就是 分類錯誤的成本，並以唯一重要的單位計價。
• 毒性指標。 VPIN 與成交流不平衡特徵都是分類成交量的使用者；兩者都在使用機器學習建模價差中介紹。它們對分類錯誤的敏感性，可以用相同方式測量。

這對你意味著什麼

如果你的交易場所提供攻擊方標記，就使用它。大多數時候，加密市場都是如此。

如果沒有，使用同時報價下的 Lee-Ready 作為預設是正確的——不是因為它準確，而是因為它是標準，與三十年已發表估計保持可比性，比你無法驗證的幾個準確率點更有價值。五秒規則是 1980 年代行情延遲的化石；在現代資料上重現它，會注入它原本要移除的過時性。如果你只有棒資料，BVC 是唯一完全可行的選項，而且它回答的是另一個問題：成交量拆分，而不是成交符號。

無論如何，都應該用加密市場免費提供的標籤進行測量，按價差狀態與成交量拆解結果，並報告錯誤在下游造成的成本，而不是報告猜對的百分比。