为什么预测对了价格方向，交易却可能亏钱？——从 Bid/Ask 到 Adverse Selection

之前写 order book 和价格形成那篇时，花了不少篇幅搞清楚 bid/ask、maker/taker、以及成交量和价格之间的关系。写完之后我觉得这些概念已经理顺了，但最近在看加密货币量化执行的材料时，碰到了一个更尖锐的问题：

假如我有一个预测模型，它能准确预测未来 10 秒的价格方向。这个模型能赚钱吗？

直觉上，当然能——方向对了，买涨卖跌就行了。但真正开始算交易细节时，我发现事情远没有这么直接。

Bid、Ask 和 Mid Price

#

先快速回顾一下。Bid 是买方愿意出的最高价（出价），Ask 是卖方愿意接受的最低价（要价）。主动买入通常与 Ask 撮合，主动卖出通常与 Bid 撮合。这些在之前的文章里已经写过，这里不再重复撮合流程。

用 BTC 举例。假设当前盘口：

1Best Bid = 99,990 USDT
2Best Ask = 100,010 USDT

那"BTC 的价格"到底是多少？

行情软件里通常显示的是 Last Traded Price——最近一笔实际成交的价格。如果上一笔是在 Ask 成交的，显示 100,010；如果是在 Bid 成交的，显示 99,990。但盘口本身没有变化，两边的报价还是 99,990 和 100,010。

这里就会出现一个现象：即使 Bid 和 Ask 都纹丝不动，Last Traded Price 可以在 99,990 和 100,010 之间来回跳。一笔主动买入把价格打到 100,010，紧接着一笔主动卖出又打回 99,990。这种由买卖方向交替引起的价格跳动，叫 Bid-Ask Bounce。

这对短周期的价格序列有一个不太直观的影响。如果用 Last Traded Price 来计算收益率，这些 bounce 会引入额外的微观结构噪声——价格看起来在动，但其实只是买卖方向在交替，市场对 BTC 的估值没有发生实质变化。

所以在短周期模型中，经常用另一个价格作为参考：

在上面的例子里：

Mid Price 把 Bid-Ask Bounce 的影响平滑掉了。只要两边报价不变，Mid Price 就不变，不管最近一笔交易是买还是卖。

不过要注意一件事：Mid Price 是一个计算出来的参考价格，不是你能直接成交的价格。你不能在 100,000 这个位置买入或卖出——当前能买到的最低价是 100,010（Ask），能卖出的最高价是 99,990（Bid）。Mid Price 是 Bid 和 Ask 的中点，但它本身并不对应任何一方的报价。

也不能说 Mid Price 就是"真实的公允价值"。它只是一种常用的近似——在 Bid 和 Ask 两侧挂单数量差异不大时，Mid Price 是一个合理的参考点。但当买卖两侧的深度严重不对称时，Mid Price 可能并不是最好的估计。后面会一直用 Mid Price 作为参考基准来分析执行成本，需要记住它始终是一个简化。

Spread 到底意味着多大的成本

#

Bid 和 Ask 之间的差值，就是 Bid-Ask Spread：

在上面的例子中，Spread = 100,010 - 99,990 = 20 USDT。

20 USDT 看起来是个绝对数字，不同价格的资产之间不太好直接比较。所以还有一个相对的版本：

这个比值通常用 Basis Point（简称 bp，复数 bps）来表达。1 bp = 0.01% = 0.0001。

一开始接触 bp 的时候，我花了一点时间理清它到底是什么。bp 就是一个固定的比例单位，它和"百分比"的关系是：

• 1 bp = 0.01%
• 10 bps = 0.1%
• 100 bps = 1%

相同的 bp 数对应的绝对价格变化，取决于价格基准本身。用 BTC = 100,000 USDT 的例子：

• 1 bp = 100,000 × 0.0001 = 10 USDT
• 2 bps = 100,000 × 0.0002 = 20 USDT
• 10 bps = 100,000 × 0.001 = 100 USDT

顺便提一句，在利率的语境下，bp 也常用来描述利率变化。比如利率从 4.00% 上升到 4.25%，上升了 25 bps（即 0.25 个百分点）。这里需要注意区分：利率上升 25 bps 是说绝对变化了 0.25 个百分点，不是相对变化了 25%。

回到交易成本。上面的盘口里：

• Spread = 20 USDT
• Relative Spread = 20 / 100,000 = 0.0002 = 2 bps

如果我用 Taker 方式在 Ask 主动买入，成交价 100,010，相对 Mid Price 100,000 多付了 10 USDT，也就是 1 bp。这 1 bp 是 Half-Spread——从 Mid 到 Ask 的距离。

如果我想立刻平仓，只能在 Bid 99,990 主动卖出。卖出价相对 Mid 又少收了 1 bp。

一买一卖的往返，在报价不变的情况下，损失的就是完整的 Spread：2 bps。这还不包括交易所收取的手续费。

这里有几个简化假设需要说清楚。第一，上面的计算假设最佳档位有足够的挂单量来容纳你的订单，不会出现一笔单吃穿好几档的情况。第二，假设你买入和卖出时 Spread 没有变化。第三，没有考虑市场冲击——你自己的订单可能影响后续报价。在真实交易中，实际的执行成本往往比 Spread 大，但 Spread 是最直接、最容易量化的那一层。

Spread 不等于交易的全部成本，但它是短周期交易中最基本的成本下界。

模型对了，交易为什么亏了

#

到这里就可以回到开头的问题了。

假设初始盘口：

1Best Bid = 99,990
2Best Ask = 100,010
3Mid Price = 100,000

我的模型预测：未来 10 秒，Mid Price 将上涨 1 bp，也就是 10 USDT。

10 秒后，市场确实按模型预测的方向移动了：

1Best Bid = 100,000
2Best Ask = 100,020
3Mid Price = 100,010

Mid Price 从 100,000 涨到 100,010，上涨了 10 USDT，正好 1 bp。模型预测完全正确。

但我的交易呢？

• 开仓：在初始 Ask 以 100,010 主动买入（Taker）
• 平仓：10 秒后在 Bid 以 100,000 主动卖出（Taker）

每个 BTC 亏了 10 USDT。还没算手续费。

模型方向完全正确，Mid Price 确实涨了 1 bp。但这 1 bp 的预测收益全部被执行成本吃掉了——开仓时为 Ask 多付了 1 bp，平仓时在 Bid 少收了 1 bp，总执行成本 2 bps，而预测收益只有 1 bp。

这个例子的关键不是"1 bp 太小"，而是一个结构性的问题：Taker 的每次执行都要穿过 Half-Spread。只要预测收益不够大，再准确的方向预测也无法覆盖执行成本。

用公式来表达这笔交易：

在 Spread 不变、单次完整 Taker 往返、无额外冲击的简化假设下，这可以改写成：

在上面的例子里：Net Return ≈ 1 bp - 2 bps - Fees < 0。

这不是说 Taker 策略一定不赚钱。如果模型预测的收益足够大——比如预测 Mid Price 会涨 10 bps，而 Spread 只有 2 bps——那扣掉执行成本之后仍然有利润。问题出在预测收益和执行成本之间的大小关系。

那全部挂 Maker 单不就好了？

#

写到这里的时候，我脑子里的第一个反应是：既然 Taker 每次执行都要付 Spread，那我不主动吃单就行了——在 Bid 上挂限价买单，等别人来和我成交。这样不仅省了 Spread，很多交易所的 Maker 手续费还比 Taker 低，甚至有返佣。

这个直觉在成本端是对的。如果你在 Bid 99,990 挂单买入并成交了，你的成交价比 Mid Price 还低了 1 bp，相当于获得了"负的 Spread 成本"。

但有一个前提：你的单必须成交。

回到刚才的场景。当前 Bid = 99,990，Ask = 100,010。模型预测价格会涨。你在 Bid 99,990 挂了一笔限价买单。

如果模型对了，价格确实快速上涨到 100,050——那你的 99,990 买单大概率根本没有成交。市场直接从你头顶飞过去了。

即使某个价位在你挂单期间发生过成交，也不代表你的订单一定成交了。同一个价位上可能有很多笔挂单在排队，按先到先得的顺序逐笔匹配。如果在你之前排了大量的买单，价格在你的价位短暂停留又离开，排在后面的你可能根本轮不到。

这就是 Fill Probability（成交概率）的问题。预测对了方向，但没有获得任何头寸——利润为零。

Taker 和 Maker 面对的是两种不同的 trade-off。Taker 的优势是确定性高——主动去成交，几乎一定能拿到头寸（前提是对手盘有量）。代价是每次都要穿过 Spread。Maker 的优势是成交价更好，但代价是成交不确定——你只能等别人来和你交易，等不到就空手。

到这里如果只是"Maker 可能成交不了"，问题还不算太严重——大不了有些信号没抓到，抓到的那些不是照样赚吗？

但接下来的问题是：抓到的那些，真的照样赚吗？

成交的那些订单，表现还一样吗

#

这一步是我在整个学习过程中被触动最大的地方，因为它直接和我熟悉的模型评估联系上了。

假设模型产生了 100 个买入信号。事后来看，其中 60 个方向预测正确（价格确实涨了），40 个预测错误（价格跌了）。原始的方向预测准确率是 60%。

现在假设我用 Maker 限价买单来执行这些信号。由于成交概率的问题，100 个信号中只有 40 个实际成交了。

问题是：这 40 个成交的信号，预测准确率还是 60% 吗？

我一开始想当然地觉得应该差不多——成交了 40%，没成交 60%，如果成交是随机的，那成交的那 40 个里大概应该有 24 个预测正确、16 个预测错误，准确率还是 60%。

但仔细想想，成交不太可能是随机的。

考虑这样的情形：当价格真的要涨的时候，你挂在 Bid 上的买单不太容易成交——因为卖方没有动力主动压低价格来打到你的 Bid。但当价格要跌的时候，有人急着卖出，主动卖单会打到你的 Bid，你的限价买单反而容易成交。

也就是说：预测正确的信号（价格要涨）更不容易成交，预测错误的信号（价格要跌）更容易成交。

用一个示意性的数字来说明（这些数字是为了解释概念构造的，不是真实策略的经验统计）：

原始预测准确率 = 60 / 100 = 60%。

成交样本中的预测准确率 = 10 / 40 = 25%。

准确率从 60% 掉到了 25%。

这里需要说几个边界。第一，模型的原始准确率 60% 是纯粹的方向预测指标——它衡量的是"模型说涨，后来确实涨了"的比例，本身并没有假设一定成交。第二，如果离线做策略回测的时候默认所有信号都能在某个参考价格成交，那个 60% 其实已经隐含了"理想成交"的假设。第三，成交样本中的准确率 25% 也不能直接等同于交易盈利概率——实际 PnL 还取决于价格变化的幅度、成交价格和手续费。

但核心的 insight 不变：成交不是一个与预测结果无关的随机事件。成交概率本身和未来价格方向之间可能存在系统性的关联。

用条件概率的语言来说：

如果成交和预测结果是统计独立的，那不管成交率多低，成交样本的期望准确率都应该等于原始准确率。准确率之所以下降，不是因为成交的少了，而是因为成交和未来价格之间不独立。

从做 ML 的角度来看，这个问题有一个熟悉的名字：Selection Bias（选择偏差）。你在全量样本上评估模型得到的指标，不能直接代表你在某个非随机子集上的实际表现。在推荐系统里，这对应的是 offline evaluation 和 online performance 的差异——离线评估是在已有的曝光数据上做的，但线上推荐会面对不同的用户反馈分布。

在交易中也一样。离线回测里所有信号都"成交"了，但实盘中只有一部分信号能成交，而且成交的那部分可能系统性地偏向于表现差的信号。

Adverse Selection——为什么成交可能是坏消息

#

上面说的 Selection Bias 描述了一个统计现象：成交样本不是原始信号的随机子集。Adverse Selection（逆向选择）则更进一步，指出了这种非随机性背后的一个具体机制。

Adverse Selection 本来是经济学中的概念——在信息不对称的交易中，拥有信息劣势的一方更容易在不利条件下成交。经典例子是二手车市场：卖方比买方更了解车况，好车的卖方不愿意以平均价出售，留在市场上的更可能是质量差的车。

在金融市场里，Maker 面临的情况有类似的结构。

还是用 BTC 举例。我在 Bid = 100,000 挂了一笔限价买单。

情景 A：BTC 即将上涨。市场上的买方在推高价格，没有人愿意在 100,000 主动卖出。我的买单安静地挂在那里，没有人理它。价格涨到 100,050，我一股没买到。

情景 B：BTC 即将下跌。有人掌握了某个利空信息，或者有人需要紧急平仓，主动在 Bid 抛售。他的卖单打到了我的 100,000 买单，成交了。然后价格继续跌到 99,950。我买在了 100,000，现在浮亏 50 USDT。

这两个情景揭示了 Maker 的一个结构性困境：成交价格虽然好（在 Bid 买入，比 Mid 低），但成交本身可能携带了一个不利的信号——愿意主动卖给你的人，可能知道一些你不知道的事情。

不过有几件事要说清楚。

第一，不是所有 Taker 都有信息优势。很多 Taker 只是普通散户在执行常规交易，或者是被动型基金在做再平衡。Maker 成交并不意味着一定遇到了 Informed Trader。

第二，不是所有 Maker 成交都遭遇 Adverse Selection。如果价格在你成交后横盘甚至反弹，你的 Maker 买入可能是一笔很好的交易。

第三，并非所有 Selection Bias 都是 Adverse Selection。Selection Bias 是一个更宽泛的统计概念——任何导致成交样本非随机的因素都算。Adverse Selection 特指的是：成交与后续价格向不利方向运动之间存在系统性的联系。关键词是"系统性"——不是某一次亏了就叫 Adverse Selection，而是在大量交易中，成交的平均后果偏向不利。

在做市（market making）领域，评估一笔成交是否遭遇了 Adverse Selection 的一种常见方法是 Markout——看成交之后一段时间（比如 1 秒、5 秒、30 秒），Mid Price 相对于你成交价的变化。如果你在 Bid 买入后，Mid Price 系统性地下跌，说明你的成交倾向于发生在价格即将下行的时刻。这里不展开 Markout 的具体计算，只是提一句：它提供了一种量化 Adverse Selection 程度的思路。

从 Accuracy 到可实现的收益

#

回过头来看，这篇文章其实在追一条链路：一个预测模型说"价格要涨"，最终我的账户里有没有多出钱来。

从信号到收益，中间至少要过这些关：

1. 模型产生信号：预测未来 Mid Price 上涨。
2. 下单：选择 Taker 还是 Maker，决定在什么价位、多大的量。
3. 成交与否：Taker 几乎确定成交但价格差；Maker 价格好但可能不成交。
4. 成交价格：不一定等于 Mid Price，也不一定等于挂单价——可能有滑点。
5. 交易成本：Spread、手续费、市场冲击。
6. 实际 PnL：Exit Price - Entry Price - Fees。

每一步都在过滤和修改信号的价值。模型解决的是第一步——未来价格可能往哪里走。但从第二步开始，Execution 决定了哪些信号最终能变成头寸，以什么价格成交，付出多少成本。

这篇文章里反复出现的几个 gap：

• 只关注模型的 Accuracy 或 IC 不够。预测方向正确，即使达到 100%，也不能保证净盈利——微小的预测收益可能不足以覆盖执行成本。
• 只比较 Maker 和 Taker 的手续费率也不够。Maker 手续费低，但成交概率和 Adverse Selection 的风险也是成本的一部分，只是不那么容易直接量化。
• 离线回测中的策略表现不等于实盘表现。回测里的"成交"可能隐含了在真实市场中无法实现的假设。

在短周期交易中，预测到价格变化只是第一步。真正有价值的 Alpha，必须能够通过现实中的订单执行转化为净收益。

参考资料

#

• Larry Harris，Trading and Exchanges: Market Microstructure for Practitioners（Oxford University Press，2003）——关于 bid-ask spread、adverse selection 和执行成本的标准参考
• Marcos López de Prado，Advances in Financial Machine Learning（Wiley，2018）——关于微观结构特征和 selection bias 在量化策略中的影响