AI 投资前沿：市场信号可能来自谁在交易，而不只是交易什么

投资 AI 的下一个有效特征，可能不是又一个价格、报价或情绪变量，而是“谁在交易”。一项新的 arXiv 研究利用带有持续伪名的钱包交易记录，发现参与者历史能够在匿名订单簿之外提供短期信息。对开发者而言，关键并不是照抄所谓最强钱包，而是把参与者行为做成一层会衰减、可审计的证据层。

前沿信号

论文《Public Trader Identity: Adverse Selection and Return Predictability》重建了一个市场的完整深度订单簿，数据包括 171 亿条消息、1,430 万笔主动订单和 147,113 个钱包。作者报告称，按照主动订单之后价格变化给钱包排名后，相邻十日窗口的排名相关系数为 0.52。

研究还把高排名钱包的实时活动加入价格、报价和订单流基准模型，报告的一秒收益率样本外 R² 达到 12.31%，相对于匿名基准提高 13.2%。这些是特定去中心化市场中的研究结果，不应被直接理解成身份数据在所有市场都能产生持久超额收益。

英文版见：The Signal May Be Who Trades, Not Just What They Trade。

为什么投资者在意

多数研究系统把订单流当成总体统计量。这样做简单，却会丢掉一个重要差异：同样的买单，可能因为参与者过去的行为、交易周期和执行方式不同，而具有不同的信息含量。

身份感知层可能影响研究排序、市场冲击估计、执行路由和异常交易监测。它也可能帮助系统区分信息型订单与流动性需求型订单。更重要的启发在于架构：参与者状态应当拥有独立的特征存储，而不是混在原始行情或最终预测模型里。

这与站内关于选股证据层和金融基础模型时间完整性的讨论相连。身份特征会让两件事更难：证据必须在时间上有效，模型还要知道过去的参与者行为何时已经失效。

技术解读

可以把这个方法理解为滚动排名流水线。先只用预测时点以前的信息计算参与者分数，再在相邻窗口维护排名稳定性，最后把当前参与者活动加入匿名基准并严格做样本外评估。

原型系统可以记录主动或被动成交比例、撤单模式、交易场所集中度、订单规模分布，以及上次出现相似行为的时间。每个特征都需要时间戳、来源链路和明确的缺失值处理。还要把一秒解释力与组合收益预测分开，不能混为一谈。

论文中的活动匹配安慰剂比较尤其值得保留。身份特征必须战胜活动强度相近的对照组，而不只是战胜一个薄弱基准。评估还应计入手续费、市场冲击、延迟以及数据获取和保存成本。

现实校验

持续伪名不等于跨市场的真实身份。一个参与者可能分散在多个场所，也可能主动更换地址；自动化策略还会随着激励变化而改变行为。十日排名相关性说明样本中存在持续性，不代表这种持续性永久存在。

结果同样依赖可观测性和标签质量。在透明的去中心化市场有效的特征，未必能迁移到股票或期货。更现实的约束是隐私、公平性和市场滥用风险。研究系统需要记录特征为什么被允许使用、它编码了什么信息，以及何时必须下线。

构建者要点

• 建立支持时点连接、衰减曲线和不可变来源链路的参与者特征库。
• 同时比较匿名订单流和活动匹配的安慰剂对照组。
• 分离不同预测周期，报告扣除费用、冲击和延迟后的经济结果。
• 测试跨场所迁移、参与者流失、市场状态变化和策略刻意改变。
• 为伪名关联、数据保留、访问权限和特征下线设置治理门槛。

链接 / 来源

• Public Trader Identity: Adverse Selection and Return Predictability — 原始论文及样本外检验。
• The Evidence Layer Matters More Than the Stock Pick — 相关研究架构。
• The Real Test for Financial Foundation Models Is Temporal Integrity — 相关时间有效性框架。

Read in English →