4、流动性度量模型：Amihud非流动性指标、Roll价差估计量、流动性比率、价格影响模型

流动性这东西，说起来玄乎，其实就一句话：你想卖的时候，能不能快速卖掉，还不亏太多钱。做LOF套利，流动性就是你的命。我见过太多人策略跑得漂亮，一进场就被流动性卡死，那叫一个憋屈。

今天咱们就把流动性度量这件事彻底讲透。四个模型，一个比一个实用。你想想看，如果你连自己交易的品种流动性好坏都说不清楚，那套利不就是闭着眼过马路吗？

4.1 Amihud非流动性指标：最经典的流动性度量

Amihud指标，圈内人都叫它「非流动性指标」。名字听着绕口，逻辑其实特简单：每单位成交金额能引起多大的价格变动。价格变动越大，流动性越差。

公式长这样：

Amihud_illiq = mean( |r_t| / volume_t )

其中 r_t 是第 t 分钟的收益率，volume_t 是第 t 分钟的成交金额。取绝对值，再取平均。

我个人习惯用分钟级数据算这个指标。为什么？因为日线数据太粗糙了，LOF套利很多时候是分钟级甚至秒级的博弈，你用日线算出来的Amihud，基本等于没算。

代码实现也不复杂：

import pandas as pd
import numpy as np

def calc_amihud(df, price_col='close', vol_col='amount'):
    """
    计算Amihud非流动性指标
    df: 包含价格和成交金额的DataFrame
    """
    df = df.copy()
    df['return'] = df[price_col].pct_change().abs()
    df['amihud'] = df['return'] / df[vol_col]
    # 去掉无穷值和空值
    df = df.replace([np.inf, -np.inf], np.nan).dropna()
    return df['amihud'].mean()

# 用法示例
# amihud_value = calc_amihud(minute_data)
# print(f'Amihud非流动性指标: {amihud_value:.6f}')

嗯，这里要注意：如果成交金额为0，分母会出问题。我建议先过滤掉成交量为0的分钟数据，不然算出来全是inf，没意义。

4.2 Roll价差估计量：没有订单簿也能算价差

做套利的人都知道买卖价差有多重要。但问题来了——很多LOF品种的订单簿数据拿不到，或者拿到的质量很差。这时候怎么办？

Roll价差估计量就是来救场的。它只需要价格序列，就能估算出隐含的买卖价差。原理是基于价格序列的负自相关性。

公式：

Roll_spread = 2 * sqrt( -cov(ΔP_t, ΔP_{t-1}) )

如果协方差为正，说明当前数据不适合用Roll估计，直接返回0。

我曾经在做一个跨境LOF的流动性分析时，发现Roll价差算出来是负的。当时我还以为自己代码写错了，查了半天才发现——那个品种当天有分红除权，价格序列被破坏了。所以用Roll之前，一定要先做价格复权处理。

def calc_roll_spread(prices):
    """
    Roll价差估计量
    prices: 价格序列，Series或list
    """
    price_series = pd.Series(prices)
    delta = price_series.diff().dropna()
    cov = delta.shift(1).cov(delta)
    
    if cov < 0:
        return 2 * np.sqrt(-cov)
    else:
        return 0.0

# 用法
# spread = calc_roll_spread(df['close'])
# print(f'Roll估计价差: {spread:.4f}')

4.3 流动性比率：简单粗暴但有效

流动性比率（Liquidity Ratio）是我最早接触的流动性指标。说白了就是：一定价格变动范围内，能成交多少金额。

公式：

LR = 累计成交金额 / 价格变动百分比

价格变动越小，成交金额越大，流动性越好。这个指标的好处是直观，你给老板汇报的时候，不用解释太多。

但有个坑——价格变动为0的时候怎么办？分母不能为0啊。我一般会加一个极小值，比如1e-8，或者干脆跳过价格没变动的那些时间段。

def calc_liquidity_ratio(df, price_col='close', vol_col='amount', window=20):
    """
    计算流动性比率
    window: 滚动窗口期数
    """
    df = df.copy()
    df['price_change_pct'] = df[price_col].pct_change().abs()
    # 防止除零
    df['price_change_pct'] = df['price_change_pct'].replace(0, np.nan)
    df['lr'] = df[vol_col].rolling(window).sum() / df['price_change_pct'].rolling(window).sum()
    return df['lr'].dropna()

# 用法
# lr_series = calc_liquidity_ratio(minute_data)
# print(f'流动性比率均值: {lr_series.mean():.2f}')

4.4 价格影响模型：量化你的交易成本

前面几个指标都是「看别人」的流动性。价格影响模型不一样，它回答的是：如果我要买/卖一定数量，会花多少隐性成本？

最常用的形式是线性价格影响模型：

Price_Impact = α + β * Trade_Size + ε

其中Trade_Size是你的交易量占市场成交量的比例。β越大，说明你的交易对价格的冲击越大，流动性越差。

我一般会用分段回归来做这个模型。为什么？因为小单和大单的价格影响不是线性的。小单可能没影响，大单一进去价格就飞了。

import statsmodels.api as sm

def estimate_price_impact(trade_sizes, price_changes):
    """
    估计价格影响模型
    trade_sizes: 交易量占比序列
    price_changes: 对应的价格变动序列
    """
    X = sm.add_constant(trade_sizes)
    model = sm.OLS(price_changes, X).fit()
    return model.params['x1']  # 返回价格影响系数

# 用法
# impact_coef = estimate_price_impact(df['trade_ratio'], df['price_change'])
# print(f'价格影响系数: {impact_coef:.4f}')

4.5 四个模型怎么选？一张图说清楚

说了这么多，你可能会问：到底用哪个？我的建议是——别只用一个，组合着来。

下面这张图是我自己总结的流动性度量框架，你可以照着这个思路来：

你看这张图，四个模型各有侧重。Amihud和流动性比率适合日常监控，Roll价差和价格影响模型更适合做交易决策。我自己的习惯是：每天开盘前跑一遍四个指标，给所有关注的LOF品种打个分，低于60分的直接剔除出套利候选池。

4.6 实战中的几个坑

最后分享几个我踩过的坑，你遇到了能少走弯路：

• 数据频率不匹配：用日线数据算Amihud，结果和分钟级数据算出来的可能差一个数量级。做LOF套利，至少用分钟级数据。
• 复权问题：分红、送股会破坏价格序列的连续性。Roll价差对这种突变特别敏感，一定要先做复权处理。
• 极端值处理：LOF品种有时候会出现极端行情，比如开盘瞬间价格打到跌停。这些极端值会严重扭曲流动性指标，我一般会做3倍标准差截断。
• 不要迷信单一指标：四个指标都算一遍，如果三个说好一个说差，那大概率是有问题的。我吃过这个亏，以后都是综合判断。

流动性度量这件事，说白了就是给你的交易上个保险。你花10分钟算清楚流动性，可能帮你省下10%的滑点成本。这笔账，怎么算都划算。