量化研究参考系列之七：用日频K线重建累计Delta订单流指标

2026年06月09日 报告发布日期 用日频K线重建累计Delta订单流指标 ——量化研究参考系列之七 刘静涵执业证书编号：S0860520080003香港证监会牌照：BSX840liujinghan@orientsec.com.cn021-63326320 研究结论 ⚫文献信息：本次分享的论文由资深量化研究员Peter L. Shi撰写，于2026年发表于《The Journal of Financial Data Science（JFDS）》冬季刊，题为《EstimatingIntraday Cumulative Delta Using End-of-Day Trading Data》。论文提出了一种仅利用日频OHLCV数据（开盘价、最高价、最低价、收盘价及成交量）重建日内累计Delta的方法，实现了在缺乏Tick数据条件下对订单流信息的近似恢复。 高 频 订 单 失 衡 波 动 如 何 影 响 市 场 流 动性？：——量化研究参考系列之六2026-05-23Kronos：基于K线预训练的金融基础模型：——量化研究参考系列之五2026-05-18金融风洞：用相似历史行情合成个股收益序列：——量化研究参考系列之四2026-05-12高维环境下的最优因子择时：——量化研究参考系列之三2026-04-21SSPT：股票时序定制化预训练选股框架：——量化研究参考系列之二一2026-04-13QuantaAlpha:用大模型做量化因子挖掘：——量化研究参考系列之一2026-04-07 ⚫推荐理由：累计Delta是衡量主动买卖力量变化的重要订单流指标，但传统计算高度依赖逐笔成交数据。论文创新性地利用OHLCV数据重建日内价格路径与成交量分布，在无需高频数据支持的情况下估计累计Delta，大幅降低了订单流研究的数据门槛，为传统量价因子向市场微观结构因子扩展提供了新的研究思路。 ⚫核心框架：论文构建了“价格路径重建→成交量分配→订单流估计→累计Delta计算”的完整框架。1）高低点顺序判定：利用开盘价与价格区间几何中心关系，推断日内价格更可能遵循“O-H-L-C”或“O-L-H-C”路径；2）成交量分配：借鉴平方根冲击规律，根据价格波动幅度对总成交量进行拆分；3）订单流恢复：估计主动买入量与主动卖出量贡献；4）累计Delta构建：实现仅依赖OHLCV数据恢复订单流信息。 ⚫亮点分析：相比传统OBV指标与Tick级订单流研究，论文具有三方面创新价值：1）从价格结果分析扩展至价格形成过程分析；2）从收盘涨跌判断资金流向升级为买卖力量估计；3）在保留部分订单流信息的同时，大幅降低数据获取与计算成本；4）为缺乏高频数据支持的市场提供了可落地的订单流因子构建方案。 ⚫实证结果：论文选取Broadcom（AVGO）与Intel（INTC）两只股票进行案例分析。结果显示，在AVGO顶部区域，重建后的Delta_MVA50指标较OBV更早发出转弱信号，随后股价出现接近40%的回调；在INTC底部区域，Delta_MVA50率先回升，提前反映市场买卖力量改善迹象。两个案例共同表明，重建累计Delta在趋势拐点识别和资金行为刻画方面优于传统OBV指标。 ⚫优化方向：结合A股市场与团队高频因子研究实践，提出以下优化方向：1）从个股案例扩展至全市场因子检验，利用IC、RankIC及分层回测验证其Alpha价值；2）引入机器学习优化价格路径重建过程，利用Level-2数据学习真实价格演化规律，提高订单流恢复精度。 风险提示 1.本模型通过历史行情数据搭建而成，若市场风格、资金流向与交易逻辑发生转变，指标有效性可能下降甚至失效，建议日常持续跟踪模型运行状态。 2.市场大幅震荡、个股突发利好利空等极端场景，会破坏原有测算规则，导致指标信号失真，据此操作容易产生投资亏损。3.该指标依靠日频行情数据近似还原订单流，本身存在估算偏差，面对震荡、宽幅波动等复杂行情时，误差会进一步放大。4.原研究标的为美股，而A股交易制度、投资者结构存在明显差异，将模型直接套用在A股各类个股上，会出现适配性不足、效果不及预期的情况。 目录 1、文献信息：JFDS发表，提出日频数据重建订单流新方法........................4 2、推荐理由：无需Tick数据即可估计累计Delta..........................................4 3、核心框架：OHLCV重建日内价格路径与订单流.......................................5 3.1日内价格路径重建........................................................................................................53.2高低点顺序判定............................................................................................................53.3成交量分配机制............................................................................................................63.4累计Delta计算............................................................................................................6 4、亮点分析：从传统OBV到订单流重建.....................................................7 4.1与OBV的区别.............................................................................................................74.2与Tick级Delta的联系................................................................................................84.3数据获取成本优势........................................................................................................84.4 A股应用价值................................................................................................................9 5、实证结果：AVGO与INTC案例分析........................................................9 5.1 Broadcom（AVGO）案例：提前识别顶部风险............................................................95.2 Intel（INTC）案例：提前发现底部资金改善..............................................................105.3与OBV指标对比分析................................................................................................11 6、优化方向...............................................................................................12 6.1从单股票案例扩展至全市场因子检验..........................................................................126.2引入机器学习优化价格路径重建.................................................................................12 7、风险提示...............................................................................................13 图表目录 图1基于OHLCV数据的日内价格路径重建示意图.......................................................................6图2AVGO股价、OBV与Delta_MVA50指标对比....................................................................10图3INTC股价、OBV与Delta_MVA50指标对比......................................................................11 量化投资行业前沿理论与技术迭代提速，海外顶尖量化研究成果中蕴藏着诸多可借鉴的新思路、新框架，为A股量化因子挖掘与策略研发提供重要参考。为此，我们推出量化研究参考系列报告，聚焦海外顶刊、预印本平台发布的量化领域前沿文献，通过深度拆解核心逻辑、实证结果与创新价值，结合A股市场特性及本土投研实践开展适配性分析，提炼可落地的优化方向与应用思 路 ， 为 投 资 者 提 供 专 业 、 前 沿 的 研 究 参 考 。本 期 报 告 重 点 解 析 发 表 于 《The Journal ofFinancial Data Science》 的 论 文 《Estimating Intraday Cumulative Delta Using End-of-DayTrading Data》。该研究提出了一种仅利用日频OHLCV数据（开盘价、最高价、最低价、收盘价与成交量）估计日内累计Delta（Cumulative Delta）的方法，在无需逐笔成交数据的情况下重建订单流信息，为低频数据环境下的订单流因子构建提供了新的研究思路，也为传统量价因子向微观结构因子扩展提供了重要参考。 1、文献信息：JFDS发表，提出日频数据重建订单流新方法 本次分享的论文由资深量化研究员Peter L. Shi撰写，于2026年发表于量化金融领域知名期 刊 《The Journal of Financial Data Science（JFDS） 》 ， 论 文 题 目 为 《EstimatingIntraday Cumulative Delta Using End-of-Day Trading Data》。论文提出了一种创新性的估计框架，仅利用日频OHLCV数据（开盘价、最高价、最低价、收盘价及成交量）近似刻画市场订单流行为。 2、推荐理由：无需Tick数据即可估计累计Delta 累计Delta（CumulativeDelta）是市场微观结构研究中最重要的订单流指标之一，其通过统计主动买卖成交量差异来衡量市场真实买卖力量，广泛应用于趋势识别、资金流向分析及量化因子构建。然而，传统累计Delta的计算高度依赖逐笔成交（Tick）数据及成交方向判定算法，不仅数据获取成本较高，而且在历史数据回溯、跨市场研究及普通投资者应用场景中存在较