高频交易监管规则下的日内尾部风险动态：基于逐笔数据的证据

《Finance Research Letters》：Intraday tail risk dynamics under high-frequency trading regulatory rules: Evidence from tick-by-tick data

　　

摘要
高频交易监管规则通过在订单提交、取消和交易活动方面施加约束，在微观结构层面发挥作用。在这些限制下，日内尾部风险的变化已不容忽视。本研究构建了一个估算框架，结合了自回归条件持续时间模型和超阈值法，以捕捉尾部行为。在该框架内，量化了不规则间隔日内风险价值（ISIVaR）和不规则间隔风险时间（ISTaR）。实证分析测试了日内尾部风险在其分布结构和动态模式方面的变化。结果表明，ISTaR 呈上升趋势，特别是在极端分位数和接近市场收盘时，而 ISIVaR 则趋于下降。这反映了日内尾部风险在流动性和收益维度上的不对称变化。这种日内尾部风险框架可扩展到其他背景，实证发现对投资决策具有实际意义。

引言
高频交易（HFT）越来越引起金融监管机构的关注（Haferkorn, 2017），美国、欧盟和德国等国家已经实施算法交易监管，以确保市场公平和稳定（Martins Pereira, 2020）。这些监管规则主要侧重于对订单和交易活动施加约束，包括订单提交、取消频率和算法控制。随着监管约束改变日内交易行为，在交易层面评估日内尾部风险变得紧迫。现有研究主要集中在高频交易活动及其对市场质量的影响（Brogaard et al., 2018, Aquilina et al., 2022, Jang and Najmiddinov, 2025），而在高频交易（HFT）监管下尾部风险的日内动态仍然不清楚。一方面，这些监管规则可以通过施加市场准入限制和减缓高频交易来减少前置交易和缓解逆向选择（Yang and Zhu, 2020, Liu and Xu, 2025），从而抑制异常价格跳跃并降低日内尾部风险。另一方面，订单提交、取消和报价更新的成本增加降低了取消频率（Griffith and Van Ness, 2020），缩小了订单簿深度（Friederich and Payne, 2015），并可能提高尾部风险。深入了解算法交易监管规则下的日内尾部风险对投资者和监管机构至关重要，因为它可能引发市场动荡。因此，本文利用逐笔数据提供了关于算法交易监管规则实施前后日内尾部风险演变的最新见解。

中国是一个主要的全球新兴市场，交易活跃且监管迅速演变（Titman et al., 2022）。新的算法交易规则于 2025 年 4 月 3 日发布，并于 2025 年 7 月 7 日生效。该规则针对订单层面的高频交易，重点关注提交和取消率等指标。如果一个账户每秒提交或取消的订单超过 300 个，或者其每日总订单超过 20,000 个，则该账户被视为从事高频交易。高频交易的速度将受到限制。此外，新规则还对异常订单提交率和频繁即时取消等行为建立了监控、限制和分层费用。通过对订单活动施加刚性约束，算法交易监管规则可能会改变订单层面的日内尾部风险动态。

本研究主要有两个贡献。第一，它提供了关于算法交易监管规则实施后日内尾部风险即时变化的新见解。算法监管规则在订单层面实施（O'Hara, 2015）。如果分析依赖于低频数据，如每周或每月的观测，可能无法捕捉监管的快速传导和即时变化（Kirilenko et al., 2017）。具体而言，第一步是预处理数据，因为逐笔数据包含大量的微观结构噪声（A?t-Sahalia et al., 2012）。此外，考虑到逐笔数据的时间不规则性，我们采用自回归条件持续时间（ACD）模型来捕捉持续时间中的时间依赖性和聚类。在日内尾部风险方面，我们采用极值理论中的超阈值（POT）框架，使用广义帕累托分布（GPD）来衡量不规则间隔日内风险价值（ISIVaR）（Dionne et al., 2009），捕捉逐笔层面的收益日内尾部风险。

第二，我们也从持续时间维度评估了日内尾部风险。对于高频投资者来说，交易执行过程中的等待时间至关重要。流动性是通过毫秒级时间尺度上的订单放置和取消产生和撤回的（Lo et al., 2002）。一旦出现等待时间，与订单相关的最佳报价和市场深度可能已被撤回或消耗（Hasbrouck and Saar, 2013），导致订单的排队位置向后移动（Garriott et al., 2025）。因此，等待时间本质上代表了流动性风险的暴露期，应纳入风险测量（Bessembinder et al., 2009）。除了使用 ISIVaR 来衡量收益方面的日内尾部风险外，本文还采用不规则间隔风险时间（ISTaR）来捕捉持续时间方面的日内尾部风险，为投资者和监管机构提供了有价值的见解。

本文的其余部分安排如下。第 2 节介绍了方法论。第 3 节描述了数据和预处理程序。第 4 节展示了实证分析，而第 5 节进行了稳健性检查。最后，第 6 节总结了研究。

章节片段
方法论
在逐笔数据中，交易并非以固定间隔发生。这种交易的不规则时间具有经济意义，不应被忽视。交易持续时间包含有关市场流动性和交易强度的信息。当交易在短时间内快速连续到达时，相同的价格变动可能比交易稀疏时发出更大的市场压力信号。传统的固定间隔聚合（Ligot et al., 2021）和机器学习预测模型（Ke 数据与日内周期性的消除
由于交易员级别的标识符和专有分类不可观测，因此很难识别高频交易行为。因此，我们关注高频交易活跃股票的变更。遵循 Chakrabarty et al. (2021)，我们使用订单交易比（OTR）作为高频交易活动的代理。我们排除了小盘股、特别处理股和上市不足三个月的公司，因为它们的 OTR 可能会机械地

ACD 模型与日内尾部风险
我们在 ReB 和 ReA 期间利用 ACD 模型来刻画持续时间的时序依赖性。2 采用这种两阶段估计方法是为了避免使用全样本的平滑效应。遵循 Engle and Russell (1998)，我们将模型阶数设定为 p=1 和 q=1。如表 3 所示，参数估计通常是显著的。存在明显的

预期效应测试
监管规则于 2025 年 7 月 7 日实施前公告，我们进行稳健性检查以测试潜在的预期效应。样本期涵盖公告前阶段（2025 年 1 月 2 日至 4 月 2 日）、过渡阶段（2025 年 4 月 7 日至 7 月 4 日）和实施后阶段（2025 年 7 月 7 日至 9 月 29 日），监管公告日期（2025 年 4 月 3 日）未纳入分析。鉴于处理逐笔数据的计算强度，我们专注于

结论
本文利用逐笔交易数据研究了算法交易监管规则实施前后中国股市的日内尾部风险。基于交易持续时间构建了自回归条件持续时间模型，并采用超阈值方法衡量规则实施前后不规则间隔的日内尾部风险，包括 ISIVaR 和 ISTaR。该框架灵活，可扩展到其他背景。

CRediT 作者贡献声明
王雷：写作 - 原稿，可视化，验证，资源，形式分析，数据整理，概念化。赵舒然：写作 - 审查与编辑，方法论，调查，监督，项目管理，资金获取。段成刚：写作 - 审查与编辑，验证，可视化，监督。

利益冲突声明
作者声明，他们没有已知的竞争性财务利益或个人关系可能影响本论文报告的工作。

致谢
本研究得到国家自然科学基金（编号：72271224）的支持。

王雷 | 赵舒然 | 段成刚
中国海洋大学经济学院，中国青岛 266100