台股期貨訂單流的反直覺特徵：|OFI| 愈高，下一個 5 分鐘波動反而愈低（K1124 實驗報告）

摘要

本文報告實驗 K1124 的核心發現： 在 TAIFEX 台指期貨市場，訂單流失衡（OFI）的絕對值愈高，下一個 5 分鐘的已實現波動率反而愈低。  這與 Cont, Kukanov & Stoikov（2014）在 S&P 期貨市場所記錄的「flow → vol 正向」模式截然相反，顯示台灣期貨微結構存在結構性差異，跨市場文獻不能直接套用。

〔提出：Claude 微結構探索，執行：Claude〕

1. 研究動機

訂單流失衡（Order Flow Imbalance，OFI）是微結構研究中最核心的概念之一。Cont et al.（2014）以 S&P 500 期貨為樣本，證明 OFI 能夠解釋日內報酬的大部分變異；Lee & Mykland（2008）在跳躍偵測框架中亦指出，流量不均衡往往與高波動事件高度相關。

直覺上， 當買方大量湧入（或賣方大量湧出），市場一側壓力急增，短期波動理應上升 。然而，台灣期貨市場的散戶比例遠高於美國機構主導的市場，若散戶的方向性行為在短時間內即告「耗盡」，那麼後續可能反而是相對平靜的均值回歸。

K1124 正是為了直接測試這個假說：TAIFEX TX 的 OFI 能否預測下一個 5 分鐘的波動率？方向又是什麼？

2. 數據與模型設計

 數據 ：TAIFEX TX 期貨 tick data，2017 年至 2021 年，共 73,203 個 5 分鐘 bar（依成交量選當日最活躍合約，處理 roll gap）。

 OFI 定義 ：

$ext{OFI}_t = \frac{ ext{買方主動成交量} - ext{賣方主動成交量}}{ ext{總成交量}}$

$| ext{OFI}_t| \in [0, 1]$

 已實現波動率（RV） ：每個 5-min bar 以 bar 內 tick return 的平方和計算：

$ext{RV}_t = \sum_{i \in t} r_i^2$

 Benchmark 迴歸（M1-M2） ：

$\log ext{RV}_{t+1} = \alpha + \beta_1 \log ext{RV}_t + \varepsilon_{t+1}$

 主要規格（M3-M7） ：逐步加入 $| ext{OFI}_t|$、額外 lag、結算日交互項，並以 Newey-West HAC 標準誤計算 t 統計量：

$\log ext{RV}_{t+1} = \alpha + \beta_1 \log ext{RV}_t + \beta_2 | ext{OFI}_t| + \ldots + \varepsilon_{t+1}$

3. 核心結果：t 統計量橫掃 Harvey (2016) 門檻

下圖展示 M3–M7 各規格中，$| ext{OFI}|$ 係數的 Newey-West t 統計量：

圖：五個模型規格下 |OFI| 係數的 t 統計量。紅色虛線為 Harvey et al.（2016）建議的 t=3.0 篩選門檻。M6（lag-1 strict spec）達到 t=3.50，為最穩健的規格。

 關鍵數字 ：

 所有規格係數均為負值 ，且 M5–M7 穩定超過 Harvey (2016) 的 t=3.0 門檻。

OFI 自身的一階自相關係數 ACF(1)=0.133，顯示其具備有限但合理的短期持續性，不是純雜訊。

4. 反直覺現象：結算日 |OFI| 高但 RV 更低

結算日（每月第三個週三）是另一個值得深究的子樣本：

結算日的 |OFI| 顯著偏高（方向性壓力更大），但已實現波動率反而只有非結算日的 84%。

 解讀 ：法人與主力交易者在結算前已完成方向性 unwind，使得結算日當天的大量 OFI 代表的是「壓力釋放後的均衡」，而非「壓力累積中的混亂」。當主要交易者已離場，散戶接盤能力有限，市場反而趨於安靜。

5. 與美國市場的對比

這個對比有幾個層面的意涵：

1.  學術文獻的可移植性問題 ：Cont et al.（2014）的結論在 S&P 500 經得起嚴格檢驗，但用於台灣期貨時，連方向都相反。跨市場應用微結構文獻前，必須先驗證市場特性是否相符。

2.  散戶 vs. 機構的微結構差異 ：美國市場由機構主導，大型 OFI 往往反映有資訊優勢的「smart money」；台灣市場散戶比例較高，大型 OFI 更多反映散戶從眾，而這種從眾行為在短期內容易自我消耗。

3.  算法交易設計的涵義 ：若要在 TAIFEX 開發波動率感知的日內策略，看到高 |OFI| 訊號時，應 降低 短期波動率預期，而非提高，這與直接套用美國框架的策略邏輯相反。

6. 局限性與說明

 波動率預測改善有限 ：儘管 t 統計量通過了 Harvey（2016）門檻，實務預測能力改善幅度僅約 1.12%（QLIKE 指標，相對於基準 HAR 模型）。未達 triple-threshold（理論顯著 + 統計顯著 + 經濟顯著）的最後一關。這個發現的價值在於揭示市場微結構機制，而非提供直接可操作的波動率預測 edge。

 時域限制 ：本實驗聚焦 5-min horizon。15-min 或 30-min 的累積效應是否不同，尚未驗證。

 樣本期間 ：2017-2021 涵蓋疫情前後，但錯過 2022 年升息衝擊期。後疫情市場微結構是否有所轉變，需要擴充樣本驗證。

 OFI 代理問題 ：本實驗使用 tick-level 主動 vs. 被動成交量定義 OFI，這是標準定義，但不同的 OFI 度量（如 LOB-based OFI）可能給出不同結果。

7. 後續研究方向

K1124 的負向關係提出了一個有趣的研究問題：如果訂單流本身不能正向預測波動，是否代表 不對稱訂單流（買壓 vs. 賣壓分開看） 或 與跳躍偵測結合 能提取不同的資訊？

計劃中的後續實驗：

•  K1125 ：OFI 非對稱效果（買方 OFI vs. 賣方 OFI，是否對波動率有不同影響？）
•  K1126 ：OFI × 跳躍偵測（Lee-Mykland framework），有無條件效果？
•  K1127 ：TX vs. TAIEX 現貨的 OFI 跨市場 lead-lag 關係

8. 參考文獻

• Cont, R., Kukanov, A., & Stoikov, S. (2014). The price impact of order book events. Journal of Financial Econometrics, 12(1), 47–88.
• Harvey, C. R., Liu, Y., & Zhu, H. (2016). ...and the cross-section of expected returns. Review of Financial Studies, 29(1), 5–68.
• Lee, S. S., & Mykland, P. A. (2008). Jumps in financial markets: A new nonparametric test and jump dynamics. Review of Financial Studies, 21(6), 2535–2563.

實驗腳本：experiments/k1124/k1124.py 結果數據：experiments/k1124/k1124_results.json 數據來源：TAIFEX TX 期貨 tick data，2017-2021，N=73,203 個 5-min bars