成交之前，先理解你在队列中的位置

一张限价单的生命，不止是价格

下单决策、请求发送、交易所确认、进入队列、部分成交、撤单请求与撤单确认，是不同的事件。回测如果把它们折叠为同一个时刻，就可能忽略关键执行成本。

本文给出一个事件回放的设计方法。具体撮合优先级应以目标交易所与合约的规则为准，不能默认所有市场都使用相同机制。

先说明你拥有什么数据

逐笔委托数据与聚合档位快照支持的判断精度不同。如果无法恢复真实队列位置，就应在结果中明确使用了估计。尤其不能把所有档位减少都算作自己前面的撤单。

并排运行三种成交假设

• 乐观情形：使用较有利的队列消耗假设，作为敏感性比较。
• 基准情形：依据可观测数据和样本校准队列变化。
• 保守情形：不给不可识别撤单带来优先级改善，并加入延迟压力。

如果一个模型只在乐观情形下成立，下一步研究的重点应是补齐执行证据。平均收益之外，还应比较三种情形的成交数量、持仓时间与成交后价格变化。

撤单也有未决状态

撤单请求发出，并不表示订单立即失效。设计回放时应保留“待撤”状态，并允许在确认前发生成交；随后根据回报调整库存，防止重复计入或遗漏。

新增研究推进 · 把撤单/新增消息比拆成三种量

Yueshen 的队列不确定性模型把“新增后很快撤单”作为可检验的深度过冲机制，并区分撤单/新增的笔数比与平均尺寸比。这两个量不能用一个“撤单量占比”替代；模型是同价位、静态一跳和特定修正时点下的机制预测，不是对所有市场消息的普适解释。

对一个预先登记的同价位、同方向消息簇，令 A、C 为新增与撤单笔数，V+、V- 为对应数量（均只计入定义好的窗口和可链接消息），可同时报告：

其中 r_qbar 是“每笔撤单平均尺寸 ÷ 每笔新增平均尺寸”，不是总撤单量与总新增量；三者的乘法恒等式是账本检查，不是额外的经验结论。分母为零、跨窗口无法链接或消息数量不完整时，保留为缺失并报告原因，不能填零。

在 Yueshen 的同质大市场近似中，设初始新增深度为 yhat、修正后的盈亏平衡深度为 y、队列中使阈值被跨越的订单序号为 k、新增笔数为 n，并令 alpha = yhat / y - 1。其有限样本关系可写为：

当同质市场规模趋于大时，r_N -> alpha/(1+alpha)、r_qbar -> 1；存在快慢做市者时，模型预测 r_qbar < 1，且随快流动性提供者占比 psi_F 增加而上升。这里的 k、yhat 与 y 在真实聚合盘口中通常不可直接观测，所以这些式子用于规定可失败的映射和边界，不得当作已校准参数。原始机制与边界见 Yueshen · Queuing Uncertainty of Limit Orders。

将机制变成可证伪的消息事件研究

1. 定义簇与窗口：按价格、方向和短时间阈值预先聚合同一层的新增消息；在交易所接受时间或可验证的回报时间上定义 t0，在固定的 H 内跟踪撤单、成交和改价。能用订单 ID 链接时逐笔核对；只有聚合盘口时，另设“无法链接”类别，不把所有深度减少归为撤单。
2. 并列三个结果：对每个簇记录 r_N、r_qbar、r_V，同时给出按簇分布与按总暴露加权的结果。簇内若先发生部分成交，再发生撤单，应按事件顺序拆分剩余量，避免把已成交数量重复当作撤单。
3. 检验方向而非套结论：在相同价差、初始深度、波动、OFI、时段、场所、订单年龄和可观测延迟分层后，预先登记“更不利的成交后价格变化是否伴随更低的 r_N”以及“可观测的快延迟占比是否伴随更高的 r_qbar”。前者对应模型中更严重逆向选择压低撤单/新增笔数比的方向，后者只在有可靠延迟或参与者标签时才可检验；没有这些数据时只能报告不可识别。
4. 反事实与不确定度：使用时间分块或按事件簇聚类的区间，加入伪簇/非重叠窗口作为负控；同时报告盘口缺包、无法链接和跨时段样本比例。若关系在随机伪簇中同样存在，先解释选择和时段混杂，不得称为队列机制证据。

研究推进 · 先验证模拟器，再评价策略

以下是本站新增的实验设计，不是已完成的本地实证。原文要求并排比较队列假设，但仍缺少一个前置问题：模拟器是否把未来信息带进过去，或者用自己生成的成交证明自己正确？需要把观察到的市场事件、模型推断的队列状态、模拟成交与真实订单回报分别保存。聚合盘口匹配只能检验盘口层，不能单独证明真实队列位置和成交概率准确。

第一道门：历史前缀不变性

冻结代码、参数、训练结果、随机种子和同时间戳事件顺序。选择截止事件序号 k，构造两条在 k 及以前完全相同、之后不同的数据流。逐一比较两次运行在 k 及以前的特征、动作、队列估计、成交回报和库存，它们应完全相同；数值计算若使用容差，应预先声明。用于评价的未来 Markout 标签不参加这项比较，因为标签本来依赖未来。

这里的等式是因果回放应满足的必要条件，不是充分的真实性证明。只有交易所时间相同而接收顺序不同的事件，不算同一信息前缀。离线标准化、全日统计量、整段插值和预先读取后续快照都可能破坏该条件。测试时既运行截断数据，也替换后缀并维持共同前缀的随机数；禁止借文件总长度改变初始状态。若失败，先定位第一处差异，不再解释策略收益。

第二道门：最小事件样例与账本约束

• 构造前方排队、主动成交、无法定位的撤单、部分成交、档位离开可见深度、待撤成交、确认后失效等最小序列，手算预期状态转换。
• 任何订单的累计成交不得超过有效订单量；撤单确认前仍按有效订单处理，确认之后不得产生新的交易所成交事件。迟到回报应按原成交时刻对账，不能误删。
• 同一份市场成交量不能既完整消耗前方队列，又再次完整分配给自己的订单。多张自有订单共享队列时，也不能各自独占全部可用成交量。
• 固定种子回归用于发现代码变更，不能替代无前视测试和真实订单校准；通过次数、失败次数和跳过次数应分开报告。

第三道门：检验策略排序是否依赖队列假设

预先冻结一个与数据和撮合规则相容的模型集合 Θ，再把候选策略 A 与基线 B 放在相同样本外时段、费用和风险约束下比较。每个队列模型 θ 都要重新运行完整策略，不能只替换成交标签而保留原库存和后续动作。

J 必须是统一成本口径的策略评价量，并与库存路径和退出规则相容。这是所选模型集合上的敏感性区间，不是置信区间，也不是包含真实收益的数学保证。若该区间跨零，说明候选优劣依赖未识别的队列假设；若全为正，也只能说明在所选集合内排序稳定。还需分别报告时间分块或聚类的不确定度，不能把模型差异与抽样误差混为一谈。

并列输出任意成交概率、成交数量、成交条件 Markout、库存尾部和净财富变化。队列变化会改变被选入成交样本的订单，也会改变后续库存与报价，所以“更保守的成交假设”并不必然产生更低收益，不能把少成交自动当作收益下界。相关会计边界见成交率与库存财富研究。