想象你盯着逐笔成交：连续几笔主动买入后，下一笔价格更可能上涨吗？答案不只取决于买了多少，还可能取决于上一笔有没有推动价格。传统公式容易检查，却常把这种“视情况而变”的关系拉成直线；神经网络能画出弯曲的关系，却很难说明自己为何这样判断。
Manuel Naviglio 与 Fabrizio Lillo 的研究换了一个用法：先让深度神经网络寻找价格与成交之间的非线性规律，再借助解释工具拆开黑箱，最后把主要规律写回一个简洁的参数模型。它处理的是市场微观结构——订单、报价和交易规则如何共同形成价格与流动性——里的一个实际难题：预测能力和可解释性，能否不再二选一。
先让黑箱当勘探工具
研究使用 LOBSTER 的 NASDAQ 数据，覆盖 2024 年 6 月的 10 只股票。其中 BAC、INTC、CSCO、CMCSA、PFE 属于大 tick 股票，AMZN、AAPL、GILD、TSLA、NVDA 属于小 tick 股票。tick 是市场允许的最小报价单位；所谓大 tick，指买卖价差大部分时间接近一个 tick。
作者只保留可见限价单的成交事件，以成交前的订单簿中间价计算收益率，并把同一时间戳、同方向的订单合并。开盘和收盘各 30 分钟被剔除，极端观测也经过分位数过滤。样本前 50% 用于训练，后 50% 用于样本外测试。
模型的输入是过去若干笔交易的收益率与带符号成交量。带符号成交量把主动买入记为正、主动卖出记为负，因而同时表达交易方向和数量。对照组是 VAR——向量自回归模型，即用多个变量过去的数值，线性解释它们之后的变化。实验组是一套三层全连接前馈神经网络，用均方误差训练，同时预测下一期收益率和带符号成交量。
样本外表现用 衡量，也就是模型能解释多少实际波动。论文报告，神经网络对收益率的改善较普遍。例如 TSLA 的 从 VAR 的 0.0433 升至 0.0906，NVDA 从 0.0166 升至 0.0454，AAPL 从 0.0643 升至 0.0951。不过结果并非处处占优：GILD 的收益率预测从 0.0499 降至 0.0429；BAC 的成交量预测也从 0.0299 降至 0.0215。对成交量而言，神经网络在五只小 tick 股票上都优于 VAR，在大 tick 股票上则更混合。
黑箱里最重要的是哪几笔
接下来是关键一步。作者使用基于 Shapley value 的 SHAP，把一次预测拆成“基准值＋各输入变量的贡献”。可以把它理解为分账：模型给出一个结果后，SHAP 尝试估算过去每一笔收益率、每一笔成交量各自贡献了多少。
分析显示，主要贡献集中在最近的滞后项，也就是离当前最近的几笔历史交易。作者还把模型隐含的响应曲面与数据中直接计算的条件均值进行比较，两者在形态上接近。这至少说明，网络展示的结构能在原始数据的平均关系里找到对应，而不只是解释算法画出的图。
SHAP 比条件均值多做了一件事。条件均值只能告诉我们：在某种收益率和成交量组合下，之后平均发生什么。SHAP 分解则试图把总体关系拆开，分别观察滞后收益率、滞后成交量和更早历史对预测的贡献。不过，这仍是模型内部的归因，不是经济因果证明。
它找到的不是一条直线
网络学到的第一个主要形状来自滞后的带符号成交量：方向会保留，但作用逐渐饱和。换句话说，过去的净买入越强，模型给出的相关预测贡献通常越偏正；可成交量继续增加时，边际作用不会一直按比例扩大。作者认为，这种形态与非线性价格冲击和订单流持续性相符。
第二个形状更像一个状态开关。滞后收益率并非只提供固定方向的线性影响，而是在改变订单流信号的强弱。若上一笔交易没有带来价格变化，模型倾向预测价格继续沿过去订单流方向移动；若上一笔已经产生非零收益率，这种延续效应会减弱，甚至反转。
这里的重点不是“神经网络发现了一个神秘指标”，而是它把一个条件句显露出来：同样的买卖压力，在价格刚刚没动和刚刚动过时，含义可能不同。线性 VAR 很难用一组固定系数简洁表达这种状态依赖。
从解释图走回公式
作者据此提出一个 SHAP-inspired nonlinear parametric model，即受 SHAP 结果启发的非线性参数模型。模型蒸馏在这里不是把大模型缩成小模型，而是让复杂网络先勘探，再用少量可估计、可检查的函数关系复刻它：一部分描述成交量影响如何饱和，另一部分根据过去订单流方向和滞后收益率大小修正预测。
据论文报告，这个简约模型复现了主要的收益率—成交量依赖关系，预测优于线性 VAR，并达到与神经网络相近的水平。进一步加入多个滞后项后，它还能吸收剩余的较长记忆，同时保留变量作用可以逐项检查的结构。
这正是工作值得关注之处。解释工具通常停在“模型看了什么”；这篇研究再向前走一步，用解释结果反过来设计模型。如果这种路线能在更多数据上站稳，神经网络就不只是预测器，也可以成为寻找候选公式的工具。交易员和研究者最终拿到的，不必是一张无法审计的黑箱，而可以是一组能检验、能比较、也能质疑的关系。
局限与未知
- 全部效果论断来自同一篇论文，尚无独立复现。论文目前公开为 arXiv:2609.06085 v1，不能等同于已经同行评审。
- 数据只覆盖 2024 年 6 月、10 只 NASDAQ 股票。结果能否跨月份、跨市场和跨交易制度保持，材料没有给出证据。
- SHAP 描述的是模型如何分配预测贡献，不证明订单流或收益率具有因果作用；“性能相近”和“保留可解释性”也缺少统一的量化门槛。