你正在按过去几分钟的买卖节奏报价，屏幕上的订单却悄悄“换了挡”。主动买入不再像此前那样持续，卖出开始密集出现。问题是：系统能否当场意识到旧规律已经失效，而不是等收盘后复盘才发现？Ramzi Jebali 的报告《Regimes in the Order Flow》研究的正是这种在线识别，并尝试让模型理解一段市场状态通常会持续多久。
这份报告于 2026 年 9 月 7 日提交至 arXiv，属于单作者实习研究报告，目前材料未显示其经过同行评审。其数据来自 LOBSTER，访问权限限于订阅机构。下文的效果判断均来自报告自身，尚无独立复现。
先别把它叫作价格拐点
报告观察的是 signed order flow——有符号订单流。简单说，它给主动买入和主动卖出赋予相反符号，用一串正负值表示净买卖压力。研究要找的是 structural break，即结构断点：生成这串数据的规律突然改变，例如买卖方向的持续性或波动状态发生变化。
这和投资者常说的“变盘”并不是一回事。订单流换挡，不必然意味着价格马上反转；检测到断点，也不等于得到可直接交易的买卖信号。它更像一只盘中警报器：提醒执行、做市或风控系统，继续沿用旧估计可能已经不合适。
报告的起点是 Bayesian Online Changepoint Detection，简称 BOCPD。它不会在每一步武断地宣布“变了”或“没变”，而是持续计算两类概率：当前状态已经维持了多久，以及刚刚发生变点的可能性。这里的“已经维持多久”叫 run length，可以理解为当前状态的年龄。
这种概率输出适合在线系统。系统可以根据不确定性逐步调整执行节奏、报价宽度或风险限额，而不必等到一个绝对确定的结论。
老模型的问题，是假定市场没有“年龄感”
标准 BOCPD 使用恒定 hazard rate——无论当前状态刚开始，还是已经持续很久，它都假设下一步结束的先验概率相同。这会迫使状态持续时间服从几何分布。
直观地说，模型认为一段行情没有年龄感。一个刚出现两笔订单的状态，与一个已经延续数百笔订单的状态，在“下一笔是否终止”这件事上采用同一套先验概率。
报告指出，这带来一个难以靠调参消除的取舍：若把模型调得敏感，它更容易捕捉短状态，却会把长期稳定区间切得过碎；若调得保守，它能保住长区间，却可能漏掉短促变化。恒定 hazard rate 只能在两者之间折中。
Jebali 因而实现了 Agudelo-España 等人在 2020 年提出的 duration-aware 扩展。核心改动很克制：保留 BOCPD 的预测模型、充分统计量和递推结构，只把恒定 hazard rate 换成随状态年龄变化的 hazard 向量。
这个 hazard 回答的是：已知当前状态存活到了年龄 ，它在下一步结束的条件概率是多少？报告从 Hidden semi-Markov Model（HSMM，显式规定每个隐藏状态持续时间的模型）出发，把原本需要同时追踪“状态年龄”和“总持续时间”的推断，约化为在线可处理的形式。
让持续时间自己说话
报告在 NASDAQ 上市股票的订单流上校准了 Pareto 和 log-normal 两类持续时间分布。两者都能表达持续时间并不整齐划一，其中 log-normal 允许大量较短区间与少量很长区间并存。
按照报告给出的结果，考虑持续时间的过滤器优于恒定 hazard 的基线；log-normal 设定又持续优于几何分布和 Pareto 设定。这一排序在不同资产、月份和校准指标下保持一致。作者认为，这与订单流缺少单一特征时间尺度相符：市场状态并不像按固定节拍轮换。
报告没有只用“断点有没有踩中”来评分。它采用三类互补指标：Covering Metric 衡量模型切出的区间与参照分段重合得多好；均方误差衡量下一步点预测；累计预测对数似然则检查模型给实际观测分配了多大概率，因而同时考虑预测中心和不确定性。
多看一维，反而更差
报告还测试了 BOCPDMS——一种把候选模型集合、Bayesian vector autoregression（贝叶斯向量自回归，用多条序列的历史共同预测下一步）和在线超参数学习结合起来的框架。作者也验证了，其共轭推断可以扩展到任意已知的对称正定噪声矩阵。
看起来，多变量模型掌握的信息更多，应该更占优势。但报告在双变量订单流上的结果相反：无论怎样设定噪声，多变量过滤器都不如两个彼此独立的单变量过滤器。作者把失败归因于短状态与厚尾扰动的共同作用——极端观测出现得比常见轻尾模型预期更频繁；模型本想借助在线学习提高适应性，结果这种灵活性成了负担。
这个负结果很重要。订单流之间存在联系，并不代表把它们塞进同一个更复杂的模型就一定更好。在线环境给模型留下的学习样本可能很短，复杂度也会增加估计的不稳定性。
为什么值得关注
这项工作的价值，不是证明系统已经能够“实时抓住变盘”，而是把一个容易忽略的假设摆到了台面上：检测器如何理解状态的持续时间，会直接改变它如何判断新数据。
若系统把每一时刻都视为同样危险，它只能在过度报警和反应迟钝之间选择。显式建模持续时间，则允许风险判断随状态年龄变化。对执行、做市和盘中风控而言，这比单纯增加模型复杂度更贴近实际问题。
局限与未知
- 报告未在所给材料中披露样本股票数量、具体数据区间、检测延迟、误报率、统计显著性或关键指标数值，因此不能据此断言方法已经达到准确、稳定的实时识别。
- “优于”结论来自同一份 arXiv 预印本及其受限数据，尚缺独立复现；外部研究者也无法直接取得相同数据核验。
- 论文识别的是订单流结构变化，不是价格方向反转。它能否转化为扣除交易成本后仍有价值的执行或交易信号，材料没有回答。