想象你在交付前一小时发现风电出力偏了，需要赶紧补齐电力头寸。此时只知道“接下来大概是每兆瓦时多少钱”还不够：你还想知道买方愿意出到什么价、卖方可能要什么价，价格会怎样一路变化，以及极端波动有多大。OrderFusion+试图回答的正是这组问题。它把连续订单簿——按价格和时间排列、随成交实时变化的买卖订单——转成买卖两侧的概率价格轨迹，而不是只报一个价格点。
这件事在日内电力市场尤其重要。市场参与者会在实际交付前修正此前安排，以应对负荷和可再生能源预测变化。电力难以大规模储存，临近交付的供需偏差可能带来较高成本。论文由 Runyao Yu 和 Derek W. Bunn 撰写；以下效果数字与结论均来自这篇论文及其德国市场实验。
一个均价，会丢掉什么？
此前的 OrderFusion 已经开始直接读取订单簿，并用“交叉注意力”连接买卖两侧。交叉注意力可以理解为：模型在看买方报价时，会同时检查卖方价格和成交量；看卖方时，也反过来参考买方。
但旧模型一次只处理一个交付产品，而且最终预测的是单个聚合价格指数。论文讨论的相关指数，本质上是特定交易窗口内的成交量加权平均价，也就是成交量越大的交易，对均价影响越大。
问题在于，平均数会压平过程。两段交易最后可能得到同一个均价，但一段价格平稳，另一段可能先急涨、再回落。对真正要决定何时下单、向哪一侧成交的人来说，两者并不相同。买方愿付价和卖方愿售价也由不同订单流推动，未必同步。
OrderFusion+因此改预测“轨迹”：它把临近交付的交易按15分钟区间计算价格，并将买侧与卖侧分开。输出也不是唯一答案，而是多个分位数构成的概率预测。所谓分位数，可以理解为给价格画出一组不同风险水平的边界。交易者看到的不只是最可能的走势，也能估计偏高或偏低情形。
邻近时段也会说话
新模型的另一个变化，是同时读取目标交付产品及其相邻产品的历史订单。连续日内市场里，不同交付时间的产品会并行交易。比如交易者可以在同一时刻为18时、19时和20时交付的电力分别挂单。较远产品中的订单，可能已经表达了参与者对随后供需状况的判断。
但相邻产品并非始终有用，旧数据也不一定一直值得保留。OrderFusion+为此加入“动态掩码”：模型从一组候选信息窗口中，选择本次预测要保留多长历史、纳入多少相邻产品；买侧和卖侧可以作出不同选择。它有点像交易员根据盘面切换观察范围：市场变化快时紧盯最近成交，信息较分散时再把时间和相邻产品范围拉宽。
模型先用订单信息形成初步表示，再为不同掩码分配概率；训练时按概率抽取，确定性预测时选择概率最高的一种。掩码只改变模型能看到的信息，不增加交叉注意力部分的参数。随后，模型把筛选后的买卖信息与交付时刻、星期、月份和节假日等日历特征结合，分别生成两侧的概率轨迹。
它比“一切照旧”好多少？
研究使用商业德国订单簿数据，预测15分钟交付产品。训练、验证和测试按时间滚动，共设三个数据折；测试覆盖2024年。模型分别从交付前180、120和60分钟开始预测，对应180、120和60分钟长的未来轨迹。
比较对象包括四类“持续性”基线——假设近期价格或前一天轨迹会延续；也包括线性分位数回归、MLP、LSTM和Transformer，以及 TimesFM 3.0、Chronos 2.0、TabPFN-TS、Moirai 2.0 四个预训练时间序列基础模型。基础模型是在大量其他时间序列上预训练、希望无需针对新领域重新训练也能工作的通用模型。
核心概率指标是平均分位数损失 AQL，数值越低，表示不同分位数上的预测整体越准。OrderFusion+的 AQL 为10.62，低于表现最好的持续性基线12.07、Transformer的11.72和最佳基础模型 TabPFN-TS 的12.05。相较 OrderFusion+，LSTM和Transformer的 AQL 约高9.4%。论文还报告，OrderFusion+在三个预测起点上都取得最低 AQL；单侧 Diebold–Mariano 检验显示，它相对每个基线的改善均达到统计显著。
点预测上，OrderFusion+的平均绝对误差 MAE 为28.04，均方根误差 RMSE 为101.76，也都是表中最低。它的分位数交叉率为0%，即模型给出的高分位预测没有反常地落到低分位之下。不过，它的分位数覆盖误差 AQCE 为2.29%，仍逊于几种持续性基线；优势并非覆盖所有指标。
通用大模型没有自动赢
这组结果也给时间序列基础模型泼了一点冷水。四个基础模型中，TabPFN-TS最好，但它在 AQL 上没有显著击败使用最近30分钟成交量加权均价的简单基线，而且覆盖误差达到8.62%。论文据此认为，通用预训练模型目前仍不足以替代面向日内订单簿设计的专用模型。
不过，这不等于基础模型毫无价值。TabPFN-TS的 MAE 为28.63，接近 OrderFusion+的28.04。论文提出，如果订单簿训练数据少到不足以训练专用模型，它可以作为零样本替代方案——也就是不在该市场数据上重新训练，直接进行预测。
真正有意思的是观察范围会变
动态掩码给出的结果比“用了更多数据”更细。综合三个预测起点，模型在63%的样本中最常选择30分钟历史窗口；47%的样本不选择任何相邻产品。这与“最近30分钟均价”基线表现强劲相呼应：更多历史和更多邻近产品并不天然更好。
随着预测起点从交付前180分钟移到60分钟，买卖两侧最常选择的历史窗口从30分钟缩短到15分钟。论文将其解释为：越靠近交付，有用信息越集中在最新成交。买卖两侧选择的掩码也不对称，说明两边可能需要不同观察范围。
但作者提醒，不应把某一次训练得到的掩码分布直接当作固定的市场规律。交叉注意力会让一侧选中的信息传到另一侧，不同掩码组合也可能产生相近预测。这更适合被视为模型提供的一种市场观察视角，而不是对市场效率的最终定论。
为什么值得关注
OrderFusion+连接了三个过去容易分开的环节：深度学习负责处理复杂关系，订单簿保留真实买卖结构，概率轨迹则更接近交易执行和灵活资源调度需要的信息。它的价值不只是把误差再压低一点，而是把问题从“最后均价是多少”改成“买卖两侧接下来可能怎样走，风险范围多大”。
论文称模型为开源项目，并给出实现与预测页面：https://runyao-yu.com/OrderFusion/。这为后续复核和开发交易策略提供了入口，但是否能完整复现仍需另行核验。
局限与未知
- 实验只覆盖德国市场。模型能否适用于其他交易规则、流动性结构和地区，尚未验证。
- 动态掩码的候选集合来自经验设计。作者认为，更细的候选网格可能继续改善预测。
- 模型没有纳入额外天气信息。订单价格是否已经充分吸收天气预报变化，论文仍未给出答案。