你在买一杯限量咖啡，前面原本排着二十个人。忽然有十个人离开。你虽然还没买到，店员也没改价格，但“下一杯很快就轮到谁”的判断已经变了。订单簿也类似：一张限价单只是挂在队列里等待成交，却会改变买卖盘的厚薄，进而改变下一笔交易对价格的影响。
这正是 Yadh Hafsi、Fabrizio Lillo 和 Grégoire Szymanski 这篇论文要处理的问题。传统市场冲击模型主要盯着市价单——立即吃掉现有挂单的订单。作者则把队列状态放进传播模型，尝试校准“被动市场冲击”：新增、撤销或排队中的流动性，如何通过改变后续交易的价格敏感度，影响价格与执行成本。
论文使用 CME 的 E-mini S&P 500（ES）期货高频订单簿消息，主样本覆盖 2025 年，并加入 2026 年初若干交易日以完成测试窗口。清理缩短交易时段、FOMC 公告日和交易暂停等情况后，保留 263 个常规交易日，其中 193 个用于测试。以下效果结论均来自论文自身，尚无独立研究交叉验证。
挂着不动，为什么也可能有冲击？
先区分两类订单。市价单追求立即成交，会消耗当前流动性；限价单指定价格等待，通常提供流动性。过去常见的直觉是：市价单会推价，未成交的限价单没有直接冲击。
论文给出的机制更细。限价单在提交时并不直接让价格跳一下，但它会改变最优买价或最优卖价处的排队量。队列越厚，下一张同等大小的市价单越难撼动价格；队列越薄，同一张订单的价格反应可能越大。因此，被动订单的作用不是另一股独立的“买卖力量”，而是改变市场对后续主动订单的敏感度。
作者明确限定了这套机制的范围。模型不直接处理挂单进入买卖价差、或撤单清空最优档位所造成的报价变化。它研究的是报价不变时，队列数量如何影响后续市价单的价格反应。这种近似更适合价差经常只有一个最小变动单位的资产。
先算平均冲击，再看队列偏离
Propagator model，即传播模型，把每笔历史订单的价格影响沿时间展开：冲击可以逐渐衰减，也可以留下长期部分；所有订单的响应叠加起来，形成价格路径。
经典版本通常假定，每张方向相同的市价单具有相同的价格敏感度，不管当时订单簿厚还是薄。新模型把价格拆成两部分：
- 经典传播项：由带方向的订单流不平衡驱动。买入市价单记为正，卖出记为负，模型再考虑每笔交易影响如何随时间传播。
- 状态修正项：根据最优报价处的挂单量，调整同一笔订单的价格敏感度。它反映当前队列相对典型流动性状态的偏离。
论文把第一部分称为 universal propagator term。这里的 “universal” 是模型内部术语，表示它承担共同的基准传播结构，并不意味着已经获得跨市场的普遍验证。
订单流本身用 Hawkes process 描述。Hawkes 过程是一类“事件会招来更多事件”的模型：一笔交易出现后，短期内更容易继续出现同类或相关交易。现实中的订单常成簇到来，因此传播模型不能只看已经发生的一笔，还要估计它可能诱发的后续订单。
限价单和撤单则采用 queue-reactive dynamics，即事件出现的速度会随当前队列大小变化。论文建立在 Ouazzani Chahdi、Rosenbaum 和 Szymanski 的相关模型上，把 Hawkes 驱动的市价单流与这种队列响应机制接到一起。
真正实用的一步，是把大模型变成回归
完整模型很难直接校准。价格同时依赖当前队列、未来成簇到来的订单，以及未来“订单方向乘以队列权重”的变化。若一次性估计，许多部分纠缠在一起。
作者的关键处理是把问题压缩成两个可观测信号。第一个是 propagator signal，即历史主动订单经过时间传播后的合成影响。第二个是 queue-weighted order-flow imbalance，即根据订单到来前的队列状态加权后的买卖流失衡。简单说，模型不再只问“净买单有多少”，还问“这些买单撞上的是厚卖盘还是薄卖盘”。
校准分两步进行。作者先从高频事件数据估计 Hawkes 订单流和挂单、撤单的队列动态，再用价格变化对传播信号和队列加权信号做回归。无法直接观察、也没有一般闭式解的未来预期项，被放进残差或作为控制项处理。这样就避免了直接拟合整个状态依赖的价格函数。
实证部分以加权中间价为主要价格代理。它会结合最优买卖价及两边队列数量，因此本身带有机械性的队列依赖。作者也使用普通中间价做稳健性检查；论文称，队列敏感系数的符号和量级保持一致，因此结果不完全是加权中间价定义制造出来的。不过，材料未给出可完整复述的系数、误差和提升幅度。
它为什么值得交易员关注？
这项工作的价值不只是给价格模型多加一个变量。它改变了被动执行的成本口径。
如果只看成交价，挂单在等待期间似乎“零冲击”。但挂单会改变队列，撤单也会让队列变薄；这些变化又会影响后续市价单的价格反应。因此，比较主动成交与被动挂单时，不能简单把前者视为有冲击、后者视为无冲击。更合理的问题是：这张挂单改变了哪一侧的流动性状态，又让后续订单的价格敏感度变化了多少。
论文报告称，加入被动冲击项后，模型能解释经典传播项之外的价格变化，并改善拟合和冲击曲线预测；队列状态信号也提供了样本外预测信息。作者还把比较扩展到 NQ、RTY、YM 股指期货，以及 ZN、ZB、ZF、TN 美国国债期货。但现有材料没有给出统一的提升百分比或完整评价指标，因此更稳妥的表述是：论文展示了增量信息，而不是已经证明它在所有市场中都能显著降低执行成本。
局限与未知
- 主模型把买卖市价单简化为彼此独立的 Hawkes 过程。作者承认数据存在明显的买卖方向交叉依赖，并未估计完整的双变量 Hawkes 模型。
- 市价单到达率被设为不依赖队列状态，因此反事实实验没有纳入“挂单变化反过来影响主动订单到达”的反馈。
- 论文排除了部分异常和压力交易日，结论不延伸到这些环境；同时，被动冲击在这里是模型中的状态传导机制，不能直接当成真实市场中已经确证的因果关系。