11

Hans Stoll 1978 年发表的一篇论文里第一次把买卖价差bid-ask spread从「市场摩擦」的黑箱里拆出来²。在他之前的模型里价差被当作交易成本的整体值；Stoll 把它分成三部分，每一部分对应一个可识别的经济学功能——

• 价差不是单一成本。订单处理成本order-processing cost占价差的小头（约 10-20%），是清算、撮合、托管的固定费用。
• 库存持有成本inventory-holding cost是做市商占用资本承担方向性风险的补偿。仓位越大、波动率越高，这部分越贵。
• 逆选择成本adverse-selection cost是做市商被知情交易者抓住占便宜的预期损失。这部分对应 Kyle 1985 的 λ³，是价差里信息含量最高的部分。
• 做市商在两侧报价时同时面对两种对手方：流动性需求方（无害）+ 知情交易者（有害）。价差的逆选择部分就是把后者的预期成本均摊到所有交易上。

公式 11.1 · Stoll 1978 价差三成分S = C_proc + C_inv + C_info C_proc : 订单处理 · 撮合 · 结算 (~10–20% of S) C_inv : 库存持有风险溢价 (~30–50% of S) ∝ σ · |q_inventory| C_info : 逆选择保险费 (~30–60% of S) ∝ Kyle 系数 · σ_θ 经验比例：流动性最深的合约 (ES/SPY) C_proc 占比小，C_info 在事件日 (FOMC/CPI) 接近 60%

这个三成分拆解第一次把价差从「市场费率表」变成「做市商的资产负债表方程」。它直接回答了一个 Wyckoff 实务问题——为什么 SC 当下买卖价差不是最宽，反而是最窄？因为 SC 时点供给已经被消化、流动性需求方占主导，C_info 部分回落到正常水平。

Wyckoff Effort-Result 的价差证据。第三法则要求看到「效力大、结果小」的异常，但仅看成交量是不够的——必须看价差是否同步压缩。机制：(a) 真 SC 价差压缩 30-50%，说明 C_inv 降低（做市商减少恐慌的库存保护费），同时 C_info 也降（知情卖盘已经走完）；(b) 假突破（伪 SC）价差扩张 20-40%，因为 C_info 还在升（做市商怀疑后面还有信息冲击）；(c) 实务推论：在 SC 候选位上，把成交量和价差宽度（high-low / ATR）做二维联合判定，比单看成交量的识别准确率提升约 18 个百分点。这是订单流时代对 effort-result 第三法则的最低代价校准。

Stoll 1978 给出价差的静态分解，Ho 与 Stoll 1981 年加入动态视角：做市商的当前仓位本身会改变他对下一笔报价的不对称偏好。仓位偏多时，bid 会下移、ask 会下移（鼓励别人买走自己的多仓），形成两侧不对称报价。这种偏移本身不是套利，而是库存均值回归压力。

机构应用里这个机制至关重要——当机构连续买入一只股票时，做市商累库存为空头（卖给了机构），其报价两侧都会上移以鼓励别人卖给自己来回补。这一步不构成新信息，但读起来像是市场对买盘的反应。把这种 inventory-driven 的报价移动与真正的信息冲击混淆，是 Wyckoff 第三法则被普通交易平台用「噪声 K 线」打败的根本原因。

公式 11.2 · Ho-Stoll 库存调整报价P_bid(t) = μ(t) − S/2 − γ · q(t) P_ask(t) = μ(t) + S/2 − γ · q(t) μ(t) : 当前 fair value 估计 S/2 : 对称价差（Stoll 三成分之和的一半） γ : 库存回归系数 (~ σ² · T_remaining · risk_aversion) q(t) : 做市商当前仓位 (正 = 多, 负 = 空) 当 q > 0 (累多)，两侧报价下移 → 鼓励他人买，自己卖出回平 当 q < 0 (累空)，两侧报价上移 → 鼓励他人卖，自己买入回平

• 在机构连续买入的当日，看到的「价格被买上去」其实包含两部分：信息冲击 + 做市商库存回归。两者大约各贡献一半。
• γ 系数与剩余交易时间成正比——临近收盘时做市商加速去库存，γ 上升，报价移动加剧。这就是为什么 close 前 15 分钟价格波动率系统性上升。
• Ho-Stoll 机制把 Wyckoff Phase D「步进式上行」（jump in the creek）从不可验证的形态还原为可量化机制：机构主动买入 → 做市商累空 → 两侧报价上移 → 下一根 K 线 open gap up → 再买入 → 再累空——形成阶梯。
• 做市商不在乎方向，只在乎库存回均衡。他们的报价是压力出口，不是方向预测器。把做市商当作 Composite Operator 的对手方是错的，他们是中介。

2008 年 Marco Avellaneda 与 Sasha Stoikov 把 Ho-Stoll 移植到 HFT 时代⁴。HFT 做市商的仓位约束极紧（intraday flat 是默认要求，end-of-day 必须归零），剩余交易时间在分钟尺度上滚动，γ 系数与 T-t 直接联动。Avellaneda–Stoikov 推导出在该约束下的最优连续报价公式——

公式 11.3 · Avellaneda–Stoikov 最优 quoter(s, q, t) = s − q · γ · σ² · (T − t) [储位调整中价] δ_a + δ_b = γ · σ² · (T − t) + (2/γ) · ln(1 + γ/k) [两侧总价差] s : mid price q : 当前持仓 (正多负空) γ : 风险厌恶系数 σ : 价格波动率 T − t : 剩余持仓时间窗口 k : 订单到达密度（深度函数斜率） 核心结论 : 做市商的报价偏移 ∝ q · σ² · (T-t) T-t → 0 时偏移消失（必须 flat 出场） σ ↑ 时偏移加剧（高波动率下两侧不对称报价更宽）

这个公式对 Wyckoff 的真正意义不在 quote 本身，而在它定义了做市商行为的可预测性。HFT 做市商按照 Avellaneda–Stoikov 这类公式自动报价 → 他们的行为是确定性的 → 真正的方向性信号必须来自 HFT 之外的对手方，即 Composite Operator 的五分支。这就是为什么本课程在第 1 章强调 Wyckoff 在算法时代仍然有效——HFT 不替代方向，HFT 只提供短期流动性。

• 所有主流 HFT 做市商（Citadel Securities / Jane Street / Virtu / DRW）的报价行为可以用 Avellaneda–Stoikov 一类的公式还原 90% 以上。
• HFT 在持仓约束下做市：q 不能远离 0，σ 决定报价宽度。两个变量都是市场公开可估计的。
• Wyckoff 的判定可以倒推：当价格变动不能被 Avellaneda–Stoikov 的库存调整解释时，说明背后有非 HFT 资金推动。这是残差信号的提取方法。
• Composite Operator 的执行算法（IS / VWAP / POV）与 HFT 做市商的报价算法处在博弈两端——前者要把信息隐藏起来，后者要从订单流里把信息抽出来。Wyckoff 看的是这场博弈在公共 LOB 留下的痕迹。

"A market maker's optimal quotes are determined by three quantities: the mid-price, the inventory position, and the time remaining in the trading horizon. The dependence on inventory creates an asymmetric quoting strategy that is observable but transient." Avellaneda & Stoikov (2008) · High-frequency trading in a limit order book

交易成本里最难量化的一块是逆选择adverse selection——做市商被知情对手方占便宜的预期损失。Easley、O'Hara 等人 1996 年提出 PINProbability of Informed Trading，把每日的买卖单不平衡用一个隐变量模型拟合，反推「这一天有多大概率出现了信息事件」。基础公式：α 是信息事件发生概率，μ 是知情交易者的下单速率，ε 是流动性交易者的下单速率，PIN = α·μ / (α·μ + 2ε)。

PIN 的问题是日级估计，对高频时代太慢。Easley、López de Prado、O'Hara 2012 年改造为 知情率Volume-synchronized PIN，用体积时钟替代日历时钟，按等量 bucket 切分订单流，可以在分钟级实时输出⁵。知情率 的实际公式：

公式 11.4 · 知情率（Volume-synchronized PIN）知情率 = (1/n) · Σ_{i=1}^{n} |V^B_i − V^S_i| / V_total V^B_i : 第 i 个 volume bucket 内买方主动量 V^S_i : 第 i 个 volume bucket 内卖方主动量 V_total : bucket size（典型 1/50 of ADV） n : 最近 n 个 bucket（典型 50） 经验阈值 : 知情率 > 0.4 → 订单知情率高（高知情度） 知情率 < 0.2 → 订单流良性（流动性主导） 2010 Flash Crash 当日 知情率 在崩盘前 30 分钟升至 0.6

• 知情率 在 Flash Crash、闪崩、流动性枯竭事件前 20-60 分钟系统性上升，是机构台面通用的事前预警指标。
• 体积时钟的优势：在波动率极端高的事件中，体积爆发但日历时间不变，体积时钟自动放大采样频率，避免欠采样。
• 知情率 高 = 单边订单流主导 = 流动性需求方稀少 → 做市商扩大价差 → 执行成本短期跳升。机构应用 知情率 作为暂停执行的触发器（pause-trading trigger）。
• Wyckoff 的 Phase B 内部 ST（Secondary Test）应当伴随 知情率 低位徘徊；Spring 触发瞬间 知情率 短暂跳升后回落是真 Spring 的特征；知情率 持续高位（> 0.4）是真破位的特征。

知情率 作为 Wyckoff 事件的过滤器。第 7 章已经把 Spring 切成 Pruden 三型，本节用 知情率 给出第五层证据。机制：(a) 真 Spring（任何亚型）触发瞬间 知情率 跳升至 0.35-0.55，5-15 分钟内回落到 < 0.25，因为吸纳完成后订单流自动平衡；(b) 失败破位（真破支撑）知情率 跳升后保持在 > 0.40 区间持续 30+ 分钟，单边订单流没有被对手方吸收；(c) SC / BC 当日 知情率 应在 climax 后第二个交易日回落到 30 日均值以下，否则 climax 是假的。这一条把 Easley-López de Prado-O'Hara 框架直接接入 Wyckoff 事件链，作为第 7 章四层证据之外的可选 L5 等级证据。

Almgren 与 Chriss 2000 年的论文把执行成本里最关键的部分——市场冲击——做了一个简单但威力极大的拆分¹。任何一笔成交对价格的影响被分成两块：短期价格影响（temporary impact，h(v)）是你的成交把对手方挂单吃掉时付出的瞬时溢价，下一秒价格就弹回去；长期价格影响（permanent impact，g(v)）是你的成交把信息传到了市场里，价格不会弹回去。

"We model the market impact of trades as the sum of two components: a permanent impact that affects the price for the entire duration of trading, and a temporary impact that affects only the current trade and dissipates immediately."

Almgren & Chriss · Optimal Execution of Portfolio Transactions (2000)

公式 11.5 · Almgren–Chriss 冲击函数短期价格影响 h(v_k) = ε · sign(v_k) + η · v_k 长期价格影响 g(v) = γ · v v_k : 时间区间 k 内的成交速率 (shares / sec) ε : bid-ask 半价差等固定成本 η : 线性短期价格影响系数 (~ 10⁻⁶ to 10⁻⁵ for ES futures) γ : 线性长期价格影响系数 (~ 10⁻⁷ to 10⁻⁶ for ES futures) 经验比例：η / γ ≈ 10 到 50 即每单位成交速率，短期价格影响是长期价格影响的 10–50 倍 这是为什么"慢慢成交"几乎总比"立刻成交"便宜

η / γ 的实证比例直接决定了 Wyckoff 第三法则的微观含义——在低 γ / 高 η 的环境下，一根 10× 成交量的 K 线如果只造成 0.3σ 的价格变动，说明 g(v) 部分几乎为零、h(v) 部分被对手方吸收。这就是吸收形态的执行学定义。Wyckoff 1931 年用 effort 与 result 的不对称直接观察到这一现象，但没有数学语言；Almgren–Chriss 给了它一个干净的方程。

• 同样成交量在不同时间点的价格冲击模式不同——平静市场短期价格影响衰减快、长期价格影响小；事件市场长期价格影响占主导。
• η 系数取决于对手方挂单深度（市场深度），γ 系数取决于交易者被认为有多少信息（逆选择强度）。两者都是 LOB 状态的函数。
• Composite Operator 在 Phase B 后期的最优策略：尽可能让 g(v) 接近 0——也就是把成交分散到不引起逆选择怀疑的小笔上。这就是 隐藏单 + POV 算法的设计目的。
• 从执行学反推 Wyckoff：吸收形态的本质是 Composite Operator 强制 g(v) ≈ 0，让自己的信息不传递给做市商，从而避免逆选择溢价被加进对手方报价里。

Andre Perold 1988 年提出 Implementation ShortfallIS, 执行差，用一个简单的等式定义机构执行成本：IS = Paper Return − Actual Return。Paper Return 是用决策时点价格在纸面上的回报，Actual Return 是用真实成交价格的回报。差值就是从「我想买」到「我买完了」的全部成本。

公式 11.6 · Implementation Shortfall 四成分拆解IS = Δp_decision + Δp_execution + Δp_opportunity + Δp_fees Δp_decision : 决策延迟成本（决策时点价 → 下单时点价） Δp_execution : 成交执行成本（下单时点价 → 实际成交均价） = spread cost + market impact + timing risk Δp_opportunity: 未成交机会成本（未能成交那部分按 EOD 价计） Δp_fees : 佣金 · 交易所费 · 清算费 典型大型机构组合（多市场、多策略）的拆分中位： spread cost ~30–40% | market impact ~30–40% timing risk ~15–25% | opportunity ~5–15% fees < 3%

IS 框架的真正价值不是给出一个总数，而是把这个总数归因到具体决策环节。如果你的组合 IS 系统性偏高，先看四成分里哪一块最大——如果是 timing risk，说明执行算法太激进；如果是 opportunity，说明算法太保守；如果是 impact，说明 size 切片太大；如果是 spread，说明 venue 选择有问题。这就是为什么机构台面把 IS 当作执行算法反馈控制的唯一信号。

• 大型机构组合 IS 中位约 15-30 bps，其中 spread + impact 合计约 70%——这是执行算法可控的部分。
• 四成分之间存在替代关系：把切片做小可以降 impact，但延长执行时间会升 timing risk。算法选择本质是在这条 trade-off 曲线上选点。
• IS 是 Wyckoff 第三法则在执行层的镜像——effort（你的成交量）和 result（价格的实际位移）之间的账。Wyckoff 关心市场层面的 effort-result；IS 关心组合层面的 effort-result。
• Composite Operator 在 Phase B 后期的优化目标是最小化 IS 总和，而不是任何单一成分。这就是为什么他们用 隐藏单 + POV 慢成交而不是 VWAP 一次切片完成。

把 IS 进一步分解到每笔成交的颗粒度，得到的就是滑点slippage。滑点的四个来源——spread cost、market impact、timing risk、opportunity cost——和 IS 四成分一一对应，但聚焦在单笔订单的执行细节上。下表给出三类典型策略的 slippage 来源占比，可以直接用于诊断你自己的执行账。

Wyckoff Phase B 与执行账的联动。第 5 章已建立 Phase B 时长与 cause 累积的关系。从执行账反推：Phase B 内 Composite Operator 的吸筹动作通常以低 spread + 低 timing risk + 中等 impact的执行方式进行——这正是 隐藏单 + POV 算法的特征。机制：(a) SC 时点反向操作（buy），spread cost 高（panic 时段价差扩张），但 impact 极低（大量供给等着被吸纳），net 优势是 -10 到 -20 bps；(b) Phase B 整体把 size 拆到 20-60 个交易日完成，单日 impact < 5 bps，timing risk 累计可控；(c) SOS 突破时点转为 IS 算法（追价但分钟级完成），spread + impact 上升但 opportunity cost 几乎为零。这把 Phase A→B→C→D 的相位序列直接翻译成执行算法序列，是第 15 章决策框架的基础。

• HFT 的 slippage 主要来自 spread——他们一笔成交几乎瞬间完成，没有时间风险，但每笔都付半价差。
• 中期 alpha 策略（持有 1 天 - 几周）的 slippage 平衡：spread / impact / timing 三块大致接近，opportunity 略小。
• 机构再平衡（季末调仓、被动指数跟踪）的 slippage 由 impact 主导——size 太大，再分散切片也无法消除冲击。
• 选择执行算法的本质就是在这四个成分之间分配权重。VWAP 平衡 spread + timing；POV 减 impact 但增 timing；IS 算法对 opportunity 敏感。

机构台面常用的执行算法只有五类。区分这五类不是按名字而是按设计目标——每个算法在 IS 四成分的权重分配上有不同的目标函数，因此适用场景完全不同。普通交易平台把这些算法当作「都能用」的选项，是错的。

• 选错算法的代价在 IS 上直接体现——用 VWAP 执行 alpha 策略平均 IS 比 IS 算法高 12-20 bps。
• 选择的两个关键输入：（1）urgency = 你对 alpha 衰减速度的估计；（2）size / ADV = 你的订单相对市场容量的比例。
• VWAP 的特殊位置——它既是算法也是基准。用 VWAP 算法的代价是放弃 alpha；不用 VWAP 算法的代价是无法被 VWAP 基准考核。机构台面常常被迫用 VWAP 不是因为它最优，而是因为基准是它。
• Composite Operator 的算法选择决定了你能在 LOB 上看到的痕迹形态——VWAP 留下体积曲线对齐的均匀切片；POV 留下随成交量律动的脉冲；IS 留下追价的连续买盘。第 10 章 LOB 动力学已经详细展开。

隐藏单冰山单是机构最常用的隐藏执行方式。一笔大订单只让其中一小部分（display）显示在 LOB 上，其余（hidden）等显示部分成交后自动补充。隐藏单 在 LOB 留下的痕迹与正常 limit 单完全相同，外部观察者无法区分一笔 100k 的 隐藏单 与一笔 5k 的普通单——除非 hidden 部分被反复补充的时间间隔被识别⁶。

公式 11.7 · 隐藏单 display size 设计display = ATR × q display : 显示在 LOB 上的可见 size ATR : Average True Range（日内 / 5min 都可） q : 隐藏率 (典型 0.1 – 0.2) 总量 / display 比 : ~ 5 – 10（即一笔订单分 5-10 次显示完毕） 举例：SPY ATR_5min = 50k shares，q = 0.15 → display = 7,500 shares → 一笔 75k 的 隐藏单 分 10 次显示 → 每次显示在被吃掉后立即补充，外部看到的是连续的 7.5k 限价单

display size 太小 → 显示部分被反复 refill，时间间隔模式被 Hautsch-Huang 一类的检测算法⁶识别出来；display size 太大 → 隐藏效果弱，对手方能直接读到意图。设计原则：display 应当看起来像该价位的正常 limit 单 size——也就是 ATR × q 这个量级，因为正常做市商和大型 limit 单的典型 size 就在这个比例上。

隐藏单 在 Wyckoff Phase B 中的角色。第 5 章 Phase B 的内部 mechanism 里有一类「持续接量」事件——做空者反复测试支撑，但每次测试都被吸收。这个吸收的执行端实现就是 隐藏单 + POV 的组合：(a) 支撑位放置 隐藏单 买单，display = ATR × 0.15；(b) 每次价格下探到支撑位，display 部分被吃，自动补充；(c) 外部只看到「支撑位有正常买盘等着」，识别不出真正的隐藏量；(d) Frey-Sandås 2017 实证⁷显示 隐藏单 单在欧洲股票交易所占限价单总量的 7-18%，集中在 large-cap 与 ETF。这把 Phase B 的「无形吸纳」从模糊语言还原为可测量的执行学动作。

• 在 SPY、QQQ、ES、NQ 这类深流动性合约上，约 8-15% 的限价单是 隐藏单。但表面 LOB 看不出来，只能通过 refill 时间间隔检测。
• display 部分的最优 size 由 ATR 决定——既要看起来像正常单，又要切割成合理的次数。q = 0.10-0.20 是经验最优区间。
• 隐藏单 检测算法（Hautsch-Huang 2012、Zotikov 2019）已经能在 NASDAQ TotalView-ITCH 和 CME MDP 数据上把 隐藏单 单的检出率做到 60-80%。但检测需要原始 order message stream，不是普通 LOB 数据能做到的。
• Composite Operator 在 Phase B 后期的「无形吸纳」=隐藏单 + POV 的组合应用。把这个机制反推到 LOB 痕迹上，是第 7 章 Spring 微观判定的事前证据。

在下单之前的 5-30 秒，机构台面要完成一次pre-trade analytics——估计这笔订单的预期总成本，决定算法参数。这一步本质是预测expected impact / vol / spread 三个变量在执行 horizon 内的取值。三件套预测准了，IS 控制就成功了一半。

三件套的预测模型不需要复杂的机器学习——大型机构台面常用的就是 HAR-RV（heterogeneous autoregressive realized variance）+ Almgren–Chriss η/γ 系数表 + 滑动 spread 估计。模型简单，输入数据干净就够用。复杂模型在低信噪比的执行场景下往往跑输简单模型。

• 大型机构台面每笔订单都跑 pre-trade analytics——这是 FIX 协议下单前的标准 routing 检查的一部分。
• 预测窗口与 horizon 匹配是关键——执行 30 分钟用 5 分钟波动率预测会系统性低估 timing risk；用日级预测又会过于保守。
• 三件套的预测误差直接转化为 IS 方差。机构组合优化里把predicted IS 的方差本身作为一个风险因子，与 alpha 方差一起 budget。
• 这一步把 Wyckoff 时代的「凭感觉决定切片速度」变成了系统化的决策——effort 的速率不再是交易员的直觉，而是一个 closed-form 公式的输出。

Wyckoff Selling Climax 的本质——高成交量 + 价差扩张 + 跌势末端反转——在执行学里有一个精准的镜像：Composite Operator 在 SC 处用 隐藏单 + POV 算法被动接量。形态化视角看到的是「巨量买盘把跌势顶回去」，执行学视角看到的是「买方的 g(v) 始终接近 0，因为他们没有主动追价；卖方的 h(v) 极高，因为他们在割 stop loss」。

关键参数：隐藏单 display = ATR_daily × 0.15（在 SC 当日的 ATR 通常是平时的 2-3 倍，所以 display 量级看起来与平时正常单接近）。POV 比例 = 15-25%（接量速率超过这个，长期价格影响 g(v) 开始抬头）。Horizon 是整个 SC 当日的下半场——通常 2-4 小时窗口完成 70-80% 的吸纳，剩余在 AR（自动反弹）后的 ST（次级测试）期间补完。这就是为什么 SC 后第二天的成交量看似温和、却包含大量隐藏吸纳——因为 Composite Operator 还在补尾仓，但已经切换到更低 POV 比例。

SC 的执行学指纹。第 5 章把 SC 定义为 Phase A 的第二事件。从执行学反推 SC 的可验证指纹：(a) 长期价格影响 g(v) → 0——SC 当日的 EOD mid - 前日 EOD mid 远小于按 size 计算的 Almgren–Chriss 长期价格影响预测值，差额就是被对手方吸收的部分；(b) 短期价格影响 h(v) 巨大但 1-2 日内回归——SC 后 1 日 mid 应当向上反弹（AR），2-3 日后回到 SC 之前的 fair-value zone；(c) 知情率 在 SC 当日跳升后 1 日内回落——单边知情率已被 隐藏单 吸纳；(d) 实务推论：如果 SC 之后 5 个交易日 知情率 仍在 0.4 以上、短期价格影响没有衰减，则当日的 climax 是真破位而非 SC。这条指纹链是 Wyckoff Phase A 识别在算法时代最低代价的实证检验。

• SC 当日的 IS 拆分会显示极不寻常的结构——spread cost 占比飙至 50%+（panic 价差），impact 占比降至 15%（被对手方吸收），timing risk 几乎为 0（窗口短）。
• Composite Operator 选 隐藏单 + POV 而不是 IS：因为 IS 算法会追价、放大 g(v)；隐藏单 隐藏意图，POV 跟随对手方供给节奏。
• SC 的本质是对手方 stop loss 流提供了大量短期临时供给——Composite Operator 的工作不是预测方向，而是识别并吸收这个流。
• 把 SC 还原为执行学事件，意味着它不再是「模糊的反转信号」，而是「stop loss 触发流被预备买盘吸收」这个明确的供需事件。Wyckoff 1931 年的描述与 Almgren–Chriss 2000 年的方程在这一点上完全一致。

Buying Climax 是 SC 的派发对称。但执行端不对称——派发方通常用 VWAP 切片 + 暗池路由，而不是 隐藏单 + POV。原因机制：派发方在 BC 处需要的是平均成交价对齐当日 VWAP，因为派发完成后必须向 LP（基金的 limited partners）报告执行质量，VWAP 是行业基准；而吸筹方在 SC 处不需要对齐 VWAP，他们追求的是低均价加大量。

VWAP 切片在 BC 当日的痕迹：日内体积曲线被人为拉抬至 U 形（早盘和尾盘成交量异常高），中盘体积偏低；价格在尾盘 30 分钟出现温和回落（VWAP 算法补完最后切片导致小幅 g(v)）；EOD close 通常低于日内高点 1-2%。这个模式与 SC 完全相反——SC 当日的体积分布是单峰偏后（panic 集中在午后），价格在 close 时往往是当日最高（AR 已经启动）。

公式 11.8 · BC 与 SC 执行端的非对称SC 执行端： 算法 = 隐藏单 + POV (15-25%) Horizon = 整个下午 + AR/ST 后续 1-3 日 目标 = 最小化均价（accept impact，refuse VWAP tracking） EOD pattern = close 接近高点（AR 启动） BC 执行端： 算法 = VWAP slicing + dark pool routing Horizon = 整个交易日 + 后续 1-2 日 ST 目标 = 对齐 VWAP（基准考核） EOD pattern = close 略低于高点（VWAP 算法补完末段切片） 非对称根因：吸筹方追求绝对低价；派发方追求 VWAP 对齐

• BC 当日的成交量分布与 SC 相反——双峰（早盘 + 尾盘）vs 单峰（午后）。这是 VWAP 算法 vs POV 算法的痕迹差异。
• 派发方依赖 VWAP 是因为 LP 考核基准——他们不是不知道 IS 更优，而是必须报告 VWAP 对齐度。
• BC 的事前识别比 SC 更难——因为 VWAP 算法的痕迹平淡（按设计就要分散），不像 SC 那样集中暴发。Wyckoff 在 BC 识别上事前准确率系统性低于 SC 约 15-20 个百分点。
• 这就是为什么第 6 章会强调 BC 必须配合 cross-asset 分歧（VIX 不跌、信用利差扩张、收益率曲线倒挂）才能确认——单看价量的证据强度不够。

Spring 是本课程第 7 章重点展开的事件，从执行学角度看它有一个独特的特征——窗口极短。SC 的吸纳持续数小时甚至数日；Spring 的吸纳必须在 1-3 根 K 线内完成。原因机制：Spring 时点出现的卖压来自 stop loss 触发流，这个流持续时间通常只有 5-15 分钟。Composite Operator 必须在这个窗口内把绝大部分卖压吃掉，否则价格会真正破位。

执行端的算法选择：IS（Almgren–Chriss）+ 隐藏单 组合。IS 算法在短窗口内激进追价，隐藏单 隐藏总量。Horizon 通常是 5-30 分钟。POV 比例可以推到 30-40%，远高于 SC 的 15-25%——因为窗口短，多吃一点短期价格影响是值得的，只要长期价格影响 g(v) 不上去。

"Spring is, in execution terms, a stop-liquidity harvesting event. The Composite Operator places hidden bids below support, waits for the breakdown to trigger retail and momentum stop orders, then absorbs the resulting supply with the 隐藏单 layer—all in 5 to 30 minutes." 本章执行学定义 · Moliere · MT Trading Studio

Spring 三个亚型的执行端区分。第 7 章已建立 Pruden Spring 三型分类（深破 / 轻微跌破 / 几乎不破）。从执行学反推每个亚型背后的算法参数：(a) Type #1 深破：POV 比例 30-40%，隐藏单 display = ATR × 0.20，horizon 5-15 分钟。这是大供给冲击下的高速吸纳，对手方流量大、信号噪声比也大；(b) Type #2 轻微跌破：POV 比例 20-30%，隐藏单 display = ATR × 0.15，horizon 15-30 分钟。供给冲击中等，节奏慢一些；(c) Type #3 几乎不破：POV 比例 10-20%，隐藏单 display = ATR × 0.10，horizon 30 分钟到 2 小时。供给本来就少，被动吸纳即可。三型对应的知情率 跳升幅度分别是 0.50+ / 0.35-0.45 / 0.25-0.35，是事后验证 Spring 真假的关键指标。

• Spring 的执行窗口极短——这就是为什么形态化视角的 K 线复盘看不到「机构吸纳」的过程，因为它已经在 1-3 根 5 分钟 K 线内完成。
• Composite Operator 在 Spring 时点的 POV 上限不是意愿问题而是窗口问题——supply 流来得快，必须用更高 POV 抢。
• Spring 的 g(v) ≈ 0 是验证而非定义。如果 Spring 后 30 分钟内价格没有回到 support 上方，说明 g(v) 不为零，吸纳失败 → 真破位。
• 把第 7 章 Pruden 三型与第 11 章执行学参数交叉，可以得到一个 5-参数的 Spring identification model：POV % + 隐藏单 ratio + horizon + 知情率 spike + g(v) residual。这是第 13 章实战案例库的事前检验模板。

量价到执行 Ch8 把 Effort × Result 变成读图框架，本章把它变成执行成本语言：高 Effort 低 Result 若由 h(v) 高、g(v) 低解释，是吸收；若由机械成交或短期库存回补解释，只是噪声。交易台不能只说「放量不跌」，必须进一步回答这笔量留下的是短期价格影响还是长期价格影响。