第12章 额外的高频交易策略、市场操纵和市场崩溃

如第8 - 11 章所述，高频交易大体上就是让人们的交易自动化进行。然而，我们意识到高频交易的反面，是它有可能会对市场动态造成一定程度的负面影响。本章将会详细讨论这些威胁，并且提出察觉高频交易市场操控和期货市场崩溃的方法。

让我们继续从全局去考虑高频交易。一方面，我们发现金融服务业的雇主。只要在《华尔街日报》的"金融与投资"栏目中打开"招聘"版面，你一定会发现对有高频交易才能人才的招聘。招聘的雇主是像摩根士丹利这样被称为"白鞋"的投资银行。这些谨慎的公司总是将资源投到它们认为值得和合法的地方。他们招聘的程度(常常是《华尔街日报》上唯一的招聘广告) 意味着该行业利润巨大，值得留在那。

另一方面，我们发现像马克·库班( 一个成功的达拉斯商人)这样的个人，最近他宣称害怕高频交易员。库班的担心是基于他认为高频交易员无非是"黑客"， 一群寻求操纵市场和占有不公正优势的系统和投资者。

那么为什么库班和摩根士丹利会对高频世界具有如此分歧的观点呢? 一方面，库班可能沦为了一些既无节操也无竞争力、反而把高频交易当作替罪羊的金融服务提供商的受骗者。高频交易的反对者确认了一系列所谓高频交易如何破坏市场的证据。据称，美国商品期货交易委员会下属委员会的一个工作组编制的恶意高频交易策略，包含了像价差剥头皮( spread scalping ) 、市场点火(market ignition) 和市场租击(market sniping) 等。

被视为恶意的且往往与高频交易相关的策略，主要归为以下几类:

● 服务价格发现的合法策略。

● 无法在"明市" (如规范化的交易所)实施的策略，在暗池是可行的。

● 对市场造成拉高出货行为的直接后果的策略，大多数金融市场都禁止这种市场操纵技术。

商品期货交易委员会负责确认高频交易不良策略的下属委员会确认了如下实例:

● 潜伏套利;

● 价差剥头皮;

● 回扣获取;

● 报价撮合;

● 分层挂单;

● 点火;

● 试盘/犯击/嗅探;

● 塞单;

● 幌骗;

● 拉高出货;

● 机器学习。

我们下面将对此处提出的行为一一来做详细的讨论。虽然有些市场参与者宣称，高频交易也能通过预先交易的订单类型来操纵市场，比如预付款订单通常带有更重要的价格标签，使得这类订单长期来看毫无超额盈利空间，并使订单对高频交易无利可图。本章还将讨论针对拉高出货行为的侦测方法。

潜伏套利

潜伏套利常常被高频交易的反对者作为技术军备竞赛最直接的例子，但并没有明显的影响。与第8-11 章其他高频交易策略不同，想要成功进行潜伏套利，部署最快的技术是至关重要的。然而，和有些人的想法相反，潜伏套利有一个定义明确的促进市场效益，稍后将会说明。

金融理论的一个重要概念是一价定律。这个定律指出，在良好运行的市场，给定的某一金融工具总是有统一的价格，无论金融工具所交易的市场特性是什么。一价定律同时确保，无论低频交易商决定在哪个市场进行交易，他们始终会在公正的市场价格上进行交易。换句话说，在理想的理论市场条件下，伦敦的IBM 股票价格应该总是和调整汇率后的纽约的IBM 股票价格一样。

无论因为什么原因，同一金融工具在不同市场发生定价偏离时，高频潜伏套利者就会跳入市场，然后赚走市场价差。例如，当IBM 股价被暂时高估时，高频潜伏交易商在市场中卖出IBM 股票，同时在股价过低时立即买入。在这个过程中，高频交易商制造的需求和供给，起到了在之前有价格分歧的市场中进行均衡市场价格的作用。高频交易商然后快速地反转他的头寸来锁定收益，保证所有频段的交易商都可以在全球一致的价格上交易金融工具，服从于一价定律。

潜伏套利是一个基于利用高速度来获得优势的交易策略的例子。市场参与者和监管机构通常会问的问题是: 多快的速度就够了? 速度竞赛何时结束? 应该限制市场中的可接受速度吗? 从经济学的观点来看，只要增长的科技能力和交易获利之间是均衡的，速度竞赛就会结束: 如果多花一美元在技术上已经无法产生额外的回报。在此之前，高频交易商的竞赛将会峙续在交易领域内不断推进创新。

价差剥头皮

高频价差剥头皮常常指一些市场参与者认为很简单的自动做市行为: 在买卖两边为生成或"剥头皮"价差价值的高频交易账户持续提供流动性。如第10 章所述，这样的行为会道迎持仓过大和1逆向选择的风险. 并且在其最简单的形态中几手无法获利。甚至在一个不景气的市场中，随着做市商在市场变化中累积头寸的增加和减少，做市也会有持仓过大的风险。如果缺少了市场反向订单，做市商可能无法有利地清理仓位。在第10 、11 章中提出的市场状态的显著性分析，对保证看似单纯的价差剥头皮策略的获利是必要的。正如在第11 章中讨论的， 即使在正常状态下市场也充满了信息不对称，因为总有些交易商比做市商掌握更多的消息。获得更优质情报的知情交易商可能对行业基本面有优先信息，或者只是具有卓越的预测能力。在这种情况下，这些有更优质情报的知情交易商将做市商可能积累的所有其他价差剥头皮利润抹去，势必将做市商置于交易的落败方。

举一个具体的例子，比如某个新闻公告。设想一个所谓的价差剥头皮高频交易商，在即将公布上一个月新增或减少就业岗位数量的就业数据之前，在市场上买卖双方均有头寸。一个更厉害的知情交易商，无论是高频类还是低频类，可能已经用合理的准确性预测了就业数据可能增加多少。假设更厉害的知情交易商决定下一步押注于他的预测，向市场发山一个大的市价买单。假定价差剥头皮做市商此后与知情交易商反向操作，在消息公布即将大涨的市场巾大量卖出。在几秒钟之内，因为低频交易商的行为，高频交易做市商可能会在他的技资组合中以损失惨重收场。

总而言之，于某些市场参与者而言，价差剥头皮可能看起来像一个掠食策略，虽然从它最朴素的形态中极难获利。价差剥头皮佐以持仓存货与信息化考量， 就是大多数市场参与者称为的做市， 这是一种合法的行为，是市场功能的重要组成部分。失去了价差两边的限价订单，需要立即成交的交易商的市价订单就无法被执行。相对于为了每天在市场两边提供限价订单而付出的工作量，价差补偿只是一份微不足道的盈利。

回扣获取

另一个经常提出作为高频交易危险性的例子就是回扣( rebate) 获取。在这种策略下，高频交易商被认为简单地通过在不同交易所间对限价订单和市价订单的成本进行套利，就能产生收益。该策略被认为是没有经济价值的空转，也是市场分化错误的一个常见例子。在现实中，如本节所示，回扣有助于提高交易策略的盈利能力，但无法在像第8-11 章提到的预测方法的情况下提供盈利。

为了盈利，高频交易商需要执行一个订单并恃有足够长时间的头寸来实现盈利。如第3 章所述，限价订单和市价订单的回扣目前只存在于股票中，许多交易所想要将它们与其他回扣区分开来。在大多数美国股票市场，每宗交易的最低盈利目前为0.01 美元。在正常的回扣市场中，交易所支付回扣给发出限价订单的交易商， 因为他们为市场提供了流动性。例如，纽交所向发出限价订单的交易商提供每100 股0.13~0.3 美元。假设交易商每次交易都猜对了股票上涨一个价位方向的概率是P_up。在当前的纽交所环境中，只有当边际累积回扣超过了交易商的期望收益时，理性的高频交易商才会发出限价买单。

式中， $rebate (回扣)是每股回扣价值; $transaction cωts (交易费用)代表交易商为了执行交易，每股需要付出的单位成本。股票的交易费用可能包含清算费、交易费、F卧ffiA通道费用和NYSE 通道费用，以及经纪商与交易商费用。

式( 12-1 )等价于

由式( 12-2 )可以看出，在没有回扣的情况下，发出限价订单的交易商需要以超过50% 的概率正确预测出价格的方向。经纪商与交易商宣布不考虑NYSE 回扣的情况下卖出3000 万股的成本大约在5 万美元，也就是每股0.0016 美元。当以市价执行时，这3000 万股会触发额外的NYSE 通道费用，这是一种吞噬流动性的反向费用，大约是7 万美元，也就是每股0.0023美元。为了在这种成本结构下获利， 理性的高频交易商需要预测市场波动方向的概率P_up，至少要70% :

当以限价订单发出同样的3000 万股，交易商收到6 万美元，也就是每股0.0020 美元的回扣，抵消了没有回扣的交易成本并且产生了1万美元，即每股0.0003 美元的盈利。这种回扣驱动的盈利性降低了高频交易商需要对市场做出正确预测的概率，只需要48% :

换言之，回扣虽然减少了高频预测所需要的准确度，以及预测正确性的各自可能性，却不允许随机交易策略盈利。与价差剥头皮策略相比，成功的回扣获取是一个复杂的做市运作，回扣只能作为表现提升的微小部分，而不是主要的盈利来源。

报价撮合

在所谓的报价撮合策略中，高频交易商被认为是模仿另一个交易商的限价订单。然后，高频交易商被认为搭上原始订单产生的市场冲击影响的顺风车。如果可行，这样一个策略会因为放大市场的反应，使投资者以后续附属交易获得的定价恶化来消极影响大型投资者的交易。该策略假设高频交易商能够确定哪些限价订单同时在短期内使市场向确定的方向波动，从而使高频交易商快速地从波动中占优，将头寸反转和捕获利润。具体而言，该策略的成功是基于高频交易商预测哪些限价订单产生正面或负面市场冲击。

该策略的关键假设是它不可行性的主要原因。现今大多数交易所都采取匿名报单: 他们保护交易商的身份，不允许高频交易商标记和跟踪特定主体的订单。此外，正如第5 章所讨论的，虽然许多买单进入市场后短期内价格上涨，但这个波动是不保险的。以限价订单为例，当限价买单进入市场，随后的市场冲击平均而言是良性的，甚至是排在最前面的挂单，其影响也是极小的，但对于市价背后的订单也可能是消极的，或者从统计学角度来说是不能持久的。因此，仅仅依赖复制其他交易商的限价订单的报价撮合策略很可能让人失望。

分层挂单

在分层挂单策略中，高频交易商以市场价格之外的不同水平的价格发出限价订单，通常很快就取消订单，然后又重新挂单。分层挂单的目的常常是使普通市场观察者混淆，因此他们怀疑这是非法的。

一些分层挂单可能确实有操纵性。操纵分层挂单是一方面: 市场参与者在订单簿中分层挂入买单或卖单，然后迅速撤销挂单，这样可以混淆其他交易商对现有买卖供给情况的判断。2012 年9 月，美国证券交易委员会在高度公开的案件中惩罚了这种分层挂单。

然而，许多分层挂单其实是合法的策略，如第3 章所述，许多执行经纪商和做市商都会以此种策略和价格一时间优先原则来处理限价订单簿。在大多数分层策略中，经纪商或做市商将"占位符" (placeholder) 限价订单挂在不同的价格水平，希望确保限价订单簿给定价格队列的时间优先。当市场价格触及经纪商的订单价格，经纪商可以选择两条路径中的一条:

● 经纪商可以使用优先权执行一部分订单，为客户确保一个优惠的价格。

● 如果客户的订单没有下达，经纪商可以直接撤销占位符挂单。

同样地，做市商可以决定执行或撤销订单，这取决于他对库存和信息风险的估计。

因此，实际上大多数分层挂单策略并不具有操纵性，但确实因为撤单堵塞了网络和撮合引擎，并在市场中产生了不必要的噪声。芝加哥商品交易所(CME) 实现了一个成功的解决方案，比如将撮合引擎的运行机制从价格时间优先改为按比例编排。如第3 章所述，在按比例编排机制下，当价格水平达到最优买价或卖价时，所有以给定价格水平发出的限价订单都会同时运行。给定价格水平的订单队列中，每个限价订单都会部分撮合成交，撮合比例与每个限价订单的大小成正比。这样的策略消除了需要确保给定队列中的时间优先，而且还完全消除了分层挂单作为确保执行优先级的方式。

点火

在点火策略中，高频交易商被认为能探测到长期投资者的止损位并与之匹配，叫"点火" 。下一步，该策略假设大型止损将对市场产生重大影响，让高频交易商搭上了市场波动的顺风车，迅速平仓并了结头寸。以牺牲长期投资者的损失为代价收获了小的收益。

在现在的交易所和其他"点火"交易场所里，这样的策略可能只能作为市场操纵的结果，类似拉高出货。为了匹配某人远离市场价格的止损订单，他需要将市场价格向止损订单的方向大幅推动。市场操纵一直以来都是非法的，也是可以审查到的，我们将在之后的章节讨论。

虽然在规范化的交易所这样的公开交易场所操纵合法的点火策略是不可行的，但是在暗池中却是可行的。不过暗池被视为为复杂机构交易商而设立的，明确没有监管保护，并且要在"买方小心"的原则下运行。

试盘/犯击/嗅探

试盘、组击、嗅探和钓鱼这些绰号，通常指的是同一种策略类型。试盘策略就像点火策略，找出限价订单的隐藏池并与之反向撮合，创建和驱动临时的市场冲击以获取小利。就像点火策略一样，这样的策略经常在暗池中出现。有些暗池，比如花旗银行的自动交易柜台，已经设计出能够检测试盘者并且向试盘行为收费的方法。这样的费用让试盘无法获利，用市场机制阻碍了试盘者。

试盘虽然在暗池中是可行的，但在公开市场(比如交易所)中基本上是不可能的，除非这些交易场所允许非法市场操纵。和点火策略中的情形一样，公开市场的交易商无法选择性地以现行市场价格之外的随机价格交易，除非他们首先明显地将价格远离市场。这样的价格波动就是市场操纵。

正如本章后面将讨论的，一些市场条件比其他情况更有利于市场操纵。避开有利于市场操纵的条件可能有助于交易商消除与点燃与其他各种侦测策略相关的风险。

塞单

塞单指的是声称自己是高频策略的交易商，故意用大量的限价订单和撤单来堵塞网络和撮合引擎。和分层挂单不同，高频交易商寻求确保订单执行的优先级队列，塞单交易商被认为是快速挂单和撤单，其目的在于拖延其他交易商从而操纵市场。进一步说，塞单交易商延误了其他交易商，确保了塞单者优先进入撮合引擎和报价流，然后有效地超越了其他交易商。

塞单策略的思想包含了一个关键缺陷:任何网络工程师都知道，单个网络账户不能选择性地为某些参与者减缓网络流通速度，同时仍然能够高速访问交易场所。当一个撮合引擎被挂单和撤单堵塞了，所有市场参与者都无法访问，无论是谁造成的问题。很显然，这样的网络堵塞行为对具备高速技术的交易商几乎没有影响，如果有，网络堵塞也只是抵消了高速技术的优势。不过，网络堵塞策略可能有利于那些真的想要放慢撮合速度的低频交易商。如果有人涉嫌故意堵塞通信线路(一种市场操纵行为)，自然导致低频肇事者失去高速技术，因为这样的操作可能确实导致盈利能力增强。

幌骗

幌骗策略类似于分层挂单策略，但是目的却完全不同。在幌骗策略中，交易商故意扭曲订单簿却不成交。在这个过程中，交易商改变其他交易商对有效买单和卖单的推断，以及由此产生的价格。原则上，幌骗策略在多数公开市场是可以被检查和探测到的: 分层挂单需要所有价格区间的限价订单平衡输入，然而幌骗会显示选择交易账户中的限价订单的单边峰值。在美国《多德一弗兰克法案》已经公开规定幌骗为非法，并且被积极起诉。例如，2011 年，美国商品期货交易委员会对邦吉全球市场( Bunge Global Markets)做出了55 万美元的处罚，以惩戒它在市场开盘时的幌骗行为。

总之，大多数被认为是非法的高频交易行为和高频交易商应该被禁止的原因并不存在，或者是已经非法行为的直接结果，比如说市场操纵。在下面章节中我们将讨论市场操纵行为的识别和有利于市场操纵的市场条件。

拉高出货

无论是高频还是低频的环境，拉高出货都是一个真正的恶意行为。电影《锅炉房》 (Boiler Room) 很好地描述了低频拉高出货，影片中肆无忌惮的经纪人"拉高"或提高一个特定金融工具的价值，只是为了在第一机会出来时抛售，以牺牲其他投资者的代价获取利润。拉高出货的反面是大量抛空。其中交易商人为地压低金融工具的价格，只是为了在第一次机会出现时了结他的头寸，同时弃其他投资者于尘埃。

在高频拉高出货中，计算机辅助交易商急速推高或砸低证券的价格，被认为只是为了扭转头寸，以牺牲其他交易商为代价，在错误的势头中获利。Huberman 和Stanzl (2004) 、gatheral (2010) 已经开发出高频拉高出货机会的必要条件: 盘后永久市场冲击作用对于潜在激进买家和潜在激进卖家应该是均衡的。例如，当对潜在激进买家盘后永久市场冲击超过了对潜在卖家的盘后永久市场冲击，高频交易商就可以通过反复买入将证券价格拉到新高，然后抛售，了结头寸获得盈利。这种盈利将会引起非对称的市场冲击: 跟随买入交易的市场冲击绝对值与跟随卖出交易的市场冲击绝对值不同。此外，当拉高出货策略不可行时，抛售交易量Y 导致的价格变化，等于买入交易量V导致的负的价格变化，如图12-1 所示。当"不拉高就不出货"的状态被破坏时，拉高出货套利机会就会出现。

Aldridge ( 2012e ) 正式用永久市场冲击函数f(V_t) 描述了拉高出货策略。其中，V_t指交易量; t 指交易时间，当V_t>0 时暗示会发生买方引发的交易，V_t>0 时暗示会发生卖方引发的交易。如果f(V) >-f (-V) ， 交易商可以人为地先拉高然后再出货，即以同样的交易量V先买后卖;相反，如果f(V) <-f (-V) ， 交易商可以通过先卖出再买入证券来操纵市场。

为了检验市场冲击随时间的演变，我们考虑不同时间窗口下的市场冲击，窗口的长度取决于市价订单在事件之前和之后的一些交易，如图12-2 所示。

为了描述市场冲击函数f， 我们做出以下规划:

为了评估拉高出货策略的可行性，我们使用一个线性规划来描述市场交易量V的市场冲击函数，此处与下列学者的研究结果一致: Breen 、Hodrick和Korajczyk (2002) , Kissell 和Glantz (2002) , Lillo 、Farmer 和Mantegna(2003) , Huberman 和Stanzl (2004) , Gatheral (2010) :

式中， V_t是在t 时刻的交易成交量; β_τ 是单位交易量下的市场影响; α_r 指与交易量无关的t 时刻记录的每笔交易的单独市场冲击。如果高频拉高出货是可行的，买家引发交易的β_r 与卖方引发交易的-β_r 是不同的。所以，拉高出货存在于金融工具交易活动中的原假设可以确定为

而排出拉高出货的另一种假设就可以确定为

以上的框架在各种金融工具中直接筛选了市场操纵行为。

拉高出货为了查明什么? 图12-3 说明了一系列欧洲期货交易所欧洲期货(符号FGBL) 交易的分析，并且以毫秒级时间粒度按时间先后记录。除了时间戳， 这份数据还包含交易价格和交易量。这份数据是欧洲期货交易所交易类型的"官方"副本，交易商可以购买到。这份数据并不包含最优买卖价的信息或者对到底是买方还是卖方引发的交易识别信息。为了确认交易是市价买入还是市价卖出，可以参考第3 章中的一个分笔数据规则。

在计算市场冲击( MI ) 时，隔夜回报被视为遗漏的观测值，确保MI 在特定的一天，仅仅在这一天所记录数据的函数。

表12-1 记录了2009-2 010 年逐月的所有交易量的交易代入式( 12-5 )的结果。图12-3 生动地说明了买卖交易量的相关性。图12-4 显示出对买卖交易量的相关性所做的不同测试的结果。

我们观察到买方引发的市场变化与卖方引发的市场变化之间的差异，每个月都会发生变化，缺乏统计学意义。基于这个结果， FGBL 期货数据并不支持高频拉高出货策略。

表12-1 中的结果表明另一个有趣的现象:交易量相关的市场冲击直到交易量达到约100 手时才会出现。这个无法解释的变量，截距α ，在市场冲击等式中很大(大约是10-5 数量级)，而交易相关的市场冲击大约是1 07数量级别，单笔超过100 手的交易可能导致与单笔一手交易一样的市场冲击。这对于关注市场冲击的机构和其他大型基金经理是非常好的消息一一在FGBL 期货市场，单笔远大于平均交易量的交易毫无痕迹。与股票市场不同的是，欧洲期货交易所FGBL 市场对更大容量的交易是有弹性的。

为了确认结果是否稳健，可以再添加几个辅助变量:波动性、价差和交易持续期。其他研究发现，这些额外的解释变量存在于临时市场冲击。

例如，在期货市场， Burghardt 、Hanweck 和Lei (2006) 研究发现，盘后市场冲击也取决于流动性特征，如市场深度。其他研究集中在股票市场。Breen 、Hodrick 和Korajchyk (2002) , Lillo 、Farmer 和Mantegna (2003). 以及Almgren 、Tbum 、Hauptmann 和Li (2005) 研究发现，股票市场中永久市场冲击的函数取决于特定股票的流动性特征。Dufour 和engle (2000) 发现，更长的交易持续期导致较低的市场冲击，反之亦然。Ferraris (2008) 指出，有些股票市场冲击的商业模式使用波动性和交易发生时主导性的买卖价差，作为预测性的输入来预测交易的市场冲击。根据目前的研究，我们发现波动性、价差和交易持续期，也有助于解释期货市场中的市场冲击。但是，没有一个辅助变量可以改变由买方引发和卖方引发的交易导致的、依赖于交易量的市场冲击相关系数。辅助变量也改变不了交易量无关组件，即拦截变量的值或统计意义，导致主导与交易量无关的市场冲击仍然无法解释。

机器学习

机器学习通常被认为是伴随高频交易的最令人不安的事情。例如，CNBC 的评论员Doug Kass 提出，投资者应该在机器攻击投资者之前关闭机器。这种理念就是，机器类似阿诺德· 施瓦辛格的《终结者》系列电影中的角色，具有独立思考和智能，这在一些很少接触到技术原理的传统市场参与者中产生了共鸣。机器学习就被作为这种机器智能的证据。

现实中，机器学习起源于控制理论，往往是一系列的嵌套分析。每个分析都可以是参数，最基本的就是一个简单的线性规划; 或者非参数，一组自由形式的函数估计。机器学习的性质独立于所使用的分析类型，但在数据发现模式上仍然是相同的。因此，机器学习越来越少地威胁着人类智慧，更多的是数据挖掘。

机器学习可以分为两大类: 监督学习与无监督学习。监督学习是迭代估计的数据关系，其中每个后续迭代的目的是尽量减少偏离以前的分析。用于监督学习模型的数据模型，可以从回归到神经网络，再到Boosting 算法，这个我们稍后讨论。元监督学习寻求在所谓的毫无关系的非结构化数据中做模式识别。在无监督学习的保护伞下，提取信息所使用的的技术包含通过观察数据点集群确认重要信号。

例如，受监督的Boosting 算法，工作原理如下: 一个独立变量Y， 比如在一个特定的金融工具收益率时间序列中，配有一个函数G，表示Y 独立于另一个金融工具X 的依赖度， 以及参数θ:

然后，Boosting 错误类型的计算如下:

式中，I_st<>0 是指示函数，当G(X_t, θ) 与Y_t 准确匹配时，I_st<>0的值就为零;当ε_t不等于零时，I_st<>0 等于1。时间序列W， 代表分配给每个观测时间的Boosting 权重，其中第一次迭代时所有的权重均为1，在此后的迭代中按如下的公式计算权重:

式中，

这种机器学习算法最终产生一个函数G(X_t, θ) ，紧密贴近Y_t 。运行机器学习模拟的人类研究人员选择这样的训练及测试，和额外的预测等的参数。

机器学习算，法可能会有一个致命的缺陷: 缺乏经济基础的数据挖掘可能产生在过去稳定但长期看未必稳定的关系。这种偶然的关系被称为虚假推论，用来对因变量的未来行为进行预测是不可靠的。在本书成书之时，还没有机器学习算法可以超越其立即交易应用程序而智能化，所以也不会威胁到人类。

|总结|

本章讨论了常常表现为高频交易不良后果之证据的算法。如本章所述，围绕高频交易策略的大多数担心都是不必要的。不过，有些策略确实是高频市场操纵的直接结果，即便如此，这些策略也是可以筛选出来的，因此大大降低了所有市场参与者的风险。

|章末习题|

1. 什么是潜伏套利?

2. 假设IBM 股票同时在NYSE 以125.03 以及在东京以125.07 交易。从市场有效性的观点看，潜伏套利对IBM 股价造成良性还是不良的冲击?

3. 什么是价差剥头皮?什么是回扣获取?

4. 什么样的分层挂单是操纵性的? 什么样的是良性的?

5. 我们如何发现拉高出货的高频操纵?

6. 什么是机器学习?