你看一场多机位直播。两个镜头先后拍到同一个动作，导播切换稍慢，回放系统却把它数成了两次。美国股票的合并报价也可能出现类似问题：同一次价格移动，经不同交易场所和中央处理器拼接后，会留下两个相隔不到一毫秒的报价变化。统计模型看到这种紧挨着发生的事件，很容易判断“前一次引发了后一次”。
Hyoeun Lee 的这篇 arXiv 论文追问的正是：美股报价流中著名的毫秒级“自激”，究竟来自交易者之间的快速反馈，还是行情流本身的制作方式？作者对八只流动性股票、2016 年 11 月至 2017 年 12 月的数据进行比较，结论是：在美国 consolidated quote feed（合并报价流）里，尤其对 large-tick stocks（最小价格跳动相对较大的股票），事件怎么定义，会显著改变模型看到的聚集强度。
需要先说明，本文涉及的数字和结论均来自这一篇论文，尚无独立信源交叉验证。它挑战的是一种具体数据与估计口径，不能外推到所有市场或所有高频价格聚集。
一次价格移动，为什么会变成两个事件？
美国股票分散在十多个交易场所交易。每个场所把自己的报价发给中央处理器，再由后者拼成 NBBO——全市场受保护报价中的最高买价和最低卖价。不同场所的更新到达处理器有先后，合并结果便可能短暂出现“中间态”。
论文举出的典型情况是锁盘：最高买价暂时等于最低卖价。假设原来的买卖报价是 20.00/20.01 美元，随后价格整体上移一档。中央处理器可能先收到新买价 20.01，于是短暂发布 20.01/20.01；稍后才收到新卖价 20.02。按中间价计算，系统记录了两次半档上涨。但从较稳定的价格水平看，它只是从 20.005 一次移到 20.015。
另一类中间态发生在最优档报价被交易耗尽后。价差可能短暂扩大，几十微秒后恢复。中间价于是先跳一下，再跳回来；或者一次完整移动被拆成两个半档移动。论文将这些锁盘和报价耗尽后的短暂状态统称为 brief states。
在样本中的 large-tick stocks 里，约一半 NBBO 变化属于锁盘或报价耗尽后的变化，并在一毫秒内解决。以 INTC 的一个详细交易日为例，96% 的价格移动会经过锁盘。论文也发现，问题不只存在于锁盘：IBM 几乎没有锁盘，但原始中间价变化中仍有约三分之一的间隔短于一毫秒，来源是短暂的正价差状态。
这些中间态并非“没有交易发生”。报价耗尽本身往往就由交易触发。作者要剥离的是：它们是否构成新的、可持续的价格水平，而不是它们是否属于真实市场活动。
Hawkes 模型把“紧挨着”读成了什么？
论文使用 Hawkes process——一类描述“某个事件发生后，短期内其他事件更容易发生”的统计模型。它常被用来研究成交或报价的聚集。模型中的 kernel（核函数）描述这种影响有多强、持续多久。
另一个常见指标是 branching ratio（分支比）：一个事件平均引出多少后续事件。接近 1 往往被解释为系统接近“临界状态”，也就是大部分事件由此前事件触发，外部到来的事件很少。此前对 IBM 和 AAPL 的拟合得到 0.6—0.7，并发现一个记忆短于一毫秒的核成分，约 40% 的事件被归到这一成分。
问题在于，Hawkes 模型只知道事件何时发生，不知道两个事件为何挨得很近。交易者对价格变化的反应、两个场所更新同一次移动、锁盘解除，甚至共同冲击，在模型里都可能表现为 excitation（自激）。这里的“触发”是统计上的先后关联，不等于因果关系。
如果一次真实移动被行情流拆成两个事件，第二个事件几乎必然紧跟第一个。模型便会为它安排一个亚毫秒级核成分。说白了，模型可能不是发现了交易者以微秒速度相互激发，而是在学习中央行情流如何收尾。
关键一步：只把站稳一毫秒的价格算作事件
作者没有先改模型，而是先改“什么算一次价格变化”。论文从同一批 NBBO 状态构造三套事件序列：原始序列保留每次中间价变化；第二套合并短暂锁盘；第三套进一步合并所有持续不足一毫秒的状态。主要分析采用第三套，并把新价格首次出现的时刻作为时间戳。
这相当于看比分时，不把屏幕刷新过程中的瞬间错位算成两次得分。一个短暂跳出又返回的价格不构成事件；经过短暂中间态完成的移动只算一次。这个规则是事后重建，因为只有状态结束后，研究者才知道它是否持续满一毫秒。因此，它不是可直接用于实时交易的信号定义。
作者随后分别拟合上涨和下跌事件组成的双变量 Hawkes 模型。核函数由多个指数成分组成，用来覆盖不同时间尺度；baseline（基线）按每个交易日的半小时区间变化，用来吸收开收盘附近和不同日期的正常活跃度差异。模型还设置一毫秒 refractory period（不应再出现新事件的“死区”），与清洗后的事件定义保持一致。
亚毫秒成分消失了，差距主要就在第一毫秒
论文报告，改用“持续至少一毫秒的中间价水平”后，原始拟合中的亚毫秒级核成分消失。清洗后的核质量主要分布在约 10 毫秒至 30 秒之间。这里的 kernel mass（核质量）可以理解为：一个事件在给定时间窗内预计带来多少额外事件。
原始事件口径在一秒窗口内得到的核质量，约为清洗后口径的三倍；大部分差异集中在最初一毫秒。换成价格延续来衡量，原始模型暗示的事件后价格延续也接近数据实际表现的三倍。
作者还做了模拟：先用拟合后的 Hawkes 模型生成价格移动，再按照数据中测得的短暂状态加入一层“合并行情”，最后用三种事件定义重新拟合。论文称，仅加入这些 brief states，就能复现原始口径与清洗口径之间的扭曲；清洗口径则能在四指数核和幂律核两种设定下恢复固定窗口内的核质量。
这组证据支持作者的核心判断：至少在所研究的 consolidated US quote feed 中，亚毫秒成分主要是分散市场经合并行情拉伸后的产物，而非价格本身具有的时间尺度。
为什么不再盯着那个“接近临界”的数字？
论文还指出，总分支比会与 baseline 相互权衡。模型可以把更多事件解释成历史事件引发的，也可以把它们放进外部基线；不同基线分辨率下，AIC 和 BIC 两种模型选择标准又不能给出一致答案。于是，一个脱离具体设定的总分支比并不稳固。
作者改为报告固定窗口内的核质量，主要看一秒和十秒。论文称，一秒内的核质量不依赖其考察的基线设定；十秒内的核质量在基线按 30 分钟及更细尺度变化时也较稳定。这个变化很重要：研究重点从一个容易被解读成“市场内生性”的总数，转向数据在较明确时间窗内真正能够识别的量。
清洗后，价格变化的聚集并没有消失。论文发现，自激强度会随市场活跃程度变化，在月份之间、日内和日期之间都如此。也就是说，争议不在于价格变化会不会成群出现，而在于其中有多少是经济意义上的聚集，又有多少是行情制作留下的机械配对。
为什么值得关注
高频数据看起来精确到微秒，但更细的时间戳不自动等于更接近真实过程。数据表中的一行究竟代表一次价格形成、一次报价恢复，还是同一移动在不同场所的两个阶段，必须先回答。否则，模型越擅长捕捉短期规律，越可能把数据管道的规律学得很准。
这篇论文的提醒也很克制：Hawkes 模型没有因此失效。它仍然能描述清洗后从约 10 毫秒到数十秒的聚集。真正需要重审的是事件定义，以及把分支比直接解释为市场接近临界、交易行为高度内生的做法。
局限与未知
- 结果来自八只流动性股票、14 个月的单篇研究，而且样本以 large-tick regime 为主。“约一半”和“三倍”不能当作所有股票、时期与市场的普遍比例。
- 排除持续不足一毫秒的价格水平，既会清除合并行情产生的短暂状态，也可能机械过滤同一时间尺度上的真实价格事件。论文用阈值稳健性、exchange-time 重建和模拟支持其解释，但这仍是研究者定义的清洗规则。
- 清洗后的模型也没有完全通过校准检验。论文把剩余失配定位在开盘时更强的自激、短于五分钟的爆发，以及线性对称核无法产生的更多价格反转。换句话说，去掉行情拼接的重影之后，模型仍不是市场的完整地图。