在高频金融市场中，价格变化与交易方向并不是彼此独立的。买方主动交易往往推动价格上涨，卖方主动交易则可能带来价格下跌；与此同时，订单流还具有明显的持续性和短期反转特征。传统向量自回归模型（VAR）结构清晰、便于解释，但通常只能刻画线性关系；神经网络能够捕捉复杂的非线性模式，却容易陷入“预测准确但无法解释”的黑箱困境。该研究《Explainable Deep Learning for Price-Trade Dynamics: From Black-Box Forecasts to Effective Parametric Models》（2026年9月3日）提出了一条连接两者的新路径：先利用深度神经网络发现市场中的非线性结构，再借助基于Shapley值的解释方法拆解模型贡献，最终将这些规律转化为简洁、可估计、具有经济含义的参数模型。也就是说，研究试图完成这样一条路径：神经网络预测 → SHAP解释 → 发现非线性规律 → 构建可解释模型。研究使用NASDAQ股票的高频限价订单簿数据，选取2024年6月的10只股票，其中包括5只大Tick股票和5只小Tick股票。大Tick股票的买卖价差通常接近一个最小价格变动单位，而小Tick股票的价差则更大。- vt：带符号的交易量，买方主动交易为正，卖方主动交易为负。
研究首先建立两个基准模型。第一类是使用20阶滞后项的线性VAR模型；第二类是结构为三层全连接网络的深度神经网络，同样利用过去20期的收益率和带符号交易量预测下一期结果。随后，研究利用SHAP方法分解神经网络的预测结果，回答三个问题：- 能否将神经网络发现的复杂关系转化为更简单的参数模型？
研究的核心发现是，非线性关系并非完全无序，而是集中体现为几种具有明确经济含义的机制：订单流持续性、非线性价格冲击，以及由过去收益率决定的状态依赖效应。样本外结果显示，深度神经网络在收益率预测方面几乎普遍优于VAR模型。以大Tick股票为例，BAC的收益率预测 R2从VAR模型的0.0494提高到0.0591，INTC从0.0814提高到0.1217，CSCO从0.0764提高到0.0982。小Tick股票中，TSLA的收益率预测 R2则从0.0433提高到0.0906。相比之下，交易量预测的结果更加复杂。神经网络在小Tick股票上通常表现更好，但在大Tick股票中，VAR模型在部分样本上仍然具有竞争力。这说明不同市场结构下，价格和交易量的可预测性来源并不相同。大Tick股票的收益率相对更容易预测，可能与价格受到最小Tick单位约束有关；小Tick股票的价格变化更加连续和复杂，但订单流方向通常具有更强的持续性，因此交易量预测能力更高。SHAP分析显示，神经网络的解释贡献主要集中在第一阶滞后，即最近一次收益率和交易量。随着滞后阶数增加，变量的重要性迅速下降。这一结果说明，高频价格与交易动态具有很强的短期性。更长的历史信息并非完全无用，但其作用主要体现为对近期信号的补充，而不是决定预测方向的核心因素。滞后带符号交易量对下一期收益率和交易量都表现出“同号影响”。- 正的交易量更可能延续为正的交易量，负的交易量也具有类似持续性。
但这种影响并不是简单的线性关系。随着交易量绝对值增加，边际影响逐渐减弱，呈现出明显的饱和特征。换言之，小规模买卖压力可能显著改变价格预期，但当交易量已经很大时，继续增加交易量带来的额外影响会逐步下降。这一结果同时对应两种经济机制：在收益率方程中，它体现为非线性的价格冲击；在交易量方程中，则体现为订单流持续性。
过去收益率并不总是直接决定下一期价格的方向，而是调节订单流信号的强弱。当上一期收益率接近于零时，模型倾向于延续此前订单流的方向。例如，上一期存在买方压力但价格尚未明显上涨，下一期仍可能预测为正收益率。但当上一期价格已经发生较大变化时，模型预测中的延续效应会减弱，甚至转变为反转效应。这意味着，较大的价格变动可能已经部分反映了此前的交易压力，随后市场更容易出现冲击衰减、流动性补充或短期均值回归。虽然模型在预测时只使用滞后变量，没有直接将当期交易量放入收益率方程，但当期订单流的影响并没有消失，而是保留在模型残差之间的同期依赖中。研究进一步提取交易量创新对收益率创新的同期影响，发现该关系同样呈现同号且饱和的形态。同期订单流创新平均可以解释大Tick股票约16.2%、小Tick股票约17.9%的剩余收益率波动。这表明，在剔除历史信息后，价格形成过程中仍然存在重要的即时订单流冲击。基于SHAP分析，研究构建了一个只使用最近一期收益率和交易量的非线性参数模型。模型包含两部分：第一部分使用双曲正切函数描述交易量的方向性和饱和性：当过去收益率较小时，第二项与过去订单流同号，强化趋势延续；当过去收益率绝对值较大时，该项可能变号，体现价格冲击衰减或短期反转。令人关注的是，这个只使用一阶滞后项的简化模型，预测表现并不逊色于使用20阶输入的神经网络。在收益率预测方面，它在所有股票上都超过了VAR模型；在BAC、CSCO和PFE等大Tick股票上，其样本外 R2 分别达到0.0934、0.1156和0.0845，明显高于对应VAR结果。对于交易量预测，多滞后扩展模型进一步加入了随滞后阶数指数衰减的非线性项。结果显示，收益率预测主要依赖最近一期信息，而交易量预测则具有更明显的长期持续性，因此多滞后模型对交易量的提升更加显著。这项研究的价值并不只是证明神经网络能够提高高频预测准确率，更在于展示了一种从“黑箱预测”走向“可解释建模”的完整流程。神经网络负责发现复杂关系，SHAP负责拆解变量贡献，参数模型则将这些关系转化为可以估计、比较和解释的经济机制。实证结果表明，价格与交易动态中的非线性主要集中在三个方面：交易量的方向性与饱和效应、订单流的持续性，以及过去收益率对订单流信号的调节和反转作用。对于量化投资而言，这种思路尤其值得关注。未来在因子挖掘、订单簿建模、市场冲击、波动率预测等问题中，也许不必纠结于“传统模型还是深度学习”二选一，而可以尝试：机器学习负责发现未知结构，统计模型负责把结构讲清楚。这或许才是“可解释AI”在量化研究中更有价值的方向。 https://arxiv.org/abs/2609.06085v1
