研究结论
　　文献信息：本次分享的论文由资深量化研究员Peter L. Shi撰写，于2026年发表于《The Journal of Financial Data Science（JFDS）》冬季刊，题为《EstimatingIntraday Cumulative Delta Using End-of-Day Trading Data》。论文提出了一种仅利用日频OHLCV数据（开盘价、最高价、最低价、收盘价及成交量）重建日内累计Delta的方法，实现了在缺乏Tick数据条件下对订单流信息的近似恢复。
　　推荐理由：累计Delta是衡量主动买卖力量变化的重要订单流指标，但传统计算高度依赖逐笔成交数据。论文创新性地利用OHLCV数据重建日内价格路径与成交量分布，在无需高频数据支持的情况下估计累计Delta，大幅降低了订单流研究的数据门槛，为传统量价因子向市场微观结构因子扩展提供了新的研究思路。
　　核心框架：论文构建了“价格路径重建→成交量分配→订单流估计→累计Delta计算”的完整框架。1）高低点顺序判定：利用开盘价与价格区间几何中心关系，推断日内价格更可能遵循“O-H-L-C”或“O-L-H-C”路径；2）成交量分配：借鉴平方根冲击规律，根据价格波动幅度对总成交量进行拆分；3）订单流恢复：估计主动买入量与主动卖出量贡献；4）累计Delta构建：实现仅依赖OHLCV数据恢复订单流信息。
　　亮点分析：相比传统OBV指标与Tick级订单流研究，论文具有三方面创新价值：1）从价格结果分析扩展至价格形成过程分析；2）从收盘涨跌判断资金流向升级为买卖力量估计；3）在保留部分订单流信息的同时，大幅降低数据获取与计算成本；4）为缺乏高频数据支持的市场提供了可落地的订单流因子构建方案。
　　实证结果：论文选取Broadcom（AVGO）与Intel（INTC）两只股票进行案例分析。结果显示，在AVGO顶部区域，重建后的Delta_MVA50指标较OBV更早发出转弱信号，随后股价出现接近40%的回调；在INTC底部区域，Delta_MVA50率先回升，提前反映市场买卖力量改善迹象。两个案例共同表明，重建累计Delta在趋势拐点识别和资金行为刻画方面优于传统OBV指标。
　　优化方向：结合A股市场与团队高频因子研究实践，提出以下优化方向：1）从个股案例扩展至全市场因子检验，利用IC、RankIC及分层回测验证其Alpha价值；2）引入机器学习优化价格路径重建过程，利用Level-2数据学习真实价格演化规律，提高订单流恢复精度。
　　风险提示
　　1.本模型通过历史行情数据搭建而成，若市场风格、资金流向与交易逻辑发生转变，指标有效性可能下降甚至失效，建议日常持续跟踪模型运行状态。
　　2.市场大幅震荡、个股突发利好利空等极端场景，会破坏原有测算规则，导致指标信号失真，据此操作容易产生投资亏损。
　　3.该指标依靠日频行情数据近似还原订单流，本身存在估算偏差，面对震荡、宽幅波动等复杂行情时，误差会进一步放大。
　　4.原研究标的为美股，而A股交易制度、投资者结构存在明显差异，将模型直接套用在A股各类个股上，会出现适配性不足、效果不及预期的情况。