论文部分内容阅读
【摘要】为验证指令流毒性指标对我国量化交易中所存在的风险具有有效性和准确性的预警作用，本文基于信息不对称条件下的指令流毒性检验的算法模型VPIN的基础上，优化模型参数的评价过程，提高算法执行速度，并对关键参数设定添加了动态调整的过程，以“光大乌龙指”事件为研究案例，选取2013年5月至12月的市场逐笔交易数据，对我国沪深300指数期货和股票市场进行细致的实证分析。通过对沪深300指数期货市场计算出的29734个VPIN值做描述性统计、频度统计和波动性分析，结果表明：VPIN序列具有右偏、后尾的特征，同时市场大部分时间整体波动在合理范围内，而异常波动只占到了很小的部分，但是这小部分的异常波动处于了流毒性指标的高位值，这意味着市场极有可能会发生巨幅异常波动，流毒性指标在“乌龙指事件”发生之前就给出提醒指示，具有预警性。本文为我国量化交易市场的风险监管有着重要的参考价值，提出了准确、及时的风险预警值。
【关键词】指令流毒性 量化监管 动态调整 股指期货
一、引言
高频交易如风暴一般的席卷了华尔街，据统计2009年之前，美国市场中将近2000个交易公司中几乎2%是高频交易公司，然而2009年开始美国高频交易公司分别占了70%的股票市场交易量和近50%的期货市场交易量，这些高频交易公司通常充当了做市商的角色，向市场提供流动性，也提高流动性。
市场微观结构指出知情交易者可以利用不知情交易者获利。指令流被认为是有毒性的当它逆向选择做市商时，做市商可能在其不知情的情况下在提供流动性的同时承受了损失，而指令流毒性会产生巨大的市场风险。
传统的衡量指令流毒性的PIN值（伊斯利，基弗，奥哈拉和裴普曼提出了一种算法，即通过报价序列中的数据推断出知情交易的概率即PIN值。
学者伊斯利在知情交易概率PIN的基础上，提出了一种新的方法可直接估计高频交易中的指令流毒性（VPIN）。这种方法可以避免估计那些不可观测到的参数，并且可以随着新信息到达市场的速度来随机的更新VPIN，克服了在交易量很大的市场里难以估计PIN的困难，是一种较为简单易操作的测量指令流毒性的处理方法；实证结果表明VPIN可以预测短期毒性诱导的波动，特别是当涉及到大的价格波动的时候。
刘文文，张合金使用VPIN模型，2010年6月17日到2011年7月15日的数据来衡量我国股指期货市场上的指令流毒性；分析结果表明，VPIN可以监测到沪深300指数期货大跌和大涨时候的指令流毒性。
林焕耿试图基于VPIN构造高频交易策略，使用沪深300股指期货2011年11月到2012年10月的高频交易数据，以15分钟为时间框架计算VPIN及收益率。分析结果表明，当VPIN较大时，收益率与其一阶滞后项有显著的负相关关系。这意味着VPIN对于预测股指期货收益率的作用。
综合国内外研究而言，国外研究学者从市场微观结构——信息模型出发，研究得出VPIN模型来直接估计高频交易中的指令流毒性，并基于“闪电崩盘”提供了验证。但VPIN模型中的关键参数设定是由研究者的经验值而定，并非一个科学的值，该模型算法仍有待提升。
二、数据来源与处理
本文选取的是样本为我国沪深300股指期货市场2013年5月2日至12月31日的当月主力合约的高频交易数据。
光大乌龙指事件发生在2013年8月16日，于是决定选择样本期间为2013年5月至12月。其次，在选取样本数据中，对于乌龙指当天的数据经过反复思考论证，决定使用次月主力合约的当天数据而非当月主力合约中的当天数据。因为光大乌龙指事件发生在8月16日，恰逢8月当月主力合约的交割日。上午发生了乌龙指事件光大买入了一揽子股票触发了一系列买卖交易，引致股市出现疯狂的上涨。尽管A股出现了较大的市场异动，但IF1308合约（当月合约）交割一切正常，顺利交割，交割量处于正常水平，未出现异常变动。交易量在小范围内放大，只有极少的大量买卖单入场。并未出现异动。可以看出乌龙指当天的影响主要体现在次月合约中，更能吻合市场的真实情形，于是最终使用次月合约中的当天数据来替换当月合约中的当天数据。
三、模型设定与计算
直观的说，模型解释了不知情交易中正常水平下的一只股票中的买和卖，并且使用数据来定义不知情交易指令流的概率，即ε。异常的买或卖的量解释了知情交易，并用这个量来定义θ。存在异常买量或卖量的交易阶段数用来定义α和β。
随着交易的进行，流动性提供者观察交易并且建模犹如他们使用贝叶斯定律来更新他们对指令流毒性的认知，这些认知在本文中被描述为参数估计。P（t）（Pn（t），Pb（t），Pg（t））我们记这个为流动性提供者对于事件的想法。在时间t，n表示没有消息发生，b表示坏消息发生，g表示好消息发生。于是他的认知（参数估计）在时间0时的P（0）=（1-α，αβ，α（1-β））。
这里，αθ+2ε是所有订单的到达率，αθ是知情交易订单的到达率。PIN非常直白的表现出了在一个信息交易阶段开始交易的可能性。PIN可以计量在整个订单流中，由于知情交易者而引起的部分订单，并且价差等式表示，PIN是决定价差的关键因素。
这些公式阐明了观点流动性提供者为了识别出进出市场的最优的水平需要正确的估计PIN值。PIN值的意外增加将会导致流动性提供者在不调整自己价格的时候蒙受损失。
计算PIN值的模型标准的途径使用了最大似然法来估计不可观测到的参数（α，β，θ，ε）操纵着交易中的随机过程，并且PIN源自于这些参数估计。在Easley（2012）文章中，提出了一个在高频市场中直接的测量毒性的分析估计，并不需要不可观测参数的中间值估计。他们改进了算法，用交易量的时间试图匹配市场中新消息到达的速度。这个以量为基础的算法，我们记为VPIN，为在高频交易环境下测量指令流毒性提供了一个简单的度量方法。 整合交易能减轻交易分裂的影响，使用标准化的价格变化使得交易量分布以概率计算（我们叫做体积分布）。我们计算买量和卖量（VBτ和VSτ）用一分钟的时间条（我们之后会展示我们的研究结果同样适用于其他时间段的整合），但是分析也可以用交易量的分段。
同步交易量篮子使得我们可以很简单的估计这种规范。特别是，回想起我们将一个交易日分割至等规模的交易量篮子并且每一个交易量篮子相当于是一个时期的信息到达。这意味着VBτ+VSτ是一个常量，对于所有时间限制τ来说这个常量等于V。然后我们近似交易不平衡的期望为在n个交易篮子的平均交易不平衡。
计算VPIN是基于成交量划分的时间而非时钟时间。实现基于成交量的取样方法是将交易序列以均匀成交量分组，称为一个“成交量篮子”。一个成交量篮子是成交量加总的一组交易。完成篮子的最后一笔交易如比所需要的大，超过的成交量将被划分到下一个篮子，按照这样的成交量篮子取样后我们获取到一个观测值。构建成交量篮子时对每一笔买入和卖出成交量进行分类，成交量的方向与交易指令单毒性存在潜在联系，结合总成交量水平和成交量的方向可以指示出存在新信息的可能性。因此，买入成交量占多数说明毒性来自好的信息，反之亦然。我们通过观测买单和卖单之间交易的强度和不平衡性来估计出VPIN。
估计VPIN值需要选择V，即每个篮子的交易量，并且n是篮子的数量通常近似交易不平衡的期望。我们初始规定V为日平均交易量的50分之一。如果我们选择n=50，我们将会在50个篮子中估计VPIN指标，日平均交易量相当于找到了一个日VPIN值。我们的研究结果在广泛范围的V和n值选择下是稳健的。
每生成一个交易量篮子都会更新VPIN指标。这样，当51个篮子满了后，我们舍弃掉第一个篮子并且根据2-51个篮子来计算新的VPIN。
四、实证分析
（一）描述性统计
对沪深300指数期货市场计算出的29734个VPIN值做统计，VPIN的偏度为1.341，说明该序列明显右偏；峰度系数为2.440，说明该序列具有厚尾的特征，从这些统计值可以看出样本期VPIN不服从标准正态分布。
对沪深300指数期货市场的计算出的VPIN值做频度统计，VPIN值绝大多数集中在0.1和0.2这样的低位上，小于等于0.2的占了70.29%。说明市场在大部分时间的表现还是较为稳定的。处于0.2到0.6之间的中间值占到了29.37%，说明市场虽有波动，但整体波动在合理范围内。而高于0.6的只占了0.64%，VPIN高位值出现的次数微乎其微，说明异常波动总是占了很小的部分，这就意味着，通过实时监测VPIN值的发展动态，如果VPIN值出现了较高的数字的时候，要引起足够的重视，极有可能市场会发生巨幅异常波动。
（二）流毒性指标波动性分析
检验VPIN波动性指标包括各种各样的参数问题。本将通过在沪深300指数期货市场对不同的交易量篮子选取的过程来展示VPIN计量的稳健性。
选取交易量篮子的量在检验VPIN值中是一个重要影响因素。在过去使用的算法中，因为VPIN包括了交易不平衡和交易强度，聚集一定的时间间隔可以降低变量的噪声并重新调节。可以通过观察在同一天，使用不同的时间间隔聚集篮子内交易量的VPIN值表现，来检验稳健性。
本文中，交易量篮子内采用的是逐笔交易区分买卖交易量来聚合交易量篮子，以交易量篮子滚动计算VPIN值。而交易量篮子的大小（V）会影响到VPIN的计算。因为V越大，篮子数n就越小，滚动计算的次数少，意味着估计有不详尽的可能。如果V的设置选择太小，滚动计算次数太多，虽然更精确了却也是加大了计算量。一方面要保证计算VPIN值得准确性，另一方面也要控制计算量免得做多余无用功还浪费时间。
本文对VPIN模型的关键参数设定添加了动态调整的过程，经过反复的计算与调整，对交易量篮子（V）的值扫描更多的值，得出在更多V值下的VPIN模型计算的稳健性，给出V有效的参数库。以光大乌龙指事件当天2013年8月16日的VPIN来看：沪深300指数期货市场，V取日平均交易量的1/250—1/150之间，VPIN指标能够准确预警出乌龙指事件：
结合上图可知，V选取1/200—1/150日平均交易量，VPIN指标都可以在乌龙指发生前指出市场流毒性高，能够很好的预警出乌龙指事件，具有事前预警效果。
而对于1/200—1/150日平均交易量之外的参数，VPIN输出结果并不如预设中的准确。图2中V取1/100日平均交易量，由于交易量篮子的取值过大，导致滚动的次数少而错失了关键的监测点，从图中可以看出VPIN对乌龙指的到来并没有预警指示；而图3中V取1/250日平均交易量，由于交易量篮子取值过小，篮子滚动次数大大增加，虽然在乌龙指发生之前出现预警指示，但非常遗憾的是，由于滚动次数过多使得VPIN过于敏感，在上午10点多就有预警指示。
五、结论
本文借鉴国外针对新型电子化交易市场的量化监管经验，在等交易量信息交易概率（VPIN）的基础上，优化模型参数的评价过程，提高算法的执行速度。本文基于光大乌龙指事件，运用VPIN模型对我国沪深300指数期货进行实证研究。通过分析光大乌龙指事件当天的VPIN表现，得出VPIN指标在乌龙指发生至少1小时之前就给出预警指示，具有预警性。在沪深300指数期货市场和股票市场的巨大波动性出现之前，VPIN值已经给出预警性指示，说明VPIN指标具有预警作用。并对VPIN进行稳健性检验，稳健性良好，使量化交易市场的事前预警更加准确、可靠。
参考文献
[1]证监会，光大证券异常交易事件的调查处理情况.2013年8月30日.2013.
[2]林焕耿.基于VPIN的沪深300股指期货实证及交易策略研究[D].厦门大学.2014.
[3]王冰，李想.浅议量化投资在国内市场的发展[J].经济视角.2011.7（03）：46～47.
[4]熊熊，袁海亮，张维，张永杰.程序化交易及其风险分析[J].电子科技大学学报（社科版）.2011.12（03）：2～39.
[5]于鹏.一种期货交易模型介绍[J].中国证券期货.2013.21（02）：43～44.
[6]叶伟.我国资本市场程序化交易的风险控制策略[J].证券市场导报.2014.24（08）：43～45.
[7]姚静.我国金融衍生品市场监管模式的选择[J].经济导刊，2011（6）.
[8]方浩文.量化投资发展趋势及其对中国的启示[J].管理现代化.2012.32（05）：3～5.
[9]纪婧.美国对高频交易的监管措施及启示[Z].北京：金融界.2010.
作者简介：郭建峰（1972-），男，汉族，加拿大人，任职于西安邮电大学，研究方向：计算金融学；张元芳（1989-），女，汉族，陕西西安人，就读于西安邮电大学，研究方向：计算金融学；玄翔宇（1989-），男，汉族，内蒙古呼伦贝尔人，就读于西安邮电大学，研究方向：计算金融学；安东（1989-），男，汉族，陕西西安人，就读于西安邮电大学，研究方向：计算金融学。
【关键词】指令流毒性 量化监管 动态调整 股指期货
一、引言
高频交易如风暴一般的席卷了华尔街，据统计2009年之前，美国市场中将近2000个交易公司中几乎2%是高频交易公司，然而2009年开始美国高频交易公司分别占了70%的股票市场交易量和近50%的期货市场交易量，这些高频交易公司通常充当了做市商的角色，向市场提供流动性，也提高流动性。
市场微观结构指出知情交易者可以利用不知情交易者获利。指令流被认为是有毒性的当它逆向选择做市商时，做市商可能在其不知情的情况下在提供流动性的同时承受了损失，而指令流毒性会产生巨大的市场风险。
传统的衡量指令流毒性的PIN值（伊斯利，基弗，奥哈拉和裴普曼提出了一种算法，即通过报价序列中的数据推断出知情交易的概率即PIN值。
学者伊斯利在知情交易概率PIN的基础上，提出了一种新的方法可直接估计高频交易中的指令流毒性（VPIN）。这种方法可以避免估计那些不可观测到的参数，并且可以随着新信息到达市场的速度来随机的更新VPIN，克服了在交易量很大的市场里难以估计PIN的困难，是一种较为简单易操作的测量指令流毒性的处理方法；实证结果表明VPIN可以预测短期毒性诱导的波动，特别是当涉及到大的价格波动的时候。
刘文文，张合金使用VPIN模型，2010年6月17日到2011年7月15日的数据来衡量我国股指期货市场上的指令流毒性；分析结果表明，VPIN可以监测到沪深300指数期货大跌和大涨时候的指令流毒性。
林焕耿试图基于VPIN构造高频交易策略，使用沪深300股指期货2011年11月到2012年10月的高频交易数据，以15分钟为时间框架计算VPIN及收益率。分析结果表明，当VPIN较大时，收益率与其一阶滞后项有显著的负相关关系。这意味着VPIN对于预测股指期货收益率的作用。
综合国内外研究而言，国外研究学者从市场微观结构——信息模型出发，研究得出VPIN模型来直接估计高频交易中的指令流毒性，并基于“闪电崩盘”提供了验证。但VPIN模型中的关键参数设定是由研究者的经验值而定，并非一个科学的值，该模型算法仍有待提升。
二、数据来源与处理
本文选取的是样本为我国沪深300股指期货市场2013年5月2日至12月31日的当月主力合约的高频交易数据。
光大乌龙指事件发生在2013年8月16日，于是决定选择样本期间为2013年5月至12月。其次，在选取样本数据中，对于乌龙指当天的数据经过反复思考论证，决定使用次月主力合约的当天数据而非当月主力合约中的当天数据。因为光大乌龙指事件发生在8月16日，恰逢8月当月主力合约的交割日。上午发生了乌龙指事件光大买入了一揽子股票触发了一系列买卖交易，引致股市出现疯狂的上涨。尽管A股出现了较大的市场异动，但IF1308合约（当月合约）交割一切正常，顺利交割，交割量处于正常水平，未出现异常变动。交易量在小范围内放大，只有极少的大量买卖单入场。并未出现异动。可以看出乌龙指当天的影响主要体现在次月合约中，更能吻合市场的真实情形，于是最终使用次月合约中的当天数据来替换当月合约中的当天数据。
三、模型设定与计算
直观的说，模型解释了不知情交易中正常水平下的一只股票中的买和卖，并且使用数据来定义不知情交易指令流的概率，即ε。异常的买或卖的量解释了知情交易，并用这个量来定义θ。存在异常买量或卖量的交易阶段数用来定义α和β。
随着交易的进行，流动性提供者观察交易并且建模犹如他们使用贝叶斯定律来更新他们对指令流毒性的认知，这些认知在本文中被描述为参数估计。P（t）（Pn（t），Pb（t），Pg（t））我们记这个为流动性提供者对于事件的想法。在时间t，n表示没有消息发生，b表示坏消息发生，g表示好消息发生。于是他的认知（参数估计）在时间0时的P（0）=（1-α，αβ，α（1-β））。
这里，αθ+2ε是所有订单的到达率，αθ是知情交易订单的到达率。PIN非常直白的表现出了在一个信息交易阶段开始交易的可能性。PIN可以计量在整个订单流中，由于知情交易者而引起的部分订单，并且价差等式表示，PIN是决定价差的关键因素。
这些公式阐明了观点流动性提供者为了识别出进出市场的最优的水平需要正确的估计PIN值。PIN值的意外增加将会导致流动性提供者在不调整自己价格的时候蒙受损失。
计算PIN值的模型标准的途径使用了最大似然法来估计不可观测到的参数（α，β，θ，ε）操纵着交易中的随机过程，并且PIN源自于这些参数估计。在Easley（2012）文章中，提出了一个在高频市场中直接的测量毒性的分析估计，并不需要不可观测参数的中间值估计。他们改进了算法，用交易量的时间试图匹配市场中新消息到达的速度。这个以量为基础的算法，我们记为VPIN，为在高频交易环境下测量指令流毒性提供了一个简单的度量方法。 整合交易能减轻交易分裂的影响，使用标准化的价格变化使得交易量分布以概率计算（我们叫做体积分布）。我们计算买量和卖量（VBτ和VSτ）用一分钟的时间条（我们之后会展示我们的研究结果同样适用于其他时间段的整合），但是分析也可以用交易量的分段。
同步交易量篮子使得我们可以很简单的估计这种规范。特别是，回想起我们将一个交易日分割至等规模的交易量篮子并且每一个交易量篮子相当于是一个时期的信息到达。这意味着VBτ+VSτ是一个常量，对于所有时间限制τ来说这个常量等于V。然后我们近似交易不平衡的期望为在n个交易篮子的平均交易不平衡。
计算VPIN是基于成交量划分的时间而非时钟时间。实现基于成交量的取样方法是将交易序列以均匀成交量分组，称为一个“成交量篮子”。一个成交量篮子是成交量加总的一组交易。完成篮子的最后一笔交易如比所需要的大，超过的成交量将被划分到下一个篮子，按照这样的成交量篮子取样后我们获取到一个观测值。构建成交量篮子时对每一笔买入和卖出成交量进行分类，成交量的方向与交易指令单毒性存在潜在联系，结合总成交量水平和成交量的方向可以指示出存在新信息的可能性。因此，买入成交量占多数说明毒性来自好的信息，反之亦然。我们通过观测买单和卖单之间交易的强度和不平衡性来估计出VPIN。
估计VPIN值需要选择V，即每个篮子的交易量，并且n是篮子的数量通常近似交易不平衡的期望。我们初始规定V为日平均交易量的50分之一。如果我们选择n=50，我们将会在50个篮子中估计VPIN指标，日平均交易量相当于找到了一个日VPIN值。我们的研究结果在广泛范围的V和n值选择下是稳健的。
每生成一个交易量篮子都会更新VPIN指标。这样，当51个篮子满了后，我们舍弃掉第一个篮子并且根据2-51个篮子来计算新的VPIN。
四、实证分析
（一）描述性统计
对沪深300指数期货市场计算出的29734个VPIN值做统计，VPIN的偏度为1.341，说明该序列明显右偏；峰度系数为2.440，说明该序列具有厚尾的特征，从这些统计值可以看出样本期VPIN不服从标准正态分布。
对沪深300指数期货市场的计算出的VPIN值做频度统计，VPIN值绝大多数集中在0.1和0.2这样的低位上，小于等于0.2的占了70.29%。说明市场在大部分时间的表现还是较为稳定的。处于0.2到0.6之间的中间值占到了29.37%，说明市场虽有波动，但整体波动在合理范围内。而高于0.6的只占了0.64%，VPIN高位值出现的次数微乎其微，说明异常波动总是占了很小的部分，这就意味着，通过实时监测VPIN值的发展动态，如果VPIN值出现了较高的数字的时候，要引起足够的重视，极有可能市场会发生巨幅异常波动。
（二）流毒性指标波动性分析
检验VPIN波动性指标包括各种各样的参数问题。本将通过在沪深300指数期货市场对不同的交易量篮子选取的过程来展示VPIN计量的稳健性。
选取交易量篮子的量在检验VPIN值中是一个重要影响因素。在过去使用的算法中，因为VPIN包括了交易不平衡和交易强度，聚集一定的时间间隔可以降低变量的噪声并重新调节。可以通过观察在同一天，使用不同的时间间隔聚集篮子内交易量的VPIN值表现，来检验稳健性。
本文中，交易量篮子内采用的是逐笔交易区分买卖交易量来聚合交易量篮子，以交易量篮子滚动计算VPIN值。而交易量篮子的大小（V）会影响到VPIN的计算。因为V越大，篮子数n就越小，滚动计算的次数少，意味着估计有不详尽的可能。如果V的设置选择太小，滚动计算次数太多，虽然更精确了却也是加大了计算量。一方面要保证计算VPIN值得准确性，另一方面也要控制计算量免得做多余无用功还浪费时间。
本文对VPIN模型的关键参数设定添加了动态调整的过程，经过反复的计算与调整，对交易量篮子（V）的值扫描更多的值，得出在更多V值下的VPIN模型计算的稳健性，给出V有效的参数库。以光大乌龙指事件当天2013年8月16日的VPIN来看：沪深300指数期货市场，V取日平均交易量的1/250—1/150之间，VPIN指标能够准确预警出乌龙指事件：
结合上图可知，V选取1/200—1/150日平均交易量，VPIN指标都可以在乌龙指发生前指出市场流毒性高，能够很好的预警出乌龙指事件，具有事前预警效果。
而对于1/200—1/150日平均交易量之外的参数，VPIN输出结果并不如预设中的准确。图2中V取1/100日平均交易量，由于交易量篮子的取值过大，导致滚动的次数少而错失了关键的监测点，从图中可以看出VPIN对乌龙指的到来并没有预警指示；而图3中V取1/250日平均交易量，由于交易量篮子取值过小，篮子滚动次数大大增加，虽然在乌龙指发生之前出现预警指示，但非常遗憾的是，由于滚动次数过多使得VPIN过于敏感，在上午10点多就有预警指示。
五、结论
本文借鉴国外针对新型电子化交易市场的量化监管经验，在等交易量信息交易概率（VPIN）的基础上，优化模型参数的评价过程，提高算法的执行速度。本文基于光大乌龙指事件，运用VPIN模型对我国沪深300指数期货进行实证研究。通过分析光大乌龙指事件当天的VPIN表现，得出VPIN指标在乌龙指发生至少1小时之前就给出预警指示，具有预警性。在沪深300指数期货市场和股票市场的巨大波动性出现之前，VPIN值已经给出预警性指示，说明VPIN指标具有预警作用。并对VPIN进行稳健性检验，稳健性良好，使量化交易市场的事前预警更加准确、可靠。
参考文献
[1]证监会，光大证券异常交易事件的调查处理情况.2013年8月30日.2013.
[2]林焕耿.基于VPIN的沪深300股指期货实证及交易策略研究[D].厦门大学.2014.
[3]王冰，李想.浅议量化投资在国内市场的发展[J].经济视角.2011.7（03）：46～47.
[4]熊熊，袁海亮，张维，张永杰.程序化交易及其风险分析[J].电子科技大学学报（社科版）.2011.12（03）：2～39.
[5]于鹏.一种期货交易模型介绍[J].中国证券期货.2013.21（02）：43～44.
[6]叶伟.我国资本市场程序化交易的风险控制策略[J].证券市场导报.2014.24（08）：43～45.
[7]姚静.我国金融衍生品市场监管模式的选择[J].经济导刊，2011（6）.
[8]方浩文.量化投资发展趋势及其对中国的启示[J].管理现代化.2012.32（05）：3～5.
[9]纪婧.美国对高频交易的监管措施及启示[Z].北京：金融界.2010.
作者简介：郭建峰（1972-），男，汉族，加拿大人，任职于西安邮电大学，研究方向：计算金融学；张元芳（1989-），女，汉族，陕西西安人，就读于西安邮电大学，研究方向：计算金融学；玄翔宇（1989-），男，汉族，内蒙古呼伦贝尔人，就读于西安邮电大学，研究方向：计算金融学；安东（1989-），男，汉族，陕西西安人，就读于西安邮电大学，研究方向：计算金融学。