智能订单路由（SOR）：你的单子到底去了哪

你的成交从哪来不是你选的，是路由器替你选的，而路由器有自己的激励：费率、返佣、内部化、毒性。看懂这套激励，才知道它在为谁干活。

第 11 篇 · 共 12 篇约 9 分钟

你按”买入”。你的单消失进 broker 的路由器。几百毫秒之后你成交了。你以为这个成交来自你屏幕上显示最优价的那个地方。

不是。

美股同时在十几家亮交易所、30 多家替代交易系统（ATS，主要是暗池）和无数内部化 broker-dealer 上交易。你屏幕上的 NBBO（National Best Bid and Offer）是个综合出来的数字，可能在你看它的那一瞬间不存在于任何单一场所。你下的单被切片、路由、分批成交，还可能在途中被一个以微秒做决策的智能订单路由器（SOR）重新路由。

不懂你的 SOR 怎么工作，你就是蒙着眼交易。路由器决定你跨什么点差、付什么费、拿什么成交，以及——最要命的——你泄露了什么信息。而路由器不是中立的管道：它的每个决策背后都有激励，费率表、返佣、内部化收益、毒性数据。这篇文章顺着这些激励走一遍，最后落到那个必须问的问题：它到底在为你干活，还是为别人？

Harris（2003，第 25 章）用市场碎片化来框这件事：同一证券同时在多处交易创造了套利机会，也带来了执行复杂性。SOR 就是为驾驭这种复杂性而生的。问题只在于它替谁驾驭。

版图

美国的股票亮场所是注册交易所：NYSE、Nasdaq、CBOE，还有 IEX——它从 ATS 起家，2016 年起已是注册交易所。每家有自己的簿、费率表和延迟谱。

暗池是不挂报价的 ATS：内部撮合，然后把成交报到合并 tape 上（经由 FINRA 的成交报告设施 TRF）。例子有高盛的 Sigma X、摩根士丹利的 MS Pool、Citadel Connect、瑞信的 Crossfinder、Virtu 的 MatchIt，还有几十家。

内部化方是用自己库存成交、根本不路由到任何场所的 broker-dealer。零售流量被重度内部化：Payment for Order Flow（PFOF）意味着零售市价单由 Citadel Securities、Virtu 这类 wholesaler 成交，点差归他们。

对同一只股票，你的 SOR 可能同时看到 5 家亮所的显示量、8 个暗池的隐藏量迹象、2 个 wholesaler 的内部化报价。每个子单发去哪，就是 SOR 逻辑的全部内容。

基本决策树

当你下一笔 1000 股的市价买单，SOR 大致按这个顺序走：

查 NBBO。 跨所有亮场所的最优卖价是多少？
查暗池。 有没有隐藏量的迹象，价格可能在 NBBO 或更好？
查内部化方。 有没有 wholesaler 愿意以亚美分优于 NBBO 的价成交？
相应路由。 把单发到价格、量、费用组合最优的场所。
按需重路由。 第一个场所没成交就转下一个。

流动股票上的小单，这基本是机械动作。不流动名字上的大单，这是个多阶段优化——而优化目标里除了你的成交质量，还混着别的东西。先从最明码标价的那部分讲起：费。

亮所路由：费的博弈

SOR 把单发到亮所时，要么挂簿（maker）要么立刻吃（taker），决策变量有四个：这个所给加流动性的返佣还是收吃流动性的费；具体费率——maker-taker 费用在每股 $0.0015 到$ 0.0030 之间，对 100000 股的单就是 $150–$ 300，方向反过来也一样；撮合引擎速度（对延迟敏感的策略有关系）；以及成交概率——有些所对可成交单的成交率就是比别家高。

经典 maker-taker 模型：你挂限价单，有人扫了你，你拿返佣；你发可成交单吃流动性，你付费。但有些交易所是反过来的——taker-maker，吃单方反而收钱。这类倒挂场所对吃单方特别有意思：如果你的 SOR 配置成对激进单优先走倒挂场所，每股能多收千分之几美元的返佣。费虽小，乘上量就不小。

def route_marketable_order(side, qty, venues):
    """为可成交单挑最佳场所。"""
    best_venue = None
    best_effective_cost = float('inf')
    for venue in venues:
        quote = venue.nbbo(side)
        fee = venue.taker_fee(side)
        cost = quote + fee              # 成交的有效成本
        if cost < best_effective_cost:
            best_effective_cost = cost
            best_venue = venue
    return best_venue

这是玩具。真实 SOR 还要算成交概率、排队位置、延迟和反作弊保护——而且”有效成本最低”不一定赢：如果那个场所”有毒”，里面的知情交易者吃了你的流动性就把价格带走，账面省下的费转眼在价格上加倍还回去。毒性怎么量化，后面单独讲。

暗池路由：省点差的代价

暗池不挂报价。你的 SOR 发一笔单（或兴趣表达）过去，池子的撮合引擎试着把它跟挂着的单配上；配不上，单就在暗池里等，或者到时效后撤掉。

它的吸引力实打实：没有显示点差，跟暗单成交在点差内就是价格改善；你的单不显示在任何簿上，别人看不到你挂着；很多池子按 NBBO 中点撮合，中点成交的买单直接省半个点差。

但每一条都有对价。逆向选择：暗池里的流动性不是随机的——知情交易者偏爱暗池，正是为了避免被抢跑，所以你在暗池拿到的平均成交更可能”有毒”，对手方知道点什么。信息泄露：你的单不显示，但你 SOR 发出的 ping 本身是可观测的，老练的做市商看到 ping 就知道有人在找量。费：有些暗池对吃单收费，有时比亮所还高；有些付返佣但成交质量差。

Harris（2003，第 25 章）详细讨论过暗池。他指出暗池是对亮市执行的回应：机构不想让订单被看见，于是有了藏订单的场所。隐藏流动性和信息泄露之间的权衡，就是暗池的核心设计问题——也是下一节反作弊逻辑存在的原因。

反作弊：别让路由模式出卖你

一个对每笔单 ping 每个暗池的天真 SOR，会被识别然后被收割。模式太好认了：10 毫秒内为一笔 100 股的单扫过 8 个暗池，老练的对手立刻知道这是零售内部化流或者小算法，然后抢在它前面成交。

反作弊逻辑的目标是让 SOR 的行为不可预测。现代做法包括：设最小规模门槛，单子不够大就不 ping 暗池；随机化时机，绝不同时 ping 所有池；变换顺序，按天、按股票换着来；条件路由，最近显出知情流迹象的池直接跳过；再加上 IEX 式的减速带——IEX 用 350 微秒延迟中和最快的交易者，其他场所也跟进了各自的反延迟套利机制。

代价是你的 SOR 行为变得不一致：今天跳过了昨天 ping 过的池，TCA 里就多出一块说不清的偏差。少数 TCA 系统会跨订单对比 SOR 行为把这块算出来，大部分不算。

内部化：最不透明的一层

零售 broker 收到零售市价单时，单子往往被 broker 自己的交易台或 wholesaler（Citadel Securities、Virtu）在 NBBO 之内的价格直接成交。Wholesaler 为订单流付钱给 broker（PFOF），点差留给自己。

机构流的内部化没那么普遍，但存在。你的 broker 如果同时是做市商，可能报价在 NBBO 中点内部成交你。经济账听着打平——他赚点差，你省点差——但实操中内部化成交有时劣于显示价。大多数机构 SOR 在 broker 兼做市商时内置了内部化偏好，这同时是执行问题和监管问题：SEC 从 2020 年起就在盯 PFOF 和内部化。你 broker 的 SOR 内部化的量，很可能比你想要的多——多多少，后面讲披露规则时你会看到怎么查。

四个场景，四种路由

路由决策落到实处长什么样，举四个例子。

流动股票上的小市价单：SOR 同时路由到两三家亮所、在 NBBO 拿走流动性，可能顺手从倒挂场所捞点价格改善。成本 0–1 美分每股，你基本注意不到。被打的大笔限价单：SOR 挑 maker 返佣最高、队列最深的所挂上，并且刻意避开内部化——你要的是显示成交，不是 wholesale 成交。成本是负的：点差加返佣都是你赚。不太流动股票上的大市价单：SOR 先 ping 暗池找中点成交，能填多少填多少，再扫亮所收尾。成本 3–10 美分每股，看规模和波动率。新闻事件中的单：SOR 冻结路由、等簿稳定、再恢复——不这么做就是往一团乱的簿里冲，按过时报价付天价。

这四个场景之间的成本差不是细节。配得好的 SOR 稳定地每笔省 5–10 bp；配得烂的稳定地丢同样多。

买方能控什么，不能控什么

如果你是买方，你对 SOR 有一些杠杆，但比你以为的少。

你能指定的：场所偏好（“别把我的单发到暗池 X，那边成交有毒”）、反作弊参数（“随机化我的路由”）、暗池参与率上限（“暗池成交不超过我订单的 20%”）、亮所优先级（“激进单优先走倒挂场所拿返佣”）。你通常控不了的：内部化逻辑——那是 broker SOR 的内置件，你能整个禁掉但不能指挥它；延迟优化——broker 的低延迟基础设施是他的资产不是你的；反作弊 IP——最好的反作弊逻辑是 broker 的核心机密。

这就是 broker 选择极其重要的原因：SOR 是 broker 的知识产权，好坏差距很大。Broker 怎么选，另有一篇专门讲。

这里还有一层容易忽视的结构：算法和路由器是一个栈。VWAP 算法不在乎子单去哪个场所，它在乎成交干净、场所组合不多付钱；但寻流算法 ping 暗池等隐藏单，它自己就是半个 SOR；聚合多所流动性的 POV 算法也是。“算法”和”路由器”的边界早就模糊了——算法做高层决策（何时、多激进），SOR 做低层路由（去哪），但算法的决策约束 SOR，SOR 的能力反过来约束算法。所以评估 broker 的执行必须评估整个栈：算法好、SOR 烂的 broker，跑不过算法平庸、SOR 更好的。有经验的买方交易员都知道这点；没经验的不知道。

毒性检测：路由器的免疫系统

前面反复出现的”有毒”，现在给出操作定义：一个场所的成交如果系统性地跟着对你不利的价格变动，它就是有毒的。暗池 X 的成交在成交后 30 秒内一直比别家差 2–3 bp？降级它。

量化毒性有三条路。Markout：成交时刻 $t$ 之后，量 $t+1s$ 、 $t+5s$ 、 $t+30s$ 的价格变化，价格对你反向就是毒。成交率分析：一个池在 NBBO 上只填你 30% 的单、却在更差价位填 50%——它在挑对自己有利的时候成交你。对比模型预期：模型预测填价 X，你一致地填在 X − 2 bp，这个场所给你的就是比模型预期更差的成交。

def markout_score(fills, lookhead_ms=5000):
    """计算一组成交的平均 markout。"""
    total = 0
    for fill in fills:
        future_price = get_mid(fill.symbol, fill.time + lookhead_ms)
        if fill.side == 'BUY':
            total += future_price - fill.price
        else:
            total += fill.price - future_price
    return total / len(fills)

负 markout 等于场所的成交有毒（成交后价格对你反向），正 markout 等于成交对你有利。现代 SOR 用 markout 数据动态重排场所：过去一小时发毒的暗池当场降级。这也解释了为什么你 broker 的路由日内看起来不一致——它在适应。

用监管数据核账

那么怎么验证这一切不只是 broker 的说辞？从 2020 年起，SEC 一直在推路由透明化，给了你三样可以拿在手里的东西。

Rule 606 要求 broker 每季度披露路由实践：你的单被路由到了哪、付了或收了多少费。Rule 605 要求执行场所按月披露执行质量统计：实际拿到的成交质量对比当时可得的。ATS 报告规则要求暗池披露更多运营细节。

这对买方就是杠杆。606 报告显示 broker 把你 40% 的流量内部化在了差价位？拿数据怼回去。605 数据显示价格改善一致跑输行业中位？你有了重谈的理由。诚实的 broker 欢迎这套披露；不诚实的 broker 的 606 报告里全是星号和脚注——这本身就是信息。

具体的核账清单不长：拉你的 606 报告，看单子去哪了、付了什么；按场所比 markout，分清哪些池给好成交哪些给毒成交；查内部化率是否超出你的意愿；评估新 broker 时先发小单追踪路由；然后找 broker 的 SOR 团队当面聊路由逻辑——大 broker 都有这样的团队，解释不清楚的就是红旗。如果你在 broker 这边管 SOR，同一套逻辑反着用：持续量毒性、把毒场所从默认路由里摘掉，随机化但有界（过度反作弊会损执行质量），把 606 写成人能读的东西，并且接受 SOR 不是”设了就忘”的系统——它需要持续标定。

最后，市面上的 SOR 大致四种画像：零售导向（重内部化、吃 PFOF、NBBO 或亚美分成交，小单友好、机构流很差）、机构默认（亮暗混合、重用中点暗池、选择性内部化，多数机构流的合理平衡）、激进寻流（多池 ping、亮所挂返佣单、激进内部化，为大额流动单优化）、耐心型（以被动挂单为主、等成交，为不紧急的稳定名字优化）。你要哪种取决于策略；大多数机构交易员用第二或第三种。分清自己拿到的是哪种，是核账的第一步。

参考文献

Harris, L. (2003). Trading and Exchanges: Market Microstructure for Practitioners. Oxford University Press. 第 25 章。ISBN: 978-0-19-514470-3.
Perold, A. F. (1988). “The Implementation Shortfall: Paper Versus Reality.” Journal of Portfolio Management, 14(3), 4-9.
Almgren, R., & Chriss, N. (2000). “Optimal Execution of Portfolio Transactions.” Journal of Risk, 3(2), 5-39.