可观察量的重要性在于它可以携带大量信息，即使它依赖于隐藏变量。 例如，交易执行顺序就是一个可观察量。它显然依赖于隐藏变量，例如订单流。 然而，仍然可以从可观察量构建估计器，并测试假设或模型，以评估观察到的事件的可重复性，而不必知道隐藏变量。 我们可以通过定义实际顺序与理想顺序之间的距离，将实际执行顺序与理想顺序进行比较，理想顺序是按优先级完美排序的交易。 由此，我们为每个调度器获得一个特定的分布。 在基本假设下，例如在执行之前调度交易所花费的时间和并行化的程度，我们可以使用假设所有调度器的订单流是均匀的模拟来重现测量的分布。 我们发现： - 一个调度器在交易可用时执行交易，仅使用优先级来解决并发交易，几乎完美地重现了Agave - 一个每50毫秒批量执行交易的调度器几乎完美地重现了BAM - 一个在接近时隙结束时才执行所有交易的调度器几乎完美地重现了Frankendancer的收入调度器 这一切都不假设订单流的差异。 这是否意味着可以消除订单流作为隐藏变量？不。 模型重现数据的事实并不意味着对模型的扰动不会产生尾部效应，使得订单流在研究离群值或重复异常事件时成为一个重要变量。 这是否意味着在“平等订单流”制度下无法获得任何知识？不。 你所学到的是在平价条件下调度的行为。