可觀察量的重要性在於它可以承載大量信息，即使它依賴於隱藏變量。 例如，交易執行順序就是一個可觀察量。它明顯依賴於隱藏變量，例如訂單流。 然而，仍然可以從可觀察量構建估計器，並測試假設或模型，以評估觀察事件的可重複性，而不必知道隱藏變量。 我們可以通過定義實際順序和理想順序之間的距離，來比較實際執行順序與理想順序，其中交易按優先級完美排序。 由此，我們為每個調度器獲得一個特定的分佈。 在基本假設下，例如在執行之前安排交易所花費的時間和並行度，我們可以使用模擬重現測量的分佈，假設所有調度器的訂單流是均勻的。 我們發現： - 一個在交易可用時執行交易的調度器，僅使用優先級來解決並發交易，幾乎完美地重現了 Agave - 一個每 50 毫秒批量執行交易的調度器幾乎完美地重現了 BAM - 一個在執行所有內容之前等到接近時段結束的調度器幾乎完美地重現了 Frankendancer 的收入調度器 這些都不假設訂單流的差異。 這是否意味著可以消除訂單流作為隱藏變量？不。 模型重現數據的事實並不意味著對模型的擾動不會產生尾部效應，使得訂單流在研究異常值或重複異常事件時成為一個重要變量。 這是否意味著在“平等訂單流”制度下無法學到任何東西？不。 你所學到的是在平等條件下調度的行為。