5D Library › 高频限价订单簿微观结构、霍克斯自激点过程与逆向选择毒流 · English

第一章 信息不对称与买卖价差:格罗斯滕—米尔格罗姆与凯尔

价差从哪里来

在任何一个有做市商(或连续挂单者)的市场里,买价低于卖价。教科书通常把价差分成三个部分:处理订单的成本;做市商持有库存所承担的风险;以及与比自己知道得更多的人交易所造成的损失 (O’Hara 1995; Hasbrouck 2007)。第二部分最早由何与斯托尔用动态规划模型化:一个风险厌恶的做市商在收益不确定时会根据库存调整报价 (Ho and Stoll 1981),这条线索在第二章展开。第三部分是本章的主题。科普兰与加莱把做市商的报价看成免费送给所有人的期权:知道真实价值的人只在报价「错」的时候才行权,做市商必须从不知情的交易者那里赚回这部分损失 (Copeland and Galai 1983)。

本章讨论两个把这一想法写成均衡模型的经典框架。

注

关于人名。 作者的框架把 1985 年那篇序贯交易模型称为「格罗斯曼—米尔格罗姆」。核对后应为格罗斯滕(Lawrence R. Glosten)与米尔格罗姆(Paul R. Milgrom),发表于《金融经济学杂志》第 14 卷第 1 期第 71–100 页 (Glosten and Milgrom 1985)。格罗斯曼(Sanford J. Grossman)是格罗斯曼—斯蒂格利茨 1980 年「信息有效市场的不可能性」一文的作者之一 (Grossman and Stiglitz 1980),本章最后会简短提到。另外,格罗斯滕—米尔格罗姆是序贯交易模型;「序贯拍卖」与「连续拍卖」是凯尔 1985 年文中的两种设定 (Kyle 1985)。

格罗斯滕—米尔格罗姆:每一笔成交都是信号

模型的设定很简单。资产的真实价值 VV 只有两种可能,VHV_H 或 VLV_L,做市商的先验概率为 π=P(V=VH)\pi = P(V = V_H)。每一期来一个交易者,交易一个单位:以概率 μ\mu 他是知情交易者,知道 VV,价值高就买、低就卖;以概率 1−μ1-\mu 他是噪声交易者,各以一半的概率买或卖。做市商是风险中性的,并且处在竞争之中,期望利润为零,所以她的卖价等于「来者要买」这一条件下 VV 的条件期望,买价等于「来者要卖」条件下的条件期望:

a=E[V∣买]=π(μ+1−μ2)VH+(1−π)1−μ2VLπμ+1−μ2,b=E[V∣卖].a = E[V \mid \text{买}] = \frac{\pi\,(\mu + \tfrac{1-\mu}{2})\,V_H + (1-\pi)\,\tfrac{1-\mu}{2}\,V_L}{\pi\mu + \tfrac{1-\mu}{2}}, \qquad b = E[V \mid \text{卖}] .

成交之后,她用贝叶斯公式更新 π\pi,再报下一期的价格。在 π=12\pi = \tfrac12 时,代入可得 a−b=μ(VH−VL)a – b = \mu\,(V_H – V_L):价差与知情交易者的比例成正比。这里没有订单处理成本,也没有库存风险,价差完全来自逆向选择。

证据

格罗斯滕与米尔格罗姆证明了这个模型的几个一般性质 (Glosten and Milgrom 1985):成交价格序列是一个鞅(做市商的条件期望);随着交易进行,价格收敛到真实价值,价差随之缩小;价差的大小取决于知情交易者的比例与其信息的精度。他们还指出,当流动性交易者对价格有弹性、逆向选择又足够严重时,做市商可能找不到任何能保本的报价,市场就此关闭(第四章用程序重现这一点)。

下面的程序取 VH=101V_H = 101、VL=99V_L = 99、先验 1/2,先列出不同知情比例下的初始报价,再模拟 60 笔交易(真实价值为 VHV_H),最后看做市商低估知情比例时的后果。

推导

# Glosten-Milgrom (1985) sequential-trade model. The asset is worth V_H = 101 or V_L = 99
# (prior 1/2). Each period one trader arrives: informed with probability mu (buys if V_H,
# sells if V_L) or uninformed (buys or sells with probability 1/2 each). A competitive,
# risk-neutral dealer sets ask = E[V | buy] and bid = E[V | sell] and updates her belief.
import random, statistics

VH, VL = 101.0, 99.0

def quotes(pi, mu):
    pbh, pbl = mu + (1 - mu) / 2, (1 - mu) / 2          # P(buy | V_H), P(buy | V_L)
    pb = pi * pbh + (1 - pi) * pbl
    ask = (pi * pbh * VH + (1 - pi) * pbl * VL) / pb
    psh, psl = 1 - pbh, 1 - pbl
    ps = pi * psh + (1 - pi) * psl
    bid = (pi * psh * VH + (1 - pi) * psl * VL) / ps
    return bid, ask, pi * pbh / pb, pi * psh / ps          # posteriors after buy / sell

def session(rng, mu, mu_dealer, n=60, v=VH):
    pi, pnl_inf, pnl_noise, spreads = 0.5, 0.0, 0.0, []
    for _ in range(n):
        bid, ask, pi_b, pi_s = quotes(pi, mu_dealer)
        spreads.append(ask - bid)
        if rng.random() < mu:                              # informed trader
            side, who = (1 if v == VH else -1), "inf"
        else:
            side, who = (1 if rng.random() < 0.5 else -1), "noise"
        gain = (ask - v) if side == 1 else (v - bid)        # dealer's gain on this trade
        if who == "inf":
            pnl_inf += gain
        else:
            pnl_noise += gain
        pi = pi_b if side == 1 else pi_s
    return spreads, pnl_inf, pnl_noise, pi

if __name__ == "__main__":
    print("spread at the prior (pi = 1/2) equals mu x (V_H - V_L):")
    print("   mu     bid      ask    spread")
    for mu in (0.0, 0.1, 0.3, 0.5, 0.9):
        b, a, _, _ = quotes(0.5, mu)
        print(f"  {mu:.1f}  {b:7.3f}  {a:7.3f}  {a - b:6.3f}")
    rng = random.Random(1985)
    print("60 trades, true value V_H, 20,000 sessions per row (dealer knows mu):")
    print("            mean spread at trade        P(pi_60    dealer P&L per trade")
    print("   mu    t=1   t=10   t=30   t=60   > 0.99)  informed   noise    total")
    for mu in (0.1, 0.3, 0.5):
        S, I, N, P = [], [], [], []
        for _ in range(20_000):
            sp, pi_, pn, pf = session(rng, mu, mu)
            S.append(sp); I.append(pi_ / 60); N.append(pn / 60); P.append(pf > 0.99)
        m = [statistics.fmean(s[t] for s in S) for t in (0, 9, 29, 59)]
        i, nn = statistics.fmean(I), statistics.fmean(N)
        print(f"  {mu:.1f}  " + "  ".join(f"{x:.3f}" for x in m)
              + f"   {statistics.fmean(P):.3f}   {i:+.4f}  {nn:+.4f}  {i + nn:+.4f}")
    print("dealer underestimates toxicity (true mu 0.3; V_H and V_L equally often):")
    for md in (0.3, 0.2, 0.1, 0.05):
        tot = []
        for k in range(20_000):
            v = VH if k % 2 == 0 else VL
            _, pi_, pn, _ = session(rng, 0.3, md, v=v)
            tot.append((pi_ + pn) / 60)
        se = statistics.stdev(tot) / len(tot) ** 0.5
        print(f"   dealer's mu {md:.2f}: P&L per trade {statistics.fmean(tot):+.4f}"
              f" (s.e. {se:.4f})")
# spread at the prior (pi = 1/2) equals mu x (V_H - V_L):
#    mu     bid      ask    spread
#   0.0  100.000  100.000   0.000
#   0.1   99.900  100.100   0.200
#   0.3   99.700  100.300   0.600
#   0.5   99.500  100.500   1.000
#   0.9   99.100  100.900   1.800
# 60 trades, true value V_H, 20,000 sessions per row (dealer knows mu):
#             mean spread at trade        P(pi_60    dealer P&L per trade
#    mu    t=1   t=10   t=30   t=60   > 0.99)  informed   noise    total
#   0.1  0.200  0.183  0.153  0.120   0.012   -0.0698  +0.0694  -0.0003
#   0.3  0.600  0.307  0.092  0.018   0.930   -0.0526  +0.0526  +0.0001
#   0.5  1.000  0.169  0.006  0.000   1.000   -0.0234  +0.0232  -0.0002
# dealer underestimates toxicity (true mu 0.3; V_H and V_L equally often):
#    dealer's mu 0.30: P&L per trade -0.0001 (s.e. 0.0002)
#    dealer's mu 0.20: P&L per trade -0.0216 (s.e. 0.0002)
#    dealer's mu 0.10: P&L per trade -0.0761 (s.e. 0.0002)
#    dealer's mu 0.05: P&L per trade -0.1494 (s.e. 0.0003)

第一张表验证了 a−b=μ(VH−VL)a – b = \mu(V_H – V_L):知情比例 0.1 时价差 0.2,0.5 时价差 1.0。第二张表显示价差随交易收窄的速度取决于 μ\mu:知情比例 0.5 时,到第 10 笔价差已从 1.000 缩到 0.169,60 笔后做市商几乎确定真实价值;知情比例 0.1 时,60 笔后价差仍有 0.120,只有 1.2% 的会话中后验概率超过 0.99。信息少的时候,价格学得慢。

最后三列说明「零利润」的含义:做市商对知情交易者每笔平均亏 0.0698(μ=0.1\mu = 0.1),从噪声交易者那里每笔平均赚 0.0694,二者相抵,合计在模拟误差之内为零。噪声交易者支付的价差,就是转移给知情交易者的信息租金。最后一部分把真实的知情比例固定为 0.3,让做市商按较低的比例报价:她以为是 0.2 时每笔平均亏 0.0216,以为是 0.1 时亏 0.0761,以为是 0.05 时亏 0.1494。低估「毒性」的代价是系统性的亏损,这就是第四章「订单流毒性」概念的模型基础。

凯尔:知情交易者把信息藏在噪声里

格罗斯滕—米尔格罗姆模型中,知情交易者每次只能交易一个单位。凯尔 1985 年的模型让知情交易者选择交易多少 (Kyle 1985)。资产价值 v∼N(p0,Σ0)v \sim N(p_0, \Sigma_0);一个知情交易者知道 vv;噪声交易者的订单 u∼N(0,σu2)u \sim N(0, \sigma_u^2);做市商只看到总订单量 x+ux + u,并按零利润定价 p=E[v∣x+u]p = E[v \mid x + u]。

单期均衡第 39 本已经推导并用模拟核对过:知情交易者的订单 x=β(v−p0)x = \beta(v – p_0),β=σu/Σ0\beta = \sigma_u/\sqrt{\Sigma_0};价格 p=p0+λ(x+u)p = p_0 + \lambda(x+u),λ=12Σ0/σu\lambda = \tfrac12\sqrt{\Sigma_0}/\sigma_u;成交之后价格只吸收了一半的私人信息(Σ1=Σ0/2\Sigma_1 = \Sigma_0/2),知情交易者的期望利润为 12Σ0σu\tfrac12\sqrt{\Sigma_0}\,\sigma_u。这里只回顾结论,本章关心的是多期与连续时间的情形。

序贯拍卖。 把交易时段 [0,1][0, 1] 等分为 NN 次拍卖,每次的噪声订单方差为 σu2Δt\sigma_u^2\Delta t。凯尔的定理 2 给出线性均衡满足的差分方程:知情交易者在第 nn 次的订单为 βnΔt(v−pn−1)\beta_n\Delta t\,(v – p_{n-1}),

βnΔt=1−2αnλn2λn(1−αnλn),λn=βnΣnσu2,Σn=(1−βnλnΔt)Σn−1,\beta_n\Delta t = \frac{1 – 2\alpha_n\lambda_n}{2\lambda_n(1 – \alpha_n\lambda_n)}, \quad \lambda_n = \frac{\beta_n\Sigma_n}{\sigma_u^2}, \quad \Sigma_n = (1 – \beta_n\lambda_n\Delta t)\,\Sigma_{n-1},

αn−1=14λn(1−αnλn),δn−1=δn+αnλn2σu2Δt,\alpha_{n-1} = \frac{1}{4\lambda_n(1 – \alpha_n\lambda_n)}, \qquad \delta_{n-1} = \delta_n + \alpha_n\lambda_n^2\sigma_u^2\Delta t,

终端条件 αN=δN=0\alpha_N = \delta_N = 0,二阶条件 λn(1−αnλn)>0\lambda_n(1 – \alpha_n\lambda_n) > 0。其中 αn\alpha_n、δn\delta_n 是知情交易者价值函数的系数,期望总利润为 α0Σ0+δ0\alpha_0\Sigma_0 + \delta_0。前两式合起来是 λn\lambda_n 的三次方程;方程组是齐次的,可以先设 ΣN=1\Sigma_N = 1 向前倒推,最后按比例换算到 Σ0=1\Sigma_0 = 1。

连续拍卖。 当 N→∞N \to \infty,凯尔证明均衡收敛到一个连续时间的极限:λ(t)=Σ0/σu\lambda(t) = \sqrt{\Sigma_0}/\sigma_u 为常数,Σ(t)=(1−t)Σ0\Sigma(t) = (1-t)\Sigma_0,知情交易者的交易强度 β(t)=(σu/Σ0)/(1−t)\beta(t) = (\sigma_u/\sqrt{\Sigma_0})/(1-t) 越临近收盘越大,期望总利润为 Σ0σu\sqrt{\Sigma_0}\,\sigma_u,恰为单期的两倍;价格是布朗运动,交易结束时私人信息全部进入价格。

推导

# Kyle (1985) sequential auctions: N equally spaced auctions on [0, 1], v ~ N(0, S0),
# noise order flow u_n ~ N(0, su2 * dt). Backward recursion of Kyle's Theorem 2:
#   2 lam^2 su2 dt (1 - a lam) = S_n (1 - 2 a lam)       (lam_n, with a = alpha_n)
#   beta_n dt = lam_n su2 dt / S_n,   S_{n-1} = S_n / (1 - beta_n lam_n dt)
#   alpha_{n-1} = 1 / (4 lam_n (1 - alpha_n lam_n))
#   delta_{n-1} = delta_n + alpha_n lam_n^2 su2 dt
# with alpha_N = delta_N = 0. The system is homogeneous: solve with S_N = 1, then rescale
# so that S0 = 1 (lam and profits scale with sqrt(S), alpha with 1/sqrt(S)).
# Monte Carlo lines show simulated values with the recursion's values in brackets.
import math, random, statistics

def kyle(N, su2=1.0):
    dt = 1.0 / N; S, a, d = 1.0, 0.0, 0.0; lam, bdt, Ss = [], [], [1.0]
    for _ in range(N):
        lo, hi = 0.0, (1 / (2 * a) if a > 0 else 1e6)
        for _ in range(200):                                     # bisection for lam_n
            m = (lo + hi) / 2
            f = 2 * m * m * su2 * dt * (1 - a * m) - S * (1 - 2 * a * m)
            lo, hi = (m, hi) if f < 0 else (lo, m)
        L = (lo + hi) / 2; b = L * su2 * dt / S
        d, a = d + a * L * L * su2 * dt, 1 / (4 * L * (1 - a * L))
        S = S / (1 - b * L); lam.append(L); bdt.append(b); Ss.append(S)
    c = 1 / S                                                    # rescale to S0 = 1
    lam = [x * math.sqrt(c) for x in reversed(lam)]
    bdt = [x / math.sqrt(c) for x in reversed(bdt)]
    Ss = [x * c for x in reversed(Ss)]
    profit = (a * S + d) * math.sqrt(c)
    return lam, bdt, Ss, profit

def monte_carlo(N, rng, n=100_000):
    lam, bdt, _, _ = kyle(N); prof, err = [], []
    for _ in range(n):
        v, p, pi = rng.gauss(0, 1), 0.0, 0.0
        for k in range(N):
            x = bdt[k] * (v - p); p += lam[k] * (x + rng.gauss(0, math.sqrt(1 / N)))
            pi += x * (v - p)
        prof.append(pi); err.append((v - p) ** 2)
    return statistics.fmean(prof), statistics.fmean(err)

if __name__ == "__main__":
    print("S0 = 1, noise variance 1 per unit time. Continuous limit: lam = 1, profit 1,")
    print("Sigma(t) = 1 - t.  One auction: lam = 0.5, profit = 0.5, Sigma_1 = 0.5.")
    print("    N   lam_1   lam_mid  lam_N   Sigma(1/2)  Sigma_N   insider profit")
    for N in (1, 2, 4, 16, 64, 256, 1024):
        lam, bdt, Ss, pr = kyle(N)
        mid = f"{Ss[N // 2]:9.4f}" if N > 1 else "        -"
        print(f"  {N:4d}  {lam[0]:.4f}  {lam[N // 2] if N > 1 else lam[0]:.4f}"
              f"   {lam[-1]:.4f}   {mid}   {Ss[-1]:.4f}    {pr:.4f}")
    rng = random.Random(1315)
    for N in (1, 16):
        pr_mc, e = monte_carlo(N, rng)
        print(f"Monte Carlo, N = {N:2d}, 100,000 runs: profit {pr_mc:.3f}"
              f" ({kyle(N)[3]:.3f}); E(v - p_N)^2 {e:.3f} ({kyle(N)[2][-1]:.3f})")
# S0 = 1, noise variance 1 per unit time. Continuous limit: lam = 1, profit 1,
# Sigma(t) = 1 - t.  One auction: lam = 0.5, profit = 0.5, Sigma_1 = 0.5.
#     N   lam_1   lam_mid  lam_N   Sigma(1/2)  Sigma_N   insider profit
#      1  0.5000  0.5000   0.5000           -   0.5000    0.5000
#      2  0.6529  0.5882   0.5882      0.6920   0.3460    0.6206
#      4  0.7648  0.7372   0.6642      0.6375   0.2206    0.7307
#     16  0.9012  0.8979   0.7707      0.5647   0.0742    0.8860
#     64  0.9638  0.9635   0.8231      0.5262   0.0212    0.9592
#    256  0.9881  0.9881   0.8437      0.5093   0.0056    0.9869
#   1024  0.9963  0.9963   0.8508      0.5030   0.0014    0.9960
# Monte Carlo, N =  1, 100,000 runs: profit 0.504 (0.500); E(v - p_N)^2 0.502 (0.500)
# Monte Carlo, N = 16, 100,000 runs: profit 0.882 (0.886); E(v - p_N)^2 0.074 (0.074)

程序验证了这几个结论。N=1N = 1 时,λ、利润与 Σ1\Sigma_1 都是 0.5;随着 NN 增大,第一次拍卖的 λ 从 0.5 升到 0.9963,期望利润从 0.5 升到 0.9960,期末剩余的方差从 0.5 降到 0.0014,中点的方差接近 1−t=0.51 – t = 0.5(0.5030)。蒙特卡洛模拟(每种 10 万次)与递推结果一致:N=16N = 16 时模拟的利润为 0.882,递推为 0.886;剩余方差都是 0.074。有一个细节值得指出:最后一次拍卖的 λ 收敛得很慢(N=1,024N = 1{,}024 时为 0.8508),这是终点的边界效应,它只影响测度为零的一瞬,不改变极限结论。

图 1 左图是格罗斯滕—米尔格罗姆模型中的平均价差,右图是凯尔模型中后验方差随时间的路径:拍卖越频繁,信息进入价格的路径越接近直线 1−t1 – t。

左:格罗斯滕—米尔格罗姆模型中,不同知情比例下平均买卖价差随成交笔数的变化(真实价值为 V_H,3,000 次模拟)。右:凯尔模型中,N 次拍卖时后验方差的路径与连续时间极限 1 − t(示意)。

两个模型的共同信息是:价格冲击与价差都是信息不对称的价格。凯尔模型中的 λ 后来成为度量「市场深度」的标准概念(1/λ1/\lambda 是使价格移动一个单位所需的订单量)(Bouchaud et al. 2018);但要注意,它是模型的均衡参数,在数据中估出的回归系数是否等于它,取决于模型是否成立。

格罗斯曼—斯蒂格利茨:为什么还会有人收集信息

如果价格完全反映了信息,就没有人愿意花钱去收集信息;可是如果没有人收集信息,价格又怎么会反映信息?格罗斯曼与斯蒂格利茨 1980 年指出,信息有效的均衡在信息有成本时不可能存在,均衡中必然保留一定程度的「噪声」,使知情者获得的收益恰好补偿信息成本 (Grossman and Stiglitz 1980)。在上面两个模型中,噪声交易者扮演的正是这一角色:没有他们,做市商只会与知情者交易,价差会大到无人成交。这也说明了一个常被忽略的事实:「噪声交易者在逆向选择中亏损」是均衡的一部分,不是可以消除的缺陷。

假说 · 尚未验证 · 报价修正不足

作者的假说(尚未确立): 在逐笔成交数据中,做市商对成交方向的报价修正(格罗斯滕—米尔格罗姆式的贝叶斯更新)在知情交易集中的时段系统性不足,表现为这些时段内的已实现价差显著低于其他时段。什么样的结果能证明它是错的: 在事先写定的「知情集中时段」定义(例如公告前后固定窗口)与基准时段下,已实现价差之差的置信区间包含零或为正。这个检验需要真实的逐笔与报价数据,本书不做。

本章小结

价差的一部分是与知情者交易的代价。格罗斯滕—米尔格罗姆模型中,价差完全来自逆向选择,在先验 1/2 时等于知情比例乘以价值的差,并随交易中信息的揭示而收窄;做市商对噪声交易者的盈利恰好抵消对知情者的亏损,低估知情比例则带来系统性亏损。凯尔模型中,知情交易者把订单藏在噪声里;连续拍卖的价格冲击系数 Σ0/σu\sqrt{\Sigma_0}/\sigma_u 是单期的两倍,信息线性地进入价格。作者框架中的人名已改正为格罗斯滕。

参考文献

Bouchaud, Jean-Philippe, Julius Bonart, Jonathan Donier, and Martin Gould. 2018. Trades, Quotes and Prices: Financial Markets Under the Microscope. Cambridge University Press. https://doi.org/10.1017/9781316659335.
Copeland, Thomas E., and Dan Galai. 1983. “Information Effects on the Bid-Ask Spread.” Journal of Finance 38 (5): 1457–69.
Glosten, Lawrence R., and Paul R. Milgrom. 1985. “Bid, Ask and Transaction Prices in a Specialist Market with Heterogeneously Informed Traders.” Journal of Financial Economics 14 (1): 71–100. https://doi.org/10.1016/0304-405X(85)90044-3.
Grossman, Sanford J., and Joseph E. Stiglitz. 1980. “On the Impossibility of Informationally Efficient Markets.” American Economic Review 70 (3): 393–408.
Hasbrouck, Joel. 2007. Empirical Market Microstructure: The Institutions, Economics, and Econometrics of Securities Trading. Oxford University Press.
Ho, Thomas, and Hans R. Stoll. 1981. “Optimal Dealer Pricing Under Transactions and Return Uncertainty.” Journal of Financial Economics 9 (1): 47–73.
Kyle, Albert S. 1985. “Continuous Auctions and Insider Trading.” Econometrica 53 (6): 1315–35. https://doi.org/10.2307/1913210.
O’Hara, Maureen. 1995. Market Microstructure Theory. Blackwell.

Fan, Y. (2026). High-Frequency Limit Order Book Microstructure, Hawkes Self-Exciting Point Processes and Adverse-Selection Flow Toxicity: From the Avellaneda–Stoikov Market-Making Equations to VPIN, Read Beside Classical Chinese Thought on Market Equilibrium [高频限价订单簿微观结构、霍克斯自激点过程与逆向选择毒流] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23828065 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).