4. 金融机器学习之【非对称信息下的价格形成】
目录
系列文章目录
4. 金融机器学习之【非对称信息下的价格形成】
前言
本文章所属系列：
《Machine Learning and Data Sciences for Financial Markets: A Guide to Contemporary Practices》文章解读。
该书是由Agostino Capponi和Charles-Albert Lehalle联合主编的学术著作，由剑桥大学出版社于2023年8月出版。
该书整合60余位领域专家的研究成果，涵盖金融机器学习的前沿实践，旨在桥接传统量化金融与现代数据科学，系统探讨机器学习在金融市场的应用。
Price Formation and Learning in Equilibrium under Asymmetric Information位于原书129-151页，隶属于该书第一大板块。
文章聚焦市场微观结构（Market Microstructure, MS）领域，核心研究非对称信息环境下金融市场均衡的形成机制及其性质。
文章主要讨论了 Kyle（1985）的批量拍卖模型和 Glosten-Milgrom（1985）的序贯交易模型两大核心框架。
文章和【订单流与价格形成】一文的写作风格是相似的，也是针对金融市场的微观机制的科普、数理建模和对模型性质的分析，是众多计量经济模型、动态决策、数据流方法等的基础，但并不涉及具体的算法或实证。
感兴趣的读者请自行延申学习，或向笔者留言。
阅读难度：★★★☆☆（研究生/入门水平）
一、预备知识
- 信息不对称
信息不对称指市场参与者掌握的信息存在差异（如内幕交易者知晓资产真实价值，做市商仅观察订单流），因此交易分为内幕交易和噪声交易。信息不对称是 Kyle 模型和 Glosten-Milgrom 模型（以及几乎所有从做市商角度出发的计量模型）的核心假设。
- 贝叶斯纳什均衡
贝叶斯纳什均衡出自博弈论，指的是在不完全信息博弈中，参与者的策略是在给定概率分布下的最优反应，且概率分布符合贝叶斯更新。Kyle 模型的均衡定义即为此类，要求内幕交易者与做市商相互最优响应。
- HJB 方程
HJB（Hamilton-Jacobi-Bellman）方程适用于连续时间场景的动态规划问题，用于求解最优控制问题，常见于工程领域。其数理推导及性质较复杂，在此不做展示。文中通过 HJB 方程推导内幕交易者最优策略，将随机优化问题转化为偏微分方程。
二、Kyle 模型基础
1、均衡框架
为直观展示 Kyle 模型，文章构建了简化场景：
某资产在时刻 1 的价值 V 已知，内幕交易者提前知晓 V，噪声交易者需求为独立随机变量，做市商观察净需求 Y=θ+n（θ 为内幕交易者交易量，n 为噪声需求），并以零预期利润定价，即价格表示为
在贝叶斯纳什均衡的假设下，内幕交易者的最优化问题是：
通过一阶条件和贝叶斯法则，解得
其中，λ 即 Kyle 的 lambda，衡量价格对交易量的敏感性：噪声交易量越大，λ 越小，市场流动性越高。
Kyle 的 lambda 是市场微观结构的核心指标，反映信息不对称程度。当噪声交易活跃，市场流动性高，内幕交易更难被识别，做市商定价调整温和，市场更 “深”。笔者注。
2、连续时间的 Kyle 模型
以上简化是单个时间点的Kyle模型，只完成一次优化。
现实中内幕交易者会动态调整策略，Back（1992）将模型扩展至连续时间。
这部分的推导涉及高级概率论和测度论的知识，在此不作过多展开。笔者注。
设定资产在时刻 1 的价值 V 为随机变量，三类参与者为：噪声交易者（需求为布朗运动 B）、做市商（观察总需求 Y=θ+B 并定价 S (t)=H (t,Yₜ)）、内幕交易者（知晓私有信号 Zₜ，目标最大化最终财富的数学期望）。
均衡需满足做市商定价理性和内幕交易者策略最优。通过动态规划原理推导 HJB 方程，得出必要条件。进一步证明，内幕交易者最优策略是通过布朗桥策略将价格在时刻 1 推向其估值
。
这个结论是符合直觉的。笔者注。
同时，总需求 Y 在自身 filtration 中为布朗运动，和噪声交易者的概率分布是接近的，即满足 “不显眼交易定理”—— 内幕交易隐藏在噪声交易中。
3、静态的 Kyle 均衡
静态是指：私有信号在所有时刻都为
。
内幕交易者策略用微分方程表示为：
文章中，内幕交易者的“策略”皆由微分方程或随机控制条件刻画的。与现实中的交易策略不同，文章中的策略是 “均衡策略”，即要满足内幕交易者与做市商的策略互为最优解。而在现实交易中，策略更多是 “实用优化”，未必依赖全局均衡。笔者注。
定价规则 H 满足鞍点条件和终点条件：
此时 Y 是收敛于的布朗桥，做市商条件方差随时间线性下降，Kyle 的 lambda 可以表示为：
上文提到，lambda 反映市场深度，与终点条件的关系是：f 越 “平坦”，流动性越高。
布朗桥是连接固定起点和终点的布朗运动，此处用于描述内幕交易者如何逐步调整交易量，确保最终价格收敛至私有估值，同时隐藏交易痕迹。笔者注。
三、拓展的 Kyle 模型
1、多内幕交易者的竞争效应
当存在 N 个内幕交易者时，模型假设资产价值 V 为
为第 i 个内幕交易者的私有信号，且信号对称分布。
Back 等（2000）证明：若信号完全相关，无均衡；否则存在唯一线性均衡。均衡中，内幕交易者交易强度 β(t) 和价格敏感性 λ(t)=β(t)∑(t)如下，其中∑(t) 为 t 时刻 V 的条件方差。
与垄断内幕交易者对比，竞争会导致：（1）交易强度≤1/(1-t)，信息揭示更慢；（2）条件方差∑(t)＞1-t，市场信息效率更低；（3）Kyle 的 lambda 在 t→1 时趋近于无穷，市场流动性趋近于零。
多内幕交易者的竞争并未加速信息传递，反而因策略互动导致 “信息隐藏”，这与直觉相反。其本质是每个内幕交易者需考虑对手的策略反应，降低了交易激进性，最终降低市场效率。可以理解为狼人杀游戏中的多方博弈会扰乱信息传递、降低所有人的效率。笔者注。
2、动态信息流动
动态是指：考虑单个知情交易者接收到一个持续的信号 Z ，该信号随着时间接近所交易资产价值的公开公告日期而逐渐趋近于 。
套用静态场景中的计算框架，文章指出静态与动态信息流动对单一内幕交易者的均衡性质无影响。
定价规则仍满足，Kyle 的 lambda 性质不变，内幕交易者策略仍为桥策略，总需求 Y 在自身 filtration 中仍为布朗运动。
这表明只要信息结构是马尔可夫的，动态与静态框架的核心结论一致。
四、Glosten-Milgrom 模型
格洛斯顿和米尔格罗姆（1985 年）研究了一个模型，在该模型中，竞争性的风险中立市场做市商向一位提交市场指令的交易者报出买入价和卖出价，以进行一项资产的交易。该市场指令可能是得到明确指示的，也可能是来自出于模型内固有原因而进行交易的噪声交易者。
Glosten-Milgrom 模型与 Kyle 模型的核心差异在于交易机制：前者为序贯单位订单，做市商报买卖价，内幕交易者与噪声交易者序贯提交订单；后者为批量订单，做市商按净需求定价。
在该模型中，噪声交易为泊松过程驱动的买卖订单，资产价值 V∈{0,1}，内幕交易者使用混合策略（随机与噪声订单反向交易）隐藏身份。尽管策略形式不同，但其均衡仍满足 “桥性质”—— 价格最终收敛至 V。
当交易强度极高（
）时，模型收敛于 Kyle 模型，表明 Kyle 模型可视为高活跃度序贯交易的极限情形。
混合策略指内幕交易者的行动不仅依赖私有信息，还引入随机因素，这是序贯交易中避免身份暴露的必要手段 —— 若总是按固定规则交易，做市商可通过订单流识别出内幕交易并调整定价，侵蚀其利润。笔者注。
五、风险厌恶的做市商
实证研究（如 Huang 和 Stoll, 1997）表明做市商风险厌恶，其库存围绕目标水平均值回归，这与风险中性假设矛盾。
Çetin 和 Danilova（2016）构建连续时间模型，假设做市商具有指数效用（风险厌恶系数 γ），均衡需同时满足做市商定价规则与内幕交易者最优策略。
定价规则 H 满足 HJB 方程，sigma是布朗运动的波动率参数：
总需求 Y 呈现均值回归特性，其动态为：
价格过程 S 为 backward stochastic differential equation（BSDE）的解，Kyle 的 lambda 不再是鞅，且可能为次鞅（执行成本随时间递增），与 Madhavan 等（1997）的实证结果一致。
本BSDE方程的求解过程是单独一篇论文的内容，在文章中也没有具体展开。感兴趣的读者请自行了解。笔者注。
风险厌恶导致风险分担机制变化：内幕交易者无法通过极端策略获利，因做市商会调整价格抵消风险暴露，这解释了为何现实中价格敏感性常随交易期临近上升。
总结
本篇文章为文献综述和学科发展回顾的论文，涉及到了专业术语解释、数理理论推导、证明等。适合已有金融市场、计量经济学、随机过程基础知识的学生及从业者进行阅读学习。
更多的文章请关注该文章解读系列，我会持续更新。
欢迎各位读者在评论区交流讨论。
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
38
0- 0
已为社区贡献5条内容
所有评论(0)