暗池逆向选择：省下的半个价差被信息成本吃掉了多少

核心结论：在知情交易者占比超过约 2.5% 的市场里，暗池的名义节省（half-spread × 成交率）必然被逆向选择成本覆盖。 知情占比 30% 时，暗池的名义节省约 0.26 bps，但被动执行者的 markout 比 lit 市场还差 4.13 bps，净收益 −3.87 bps——每省 1 分钱价差，要额外亏 16 分钱信息成本。知情者越多，暗池越像一个「主动把买家送到知情者嘴边」的机制。

一、为什么暗池「省价差」是纸面数字#

暗池（dark pool）在美国交易生态里占成交量的 30%~45%（某些交易日甚至超过 50%）。它的卖点简单直接：执行于 nbbo midpoint，比在 lit 市场买 ask 或卖 bid 省 half-spread。

但这个「节省」忽略了一个关键成本：逆向选择（adverse selection）。

暗池本质上是匿名撮合——你不知道对手是谁，做市商也不知道。当一个知情交易者（有私人信息，知道价格即将上涨）在暗池下单做多，他更急切、更单边（更倾向于成交），因此成交率远高于噪音交易者。结果：被动执行者在暗池里「中招」的概率比 lit 市场高得多。

直觉：想象你在赌场里找零——你「省了」一小笔服务费，但对手全是出老千的。省下来的钱，迟早加倍还回去。

二、受控仿真设计：把直觉拆成数字#

我们构造一个完全受控的 Kyle 风格双场所世界：

lit market（有价差）  vs  dark pool（midpoint 成交、零显性价差）
知情者（有 sig=±1 信号，价格将漂移 μ·MW） vs 噪音者（随机交易）
知情者成交率 80%    vs    噪音者成交率 40%

关键机制：知情者更急着成交，因此成交率更高。这导致暗池中被动执行者与知情者配对的概率上升——成交率高本身是逆向选择的信号。

# 知情者成交率 80%，噪音者 40%
FR_INFORMED = 0.80   # 知情单更急着成交
FR_UNINF    = 0.40   # 噪音单成交更慢

# 被动执行者视角的 markout 计算
for t in range(n_periods):
    is_inf = np.random.rand() < informed_frac
    passive_dir = np.random.choice([-1, 1])  # 随机买或卖（中性）
    ep = mid[t]    # 当前成交价
    fm = mid[t+MW] # MW 步后的 future mid

    # 是否在暗池成交？
    dark_filled = np.random.rand() < (FR_INFORMED if is_inf else FR_UNINF)

    if dark_filled:
        # 暗池在 midpoint 成交，省了 half-spread
        # 但知情者 counterparty 时，做市商已调整报价
        adverse = beta * drift * MW if is_inf else 0.0
        ret = passive_dir * (fm - ep) / ep - adverse
    else:
        # lit 市场付 half-spread（买付 ask，卖收 bid）
        ret = passive_dir * (fm - ep) / ep - passive_dir * half_spread

校准参数（SEED = 20260806，600 轮蒙特卡洛）：

三、Markout：成交之后，价格往哪走#

Markout 是衡量逆向选择的最直接指标：成交后 T+MW 步，价格向哪个方向漂移？

知情者买后，价格上涨 → 知情者 markout > 0（他赚了） 噪音者买后，价格期望不变 → markout ≈ 0 被动执行者（在暗池与知情者配对）买后，价格同样上涨，但他成交价已被做市商调整 → markout < 0

黑线（净收益 = 名义节省 − 逆向选择）：知情占比超过约 2.5% 后，净收益翻负——暗池从「节省」变成「净亏损」。

四、成交率与订单质量：逆向选择的直接证据#

暗池成交率本身就是一个逆向选择预警指标：

为什么成交率高反而是坏事？

知情者有私人信息，他们下单时更紧迫——他们需要立刻成交，不能等。而噪音者可以等待更好的价格慢慢来。因此：

• 知情者暗池成交率 = 80%（急着成交）
• 噪音者暗池成交率 = 40%（不急，慢慢等 lit）
• 被动执行者随机与任一订单配对 → 在暗池里，被动者被配对到知情者的概率 > 随机概率

这意味着：暗池整体成交率越高，说明你越可能在跟知情者交易。成交率是一个「逆向选择温度计」。

五、成本分解：名义节省 vs 逆向选择#

知情占比 30% 时，各成本项分解如下：

知情占比 30% 时，逆向选择损失是名义节省的 15.9 倍。这不是边际效应——这是压倒性的信息不对称。

六、安慰剂检验：三个对抗式验证#

安慰剂 1：知情=0% 真值检验#

当我们把所有知情交易者删掉（informed_frac = 0），理论上：

• 没有价格漂移 → 逆向选择 = 0
• 暗池每笔省 half-spread → 净额 = 名义节省 = 0.20 bps

仿真结果：净额 = 0.20 bps，逆向选择损失 = 0.00 bps（精确到小数点后 4 位）✓

这个检验证明：当市场里没有信息不对称，暗池的节省就是真实的。但现实市场里，这假设从来都不成立。

安慰剂 2：打乱成交配对#

当我们随机打乱「谁和谁成交」（把成交配对和订单类型独立化），知情者 vs 噪音者的成交率差异被抹平，逆向选择损失归零。

打乱后，净额精确回到名义节省水平。这证明：逆向选择完全来自「知情者成交率 > 噪音者」这个结构本身，而非来自价格噪声。

安慰剂 3：知情者 vs 噪音者的暗池 markout 差异#

知情者在暗池的 markout = −12.5 bps（恒定，与知情占比无关），而噪音者在暗池的 markout ≈ 0 bps。暗池对知情者是亏的，对噪音者是平的，对被动执行者（随机与之配对）是负的——三方都在被知情者单向收割。

七、陷阱与局限（诚实版）#

1. 仿真参数 ≠ 现实参数

本文的 drift=1.0 bps/步、β=0.25 是校准到「知情 30% 时净收益变负」的参数。真实市场里知情信号强度、市场微观结构噪声、订单簿动态都不同。仿真结论是定性方向正确，定量数字仅供参考。

2. 匿名性假设的边界

暗池确实匿名——但 IEX 的「speed bump」机制、某些暗池的反钓鱼规则、部分知情者的大单拆小策略，都会改变配对概率。匿名不是绝对的。

3. markout 窗口是人为选择

本文用 MW=5 步（T+5 分钟级别）衡量信息泄露。真实世界里，信息泄露速度取决于信息精度、资产波动率、流动性。窗口越长，逆向选择越明显（T+20 步时暗池 markout = −23 bps vs lit = −6.2 bps）。

4. 未建模滑点 / 冲击成本

暗池「大单优先」机制（block priority）让大单成交率更高——如果你的订单规模大，你在暗池反而更可能跟大单（通常是知情者）配对，逆向选择更严重。

5. 数据来源是仿真，不是真实交易记录

所有图表基于受控仿真（已知真值）。真实市场里，暗池运营商的 fill-rate 数据不公开，第三方研究依赖有限的数据集（e.g. Almgren & Chriss 2000s 的经验数据）。

八、实践 Checklist#

如果你负责执行算法或交易成本分析，以下是可以立刻用的检查清单：

• 在暗池下单前，先看你的标的：A股里，换手率高、散户多的股票（如小盘股、概念股），知情占比相对低；大盘蓝筹、机构重仓股里知情占比更高
• 用 fill-rate 逆向选择预警：如果某暗池的 fill-rate 在你交易时段异常高（>60%），说明市场里知情者活跃，此时回避暗池
• VWAP/TWAP 里暗池比例要设上限：建议暗池比例不超过 30%，剩余走 lit 市场；算法执行时，暗池只用「不急着成交」的被动单
• 监控 markout 后验：跑执行后分析（post-trade analysis），用 T+5min 或 T+30min mid 作为基准，分解 lit vs dark 的实现价差；超过阈值就触发预警
• 不同标的用不同策略：高频 alpha 剥头皮策略不需要暗池（价差太薄）；中频价值投资、事件驱动策略，如果标的知情者多，用暗池反而亏更多
• 知情者比例是动态的：财报发布前后、宏观数据公布前，暗池里知情者密度激增——这些时段临时关闭暗池执行，切换到 lit 的 IOC 或市价单

本文所有数字基于 SEED=20260806 的受控仿真，真实市场数字可能存在量级差异。脚本见 scripts/gen_dark_pool_adverse_selection.py，原始数据见 public/images/dark-pool-adverse-selection/stats.json。