Kyle Lambda 价格冲击：从订单流回归里估出市场的『吃单成本』#

先说结论：你每多买一股，市场价格就多走一点，走多少由一个系数决定——Kyle 的 λ。它可以直接从「价格变化对净订单流」的回归里估出来，模拟实测 OLS 回收误差只有 0.07%；它的理论值 λ = σv/(2σu) 说清了流动性的本质——真值越不确定、噪声交易越少，吃单越贵。

上一篇《Glosten-Milgrom 模型》回答了”价差从哪来”：逆向选择。但 GM 模型里每笔交易都是单位大小，它没法回答量化交易最关心的问题——

我下 10 万股，会把价格推多远？

这是 Kyle (1985) 的领地。如果说 GM 是价差的理论，Kyle 就是深度的理论。而 λ 这个字母，从 1985 年起就成了整个市场微观结构领域的”价格冲击”代名词。

一、模型：三个角色，一场批量拍卖#

Kyle 单期模型的设定极简：

真值 $v \sim N(p_0, \sigma_v^2)$ ：资产的清算价值，只有知情者知道；
知情者：观察到 $v$ ，选择下单量 $x$ 最大化期望利润；
噪声交易者：因为流动性需求随机下单 $u \sim N(0, \sigma_u^2)$ ，与 $v$ 无关；
做市商：只看到净订单流 $q = x + u$ （分不清哪部分是知情单），以竞争性零利润定价： $p = E[v \mid q]$ 。

关键：所有订单在一次批量拍卖中撮合，做市商看不到单笔来源。这与 GM 的逐笔交易形成互补——GM 里做市商知道每笔的方向，Kyle 里做市商只看到总量。

均衡解#

猜线性均衡：做市商定价 $p = p_0 + \lambda q$ ，知情者下单 $x = \beta (v - p_0)$ 。代入相互最优化，解出：

\lambda = \frac{\sigma_v}{2\sigma_u}, \qquad \beta = \frac{\sigma_u}{\sigma_v}

两个系数各讲一个故事：

λ = σv/(2σu)：吃单成本正比于真值不确定性，反比于噪声交易深度。财报前 σv 大 → λ 大 → 市场变”浅”；大盘蓝筹 σu 大 → λ 小 → 市场”深”。
β = σu/σv：知情者的下单量正比于噪声量——噪声是知情者的掩护。噪声交易越多，知情者越敢下大单，因为他能藏在人群里。

还有一个漂亮的推论：均衡下知情者的信息恰好泄露一半——交易后价格的条件方差是 σv²/2。知情者故意只用一半信息，因为用得越狠价格动得越快，自己的利润越薄。

二、实验一：OLS 从订单流里回收 λ#

λ 的定义就是回归系数： $\Delta p = \lambda q + \epsilon$ 。我们模拟 2000 场批量拍卖（σv=2 元，σu=10000 股，真实 λ = 1×10⁻⁴ 元/股），在价格变化上叠加少量微观结构噪声，然后跑 OLS：

import numpy as np
rng = np.random.default_rng(7)

p0, sv, su = 100.0, 2.0, 10000.0
lam_true = sv / (2 * su)          # 1e-4 元/股
n = 2000

v = p0 + sv * rng.standard_normal(n)
u = su * rng.standard_normal(n)          # 噪声单
x = (v - p0) * su / sv                   # 知情者最优下单 β(v-p0)
q = x + u                                # 做市商只见净订单流
dp = lam_true * q + 0.05 * rng.standard_normal(n)

lam_hat = np.sum(q * dp) / np.sum(q * q)   # OLS 无截距

python

结果：λ̂ = 1.001×10⁻⁴，相对误差 0.07%，标准误差比估计值小三个数量级。

Kyle 单期均衡回归

散点严格贴在直线上——这不是巧合，是模型的构造：均衡定价本来就是线性的。实务上你用真实的逐笔数据跑同样的回归（Δp 对签名成交量），得到的就是经验 λ，单位是”元每股”或标准化后的”bp 每万股”。

每买 1 万股推动价格 1 元——对一只 100 元的股票就是 100bp 的冲击。这个数字就是这只股票的”吃单价目表”。

三、实验二：噪声量翻倍，吃单成本减半#

λ = σv/(2σu) 最直接的比较静态：σu 翻倍，λ 减半。我们把噪声成交量从 2000 股扫到 64000 股：

σu（股）	理论 λ	OLS 估计
2,000	5.00×10⁻⁴	5.00×10⁻⁴
8,000	1.25×10⁻⁴	1.25×10⁻⁴
32,000	3.13×10⁻⁵	3.12×10⁻⁵
64,000	1.56×10⁻⁵	1.56×10⁻⁵

流动性深度与 lambda

对数轴上是一条斜率 −1 的直线。这解释了一批日常观察：

为什么小盘股吃单贵：噪声成交量小，你的单子在订单流里太显眼，做市商把你当知情者防；
为什么财报前市场变浅：σv 膨胀，同样的成交量对应更大的 λ；
为什么成交活跃时冲击小：大成交量日 σu 高，你的母单被稀释。

注意一个反直觉点：λ 小不等于知情者少。恰恰相反，β = σu/σv 说明深市场里知情者下单更猛——只是每股的冲击被摊薄了。深度是掩护，不是安全。

四、实验三：线性冲击 ⇒ 平方账单#

λ 是”每股冲击”，但执行成本是对整个母单积分的。如果你以恒定速度把 Q 股送进市场，价格从 0 线性走到 λQ，平均成交价比初始价高 λQ/2，总冲击成本：

\text{Cost} = \frac{\lambda Q^2}{2}

成本是订单规模的平方。Q=10 万股、λ=10⁻⁴ 时成本 50 万元；订单翻倍，成本翻四倍。这就是为什么”能不能一次吃完”从来不是执行台的选项。

那拆单能省多少？取决于冲击的永久/临时分解。Kyle 的 λ 是纯永久冲击（信息进价，不回弹），这部分拆单省不掉——无论怎么拆，Q 股的信息含量不变。能省的是临时冲击（流动性消耗后回弹）。设永久占比 θ=0.5：

拆单片数	总冲击成本
1	500,000 元
2	375,000 元
4	312,500 元
16	265,625 元

平方账单与拆单

拆到 16 片也只能省 47%——渐近极限是永久部分的 25 万元，它是母单信息含量的价格，切碎不会消失。这正是上一篇 VWAP/TWAP 文章里”切片方式省小钱，订单规模定大钱”的理论根源。

五、实验四：没有逐笔数据怎么办——Amihud 代理#

估 λ 需要签名订单流（每笔成交是主买还是主卖），这要逐笔数据加 Lee-Ready 类判定算法。日频数据够不够？

Amihud (2002) 的非流动性度量走的就是这条捷径：

\text{ILLIQ} = \frac{1}{D}\sum_d \frac{|r_d|}{\text{Volume}_d}

“每单位成交额撬动多少收益率”——量纲上就是 λ 的日频粗化版。我们造 60 只股票，真实 λ 横跨两个数量级，每只用 252 天×48 桶的订单流生成日频收益与成交额，然后比较 Amihud 排名与真实 λ 排名：

截面秩相关 0.997。

Amihud 代理 vs 真实 lambda

这是个非常实用的结论：做截面流动性因子（比如非流动性溢价、流动性风险对冲）时，日频 Amihud 几乎完美保序，不需要逐笔数据。但注意它保的是”排名”——绝对水平上 Amihud 混入了与订单流无关的波动，做绝对成本预算时还是要回归法估 λ。

至此我们的”只要低频数据”工具箱凑齐了三件：Roll（收盘价→价差）、Zeros（收盘价→流动性）、Amihud（日收益+成交额→价格冲击），分别对应微观结构的三个维度：价差、交易活跃度、深度。

六、诚实边界#

λ 不是常数。 模型里 λ 由 σv 和 σu 决定，而这两者日内、日间都在变。财报日、指数调仓日的 λ 可以是平时的数倍。滚动窗口估计加事件哑变量是最低配置；把昨天的 λ 直接用于今天的成本预算，误差可以很大。

单期模型没有动态。 真实的知情者会像 Kyle (1985) 连续时间版里那样把信息在整个交易时段里匀速释放，也会对市场状态做反应。单期 λ 是这些动态的时间平均，用它做日内择时会系统性偏差。

实证冲击不是线性的。 大量实证（以及上一篇 VWAP 文章用过的设定）显示冲击更接近平方根律：冲击 ∝ √(Q/V)。Kyle 的线性形式来自正态假设与线性均衡猜解，在小单区间是好近似，母单超过日成交量若干个百分点后平方根律拟合更好。工程上常见的折中：小单用线性 λ，大单切换平方根模型。

回归的内生性。 用真实数据估 λ 时，Δp 对 q 的回归假设订单流是外生的——但执行算法本身会对价格反应（跌了多买），造成反向因果。事件窗口法或工具变量能缓解，简单 OLS 估出的 λ 通常偏高。

七、工程落地清单#

有逐笔数据：Lee-Ready 判定主买卖 → 5 分钟桶签名成交量 → Δp 对 q 回归，滚动 20 日估 λ，标准误差大于估计值 1/3 的桶剔除；
只有日频数据：Amihud 排名做截面因子完全够用；绝对水平做成本预算要打折使用；
成本预算：小单（<1% 日成交量）用 λQ²/2；大单切换平方根律；
λ 的用途分层：执行前预算（该不该下这单）、执行中监控（实际冲击 vs λ 预测，偏差大说明有对手盘或信息泄露）、执行后归因（上一篇 Implementation Shortfall 里的执行成本项，λ 就是它的事前估计）；
风控信号：全市场 λ 中位数快速上升 = 深度蒸发，是比价差更早的流动性危机前兆——λ 反映的是”吃第二口”的成本，价差只反映”吃第一口”。

结语#

Kyle (1985) 与 Glosten-Milgrom (1985) 同年发表，合起来构成微观结构理论的两根支柱：GM 讲价差（吃第一口的成本），Kyle 讲深度（持续吃下去的边际成本）。λ = σv/(2σu) 这个公式值得背下来——分子是信息不对称，分母是噪声掩护，流动性就是这两者的比值。

对量化从业者，λ 的价值排序：成本预算 > 执行监控 > 流动性因子 > 危机预警。而它最重要的提醒是那张平方账单：冲击成本随订单规模平方增长，任何策略的容量上限，都写在它交易标的的 λ 里。

参考文献：

Kyle, A. S. (1985). Continuous Auctions and Insider Trading. Econometrica, 53(6), 1315-1335.
Amihud, Y. (2002). Illiquidity and Stock Returns: Cross-Section and Time-Series Effects. Journal of Financial Markets, 5(1), 31-56.
Hasbrouck, J. (2007). Empirical Market Microstructure. Oxford University Press.