买卖价差的状态空间分解：逆向选择成本与库存成本 • halo 的技术博客

买卖价差（bid-ask spread）是金融市场里最被低估的”免费午餐”——你每笔交易实际付出的隐性成本。但它不是一个单一的东西。一个经典的拆解把价差写成三种经济成本的叠加：

$S_t = \underbrace{c_t^{\rm info}}_{\text{逆向选择}} + \underbrace{c_t^{\rm inv}}_{\text{库存}} + \underbrace{\gamma}_{\text{指令处理}} + e_t$

逆向选择成本（adverse selection）：你这笔交易对面，可能站着比你更懂行的”知情交易者”。做市商挂单被知情单吃掉时要亏钱，所以必须在价差里预先收一笔”信息税”。坏消息越多、信息不对称越严重，这项越高。
库存成本（inventory）：做市商刚跟你成交完，手里头寸就偏了。为了把库存调回中性、承担临时持有风险，他也要在报价里加价。
指令处理成本（order processing）：撮合、清算、监管等近似固定的运营成本，通常最稳定。

把这三块从一条观测到的价差序列里拆开，是微观结构研究的硬功夫。本文用状态空间模型 + 卡尔曼滤波做这个分解——关键技巧是：把价差当成观测，把逆向选择与库存当成两个动态不同的隐状态，靠它们”慢 vs 快”的节奏差异把彼此认出来。

一、为什么能从一个观测拆出两个隐状态#

直觉上，一个方程 $S_t = x_t + y_t + \gamma$ 有两个未知数，解不出来。但状态空间模型能解，靠的是结构识别（identification via dynamics）：

逆向选择成分是”慢变量”——信息不对称是黏性的，今天的信息优势会持续好多笔，所以建模成高持续性 AR(1)： $\phi_{\rm info} \approx 0.92$ 。
库存成分是”快变量”——做市商几笔之内就把库存调平了，所以建模成低持续性 AR(1)： $\phi_{\rm inv} \approx 0.55$ 。

观测方程只有一条，但两个隐状态的**时间签名（temporal signature）**不同：慢成分贡献的是低频漂移，快成分贡献的是高频抖动。卡尔曼滤波（连同 RTS 平滑）正是干这个的——它从单条噪声观测里，用动态结构把两个 latent 分离出来。

真实成分堆叠成价差：逆向选择（蓝）+库存（红）+指令处理（绿，近似常数），灰色细线是含噪观测

二、状态空间模型设定#

把第 $t$ 笔（或第 $t$ 分钟）的隐状态记为 $x_t = [c_t^{\rm info},\; c_t^{\rm inv}]^\top$ ，观测是报价价差 $S_t$ 。

状态转移（两个独立的 AR(1) 偏离项）：

$x_t = F\,x_{t-1} + w_t,\qquad w_t \sim \mathcal N(0, Q),\quad F=\begin{bmatrix}\phi_{\rm info}&0\\0&\phi_{\rm inv}\end{bmatrix}$

观测方程：

$S_t = H\,x_t + \gamma + e_t,\qquad e_t \sim \mathcal N(0,R),\quad H=[1,\;1]$

$\gamma=2.0$ bps 是指令处理成本（常数），作为观测截距。下面给出完整的卡尔曼滤波器（2 维线性高斯，自己实现，不依赖黑箱）：

import numpy as np

def kalman_smoother(y, gamma, phi_info, sig_info, phi_inv, sig_inv, R):
    F = np.diag([phi_info, phi_inv])
    Q = np.diag([sig_info**2, sig_inv**2])
    H = np.array([[1.0, 1.0]])
    I = np.eye(2)
    # 用无条件方差初始化
    v_info = sig_info**2 / (1 - phi_info**2)
    v_inv  = sig_inv**2  / (1 - phi_inv**2)
    x_filt = np.zeros((len(y), 2)); P_filt = np.zeros((len(y), 2, 2))
    x0, P0 = np.array([0.0, 0.0]), np.diag([v_info, v_inv])
    xprev, Pprev = x0.copy(), P0.copy()
    for t in range(len(y)):
        # 预测
        xp = F @ xprev;            Pp = F @ Pprev @ F.T + Q
        # 更新
        S  = H @ Pp @ H.T + R
        K  = (Pp @ H.T) / S
        innov = y[t] - (H @ xp + gamma)
        xf = xp + K.flatten() * innov
        Pf = (I - K @ H) @ Pp
        x_filt[t], P_filt[t] = xf, Pf
        xprev, Pprev = xf, Pf
    # RTS 平滑（逆向回扫）
    x_sm = x_filt.copy()
    for t in range(len(y) - 2, -1, -1):
        Pp_next = F @ P_filt[t] @ F.T + Q
        C = P_filt[t] @ F.T @ np.linalg.inv(Pp_next)
        x_sm[t] = x_filt[t] + C @ (x_sm[t + 1] - F @ x_filt[t])
    return x_sm

python

注意几个工程细节：观测噪声方差 $R$ 要设得比隐状态过程噪声大，否则滤波会把噪声当信号；初始化用无条件方差能让前几十步更稳；RTS 平滑比单纯滤波在样本内复原上更干净，因为它利用了”未来”信息。

三、复原质量：滤波器真的拆开了吗#

我们用已知的真实成分合成数据（逆向选择均值 3 bps、库存均值 1.4 bps、指令处理 2 bps，加观测噪声），跑上面的滤波器，把平滑估计和真实值比：

逆向选择成分复原相关 0.756，库存成分复原相关 0.675；
复原 RMSE 均为 ≈1.36 bps（相对 6.76 bps 的均值价差，误差约 20%，主要来自两个成分在单观测下的固有混淆）。

卡尔曼平滑（虚线估计）几乎贴合真实隐状态（实线）：上=逆向选择，下=库存

这个”≈0.7 的相关 + ≈1.3 bps 误差”是诚实的结果：单观测下两个隐状态不可能 100% 分清，但经济结构（慢/快节奏）足以把大部分信息还原出来。如果你想更准，可以加第二个观测（比如同时用报价价差和成交价冲击），识别度会显著提升。

四、均值价差的成分构成#

把整段序列平均，得到这张”价差切片图”：

均值 6.76 bps 的价差被切成三块：逆向选择约 49%、库存约 22%、指令处理约 30%

在我们设定的参数下，逆向选择 ≈ 3.30 bps（约 49%）、库存 ≈ 1.46 bps（约 22%）、指令处理 = 2.00 bps（约 30%）。这说明：对流动性一般的标的，信息不对称的隐性税往往比很多人以为的更重——它才是价差的大头。这也是为什么”被知情交易者逆向选择”是做市商和被动挂单者最该防范的风险。

五、分解有经济学含义：信息事件窗口#

分解不是数学游戏，它有可解释的经济含义。我们在序列中段人造了一个”信息事件窗口”（比如财报、重大新闻），给逆向选择成分叠了一道冲击，库存成分保持平稳。看窗口放大图：

信息事件窗口里，逆向选择成本（蓝）明显跳升，库存成本（红）几乎不动，观测价差（灰）跟随上移

这正是我们想要的分离效果：逆向选择随信息事件跳升，库存成分稳如磐石。如果你在真实 tick 数据上看到”某只股票价差突然放大但库存指标没动”，基本可以判定是信息驱动而非流动性挤兑——这对事件驱动策略和做市风控是直接可用的信号。

六、真实数据怎么落地（不用假设 DGP）#

本文为了演示可控，直接用了生成数据的真实参数做滤波。真实落地时你不会知道 $\phi, \sigma$ ，而且更常见的是反过来用交易数据估计成分，而不是先假设状态空间：

经典做法是 Huang–Stoll (1997) / MRR (1997) 的协方差分解。给定带符号的成交流水（买 = +1，卖 = −1）和价格变动 $\Delta p_t$ ，估计：

$\Delta p_t = \alpha\,q_t + \beta\,\Delta q_t + \gamma\,q_{t-1} + \varepsilon_t$

其中 $2\alpha$ 就是逆向选择成分（信息），其余项对应库存与指令处理。另一种是从 Roll (1984) 有效价差出发，用 $\text{cov}(\Delta p_t, \Delta p_{t-1})$ 的负自协方差反推隐性有效价差。无论哪条路，思路一致：用”成交方向”和”价格冲击”的协方差结构反解成分，而不是凭空假设两个 AR(1)。

七、已知偏差与边界#

识别靠的是动态结构：如果逆向选择和库存的真实持续性其实很接近，单观测分解会显著劣化——这正是为什么真实数据通常要引入第二个观测（成交价冲击）或多标的联合滤波。
状态空间是线性高斯近似：极端行情下成分可能非平稳（比如闪崩时库存成本瞬时爆炸），这时要换 regime-switching 或 Student-t 噪声。
本文结果是方法演示：用合成数据证明”能拆开”，真实幅度要按第六节的方法在你自己的 tick 数据上重估，不能直接搬 3.30/1.46/2.00 这几个数。
指令处理成本设为常数：真实中它随成交量、交易所规则缓慢变化，精细建模应让它也随时间走。

结论#

买卖价差拆成”逆向选择 + 库存 + 指令处理”三块后，交易成本和做市风险才真正可读。状态空间 + 卡尔曼滤波提供了一条不靠强假设、可解释、可落地的分解路径：慢/快动态差异让单观测也能认出两个隐状态。对你而言，最实用的两点是——（1）逆向选择往往是价差大头，挂单者和做市商要优先防知情单；（2）价差在信息事件下的”只跳逆向选择、不跳库存”是可直接监控的微观结构信号。