标签： #逆向选择

每一笔成交价的变动里都混着两种完全不同的东西：一部分是市场真的学到了新信息（永久冲击），另一部分只是买卖价差的弹跳（暂时冲击）。MRR (1997) 模型用一条结构方程把两者干净地拆开：信息成分 θ 度量逆向选择，流动性成分 φ 度量订单处理与库存补偿，副产品还包括订单流自相关 ρ。本文从模型设定推到矩条件估计，用可复现 Python 生成 2 万笔模拟成交并把参数估回来（θ、φ 误差在 1% 以内），展示估计精度按 1/√N 收敛、不同股票的成分占比差异、以及信息成分的日内衰减模式。最后诚实拆解：交易方向标注错误的偏差、参数非平稳性、以及它对执行成本归因的实际价值（中阶）。

同样挂在买一档的限价买单，排在队首和排在队尾，价值天差地别。本文用离散时间队列模型从零量化「队列位置价值」：成交概率随排队深度单调衰减（队首 83% → 队尾 2.3%），但「位置价值」却是非单调的——因为队首成交太快会被知情抛压逆向选择吃掉。最佳位置是第 3 位而非第 1 位。附完整 Python 与五类实战陷阱（高频）。

报价价差不是一个数，而是三种成本的叠加：逆向选择成本（信息）、库存成本（做市商风险）、指令处理成本。本文用状态空间模型把价差当成观测，用卡尔曼滤波从单条序列里把前两个隐状态拆出来，样本内复原相关达 0.76，并给出真实数据落地的协方差估计法。