标签： #价格发现

传统金融模型把市场当作一个代表型参与者，但真实限价簿是数百个异质 Agent（做市商、趋势交易者、套利者、噪音交易者）交互的涌现结果。本文用 Python 构建一个多智能体仿真框架，定量拆解不同 Agent 类型对价差、深度和价格发现效率的贡献。

收盘价是全市场最重要的一个数字：基金净值、指数计算、衍生品结算、保证金估值全部挂在它身上，于是收盘集合竞价成了全天最大的单一流动性事件。本文用受控模拟拆解竞价的三层动力学：U 型成交量下收盘竞价单点吃掉全天 ~8% 成交、指示价格的收敛过程与尾秒大单的瞬间改写、竞价失衡的次日系统性反转（极端买压组隔夜收益显著为负）。指数调仓日冲击 0.85% 对应次日反转 -0.38%——冲击越大反转越深。附完整 Python 与四类真实陷阱（中阶）。

一只股票在盘前、连续竞价、盘后都在动，日收益被各个时段瓜分——但份额怎么算才不被噪声炸飞？WPC 用「日收益绝对值」做权重把信息稀薄的日子按比例压低：模拟实测真实份额 [0.15, 0.70, 0.15]，WPC 估出 [0.156, 0.682, 0.162]，不加权平均则给出 [0.32, 0.27, 0.41] 的荒谬答案——小收益日的贡献比是除以接近零的数。60 天窗口噪声巨大，250 天以上才稳定；滚动 WPC 能看见价格发现从盘中向盘后迁移的全过程。与 Hasbrouck 信息份额的分工一句话说清：WPC 只要收益切片、不要同步报价，是碎片化程度更低的场景下最实用的粗粒度工具。诚实边界：微观结构噪声不满足鞅假设时有偏、时段划分本身就是结论的一部分、无法区分「先动」与「动得对」（中阶）。

同一只股票在纽交所、纳斯达克、暗池同时交易，同一份 ADR 在两地挂牌，同一个标的有现货有期货——当价格几乎同步跳动时，究竟是谁先动、谁在跟随？Hasbrouck (1995) 用协整与 VECM 把这个问题变成一个可度量的数字：信息份额（Information Share），衡量每个市场对共同有效价格新息的贡献占比。本文从零复现 VECM 估计、Cholesky 排序带来的上下界、与 Gonzalo-Granger 成分份额的分歧，用合成两市场 tick 流证明快市场吃下约 71% 的价格发现，并诚实指出信息份额区间在残差高度相关时会宽到无法定论（中高阶）。

Kyle (1985) 的连续时间版本回答了一个更狠的问题：手里握着私有信息的交易者，不是「买不买」，而是「以什么速度买」。答案出奇优雅——最优交易强度 β(t) 与剩余时间成反比，知情者匀速释放信息，让价格误差 Σ(t) 严格线性衰减到零，而价格冲击系数 λ 全程恒定。本文从离散版单期直觉讲到连续时间均衡的三个核心结论，用可复现 Python 模拟验证：价格向真实价值收敛、β 在收盘前发散、知情者期望利润恰好等于 σ_u·√Σ₀。并讨论它对算法交易的三个实际启示：为什么 TWAP 是 Kyle 均衡的影子、为什么临近收盘的订单流毒性最高、以及 λ 作为流动性度量的估计陷阱（中阶）。