标签： #市场微观结构

限价单簿不是一直一个样——平静时价差薄、成交稀疏，受压时（ toxic flow、挤兑、闪崩前）订单流失衡、价差瞬间拉开。这个『状态切换』恰恰是马尔可夫的：今天的状态只取决于上一刻。本文用 numpy 从零实现 2 状态高斯 HMM（缩放 Baum-Welch EM + Viterbi 解码），在 1500 步合成盘口数据上把隐藏状态恢复出来，Viterbi 解码准确率 99.4%、转移矩阵 [[0.99,0.01],[0.055,0.945]] 几乎还原真值；并把状态后验概率接到一个做市商策略上——受压时减仓+加宽价差，库存风险（σ）从 50.3 砍到 19.6（−61%）、最大回撤从 −22.4% 收到 −8.6%（−62%）。附完整 Python 与四张真实仿真图。

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。

传统量化把「预测下一帧价格」当回归问题，但真实市场里你下每一笔单都会改变价格、还会被对手反制。多智能体强化学习（MARL）把交易当成博弈：你、其他机构、做市商都是同时决策的智能体。本文用 Almgren-Chriss 瞬时冲击下的执行博弈做受控实验，证明「对手建模」比朴素 TWAP 在 2 人博弈里省 1.47 bps（约 24.5%）、多智能体虚拟博弈把早期撞车损耗从 87.1 bps 砍到 27.3 bps（降幅 68.7%）；并诚实给出可预测性消融——对手越不可预测，建模优势越消失——以及真实落地时四类必踩的坑。附完整 Python 与四张真实计算图。

当一只债券从投资级被下调到高收益，真正的伤口往往不是评级本身，而是评级档案里那些自动触发的抛售条款。本文把一只「堕落天使」的价格下跌拆成两块——真实信用恶化 + 指数基金/受限账户的机械性抛压，用 Kyle 式冲击模型算清窗口期有多深、流动性有多关键，并给出监测框架与对冲思路，附完整 Python 与四张真实计算图。

债券 ETF 的流动性转换是两个可分别证伪的机制。第一个有闭式解：T=sqrt(N/(1+(N-1)ρ))，只由投资者流量相关性决定、与产品设计无关——ρ=1 安慰剂给出精确 1.000000x（偏差 0.000e+00），ETF 一分钱流动性也没创造；ρ=0 上界是 sqrt(N)=22.36 而非 N。剂量反应：ρ 从 0 到 0.05（风险报告里写作「几乎不相关」）转换比就从 22.3x 塌到 4.4x，损失 80.4%，而毛成交额几乎不变。第二个机制推翻了「折价=脱锚」：底层 5 日才成交一次，NAV 是滞后平滑量，观测折溢价波动的 96.92% 来自分母陈旧、只有 3.08% 是真实脱锚（解析 0.6719% vs 实测 0.6721%，误差 2.85e-04）。副作用：σ_NAV/σ_真实=sqrt(p/(2-p))，p=0.2 时 Sharpe 被系统性放大 3.00 倍，压力期虚高 6.26 倍。压力期 -7.73% 折价里 99.95% 是陈旧——此时该被怀疑的是 NAV。两个机制不可加：单独相加 -12.26% 而同时发生 -18.31%，交互项 -6.05%。12 宇宙 CV=0.0002

「ETF 折溢价会被套利抹平」隐含一个假设：AP 的成本是 0。把 AP 建成有成本有容量的经济主体后，均衡折溢价不是 0 而是无套利带——无限容量安慰剂的路径最大值精确落在摩擦 15.00 bp，偏差 0.000e+00。3000 条 5 年路径：AP 在场平均 9.14 bp、99 分位 15.00，不在场 18.29 / 58.44——均值只压缩 2.00 倍而 99 分位压缩 3.90 倍，AP 的价值几乎全在尾部，而 72.9% 的交易日它什么都不做。最干净的是成本与容量的串联分离：零摩擦 + 6 个 AP 精确归零（1.38e-04），说明 9.14 bp 全部是成本、一分不是容量；但零摩擦 + 只剩 1 个 AP 时回到 3.996 bp、触顶率 56.97%。AP 数量边际价值断崖式递减：1→6 个 99 分位改善 49.5%，6→20 个只再改善 0.0%。罢工是理性而非恐慌：篮子成本翻 3 倍，出手频率 27.1%→2.7%、年申赎 101%→9% NAV、99 分位 15.0→44.6 bp。被忽略的是持续性 × 容量：方差不变只改自相关，6 个 AP 几乎不动，2 个 AP 从 30.1 冲到 105.3 bp。摩擦吃掉毛收入 60.1%，单个 AP 在 100 亿美元 ETF 上年入约 168 万美元。12 宇宙 CV=0.0008

暗池（dark pool）的核心卖点是「省价差」——在美国，NASDAQ、IEX、BIDS 等暗池执行于 nbbo midpoint，理论上每笔成交比 lit 市场省 half-spread（即买卖盘报价差的一半，约 0.5 bp）。但这个「节省」是名义值，真实代价藏在信息成本里。本文用受控仿真证明：知情交易者（informed trader）在暗池的成交率（80%）远高于噪音交易者（40%），导致被动执行者（passive liquidity taker）在暗池更频繁地与知情者配对——每笔成交后 5 步，暗池 markout 为 −0.05 bps（lit 为 +0.08 bps），20 步后暗池 markout 达到 −23.0 bps（lit 为 −6.2 bps）。知情占比 30% 时，名义节省 0.26 bps，但逆向选择损失高达 4.13 bps，净收益为 −3.87 bps（比 lit 还亏）；知情占比 50% 时，净额进一步恶化到 −4.95 bps。翻转点（净收益从正变负）出现在知情占比约 2.5%——现实市场几乎必然在此临界值以上。安慰剂检验显示：知情=0% 时，净收益恰好等于名义节省（0.20 bps），逆向选择损失精确为 0；打乱成交顺序后，逆向选择消失，净收益回到名义节省水平（高阶）。

受控竞速模拟量化速度的真实价格：全体延迟同步放大 10 倍，收入比值精确等于 1.000000——绝对速度一文不值，值钱的只有名次。零离散安慰剂下份额锁死在 1/(K+1)，自由进入让全行业投入恒等于租金池。