标签： #逆向选择

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）。

VPIN 被当作「知情交易探测器」用，但它只看订单流失衡的绝对值——而失衡有两个来源：真正的知情交易，和纯粹想快点成交的大额委托。受控三状态模拟（12 万根 bar、4995 个成交量桶，两种来源的真值都已知）给出决定性读数：VPIN 与「总不平衡流量」相关 0.996，与真实知情占比只有 0.347，与无知情大额委托反而有 0.648。构造一个零知情的世界（只有大额委托），VPIN 均值 0.152 仍是真实市场 0.153 的 99%——这个指标在完全没有信息不对称时读数几乎不变。后果直接体现在钱上：95 分位报警的假发现率 85.1%，99 分位精确率归零；同一条前 10% 警报内部，知情主导的桶做市亏 35.4bp，大额委托主导的桶反而赚 7.96bp（t=4.14），而后者占警报的 76%——高 VPIN 时段整体做市 P&L 是 −2.29bp，比安静时段的 −9.07bp 还好。八项对抗式检验含两个推翻常识的结果：BVC 分类误差几乎不损失相关性（0.354 对 0.347），公平匹配窗口后钟表时间桶反而略胜体积时钟（0.451 对 0.347）。混合比例扫描给出边界——无知情委托占比从 0 升到 22%，与知情的相关性从 0.998 塌到 0.196，而与总流量的相关性始终锁在 0.996 以上（高阶）

两个人在同一秒、同一个价位挂同样的买单，一个成交了，一个挂到收盘也没动——差别不在价格，在队列位置。本文用事件驱动的限价单簿仿真（市价单消耗、队尾新增、前方撤单、价格跳走四类事件）量化这件事：排在队首成交概率 84.0%、中位等待 0.75 秒；前方压 20 手时掉到 55.1%、3.48 秒；前方 150 手时只剩 4.2%，前方 300 手基本归零（0.4%）——同一个挂单价格，成交概率跨度 83.7 个百分点。延迟的真实代价也由此翻译成可量化的钱：低延迟排到 q=3 成交率 77.2%，慢 300 毫秒排到 q=25 就掉到 49.1%（差 28 个百分点），中位等待从 1.18 秒拉长到 4.12 秒，订单因价格跳走而作废的比例从 22.8% 翻到 50.9%。最反直觉的是成交质量：队首成交并不更「干净」，各档位的逆向选择率都稳定在 60.5%~64.3%——因为成交本身就是被大单扫中的信号。四项对抗式检验全过：关掉队列机制后位置影响从 83.7pp 塌缩到 1.6pp、独立解析式与仿真相关 0.979、12 个种子成交率标准差仅 0.009、市价单流量翻倍也救不回深队列（前方 150 手仍仅 15.2%）（高阶）。

PFOF 完整拆解：20 万笔散户订单模拟证明零佣金不是慈善也不是骗局——客户拿到 56.2 万美元价格改善、券商收 36.4 万 PFOF、内化商净留 84.9 万，客户所得是券商所得的 1.54 倍；但先知最优路由成本仅 76.3 万，内化路由多付 45.0 万缺口暴露『比交易所好』与『最好』的距离。逆向选择模拟给出内化商挑单的硬约束：无差别全接毛利 63.2 万、识别后挑单 92.9 万，被留下的知情单净亏 18.5 万全靠噪音单 111.4 万补贴 - halo的技术博客

PIN 知情交易概率：用买卖单不平衡估计市场里有多少内幕单 - halo的技术博客

每笔成交背后，站着一个知道更多的交易者。Easley & O'Hara (1987, 1992) 的 EKOP 序贯交易模型用泊松过程把知情交易者和噪声交易者分开，从日频的买单数 B 和卖单数 S 出发，用最大似然估计出信息事件概率 α、方向 δ、知情下单率 μ 和噪声下单率 ε，进而合成 PIN（知情交易概率）= αμ / (αμ + 2ε)。本文用 Python 模拟 50–2000 天的交易序列，展示参数估计值按 1/√N 收敛到真值、买卖单不平衡在有/无信息日显著分化、以及 PIN 对各参数的敏感性热力图。最后诚实拆解：数值下溢导致似然函数失效、方向标注误差的偏差效应、参数非平稳、以及日频粒度掩盖的时序结构（中阶）。

为什么做市商要挂买卖价差？经典答案是「补偿库存风险」——但 Glosten 和 Milgrom 在 1985 年给出了更深刻的解释：价差的核心是补偿逆向选择。当你面对一个可能比你知道得多的对手方时，每次成交都在传递信息。模型用贝叶斯更新把这个问题形式化：做市商根据订单流不断修正对真实价值的信念，报出的 bid/ask 逐步收敛。本文从模型设定推到 Python 实现，模拟展示报价如何随交易序列收敛到真实价值、价差如何随知情交易者占比放大、以及逆向选择成分在价差中的主导地位。最后诚实拆解：方向标注问题、参数非平稳、以及模型对真实市场的简化假设（中阶）。

报价价差 0.10 元里，多少是逆向选择的保险费、多少是做市商的库存补偿、多少纯粹是订单处理费？Huang-Stoll (1997) 用一个两步回归框架把这三块拆干净：信息成分造成永久价格冲击、库存成分制造暂时且均值回复的报价偏移、订单处理成分只产生 bid-ask bounce。本文从 Roll 的一阶负串行协方差直觉出发，讲清三种成分各自的「指纹」，用 10 万笔模拟数据跑通两步回归还原价差结构（隐含半价差 0.0501 对上真值 0.0500），并验证核心恒等式：有效价差 = 价格冲击 + 已实现价差（0.104 ≈ 0.042 + 0.063）。给出三个落地读法：横截面毒性排序、TCA 归因、做市回测的收益虚增陷阱。诚实边界：Lee-Ready 方向标错、成分时变、τ 是自由参数（中阶）。