逆向选择成本：当市场在跟你作对

做市商最怕什么？不是价格波动，而是你对面坐着的人知道得比你多。这就是逆向选择——交易对手掌握了你不知道的信息，而你还在傻傻地提供流动性。

我刚开始做市那会儿，就吃过这个亏。有一次某个股票突然出现大量买单，我以为是正常需求，结果第二天公司发布了重大利好。嗯，那笔单子让我亏了不少。从那以后，我才真正理解了逆向选择的威力。

逆向选择的概念

说白了，逆向选择就是信息不对称导致的交易成本。做市商报出买卖价，但不知道对手方是知情交易者还是不知情交易者。

• 知情交易者：掌握未公开信息，只在有利可图时交易
• 不知情交易者：出于流动性需求交易，不依赖信息优势

你想想看，如果做市商对所有订单一视同仁，那知情交易者就会不断从你身上"薅羊毛"。最终，做市商必须通过扩大价差来弥补这个损失。

Glosten-Milgrom模型：信息不对称的数学表达

1985年，Glosten和Milgrom提出了一个经典模型。我个人觉得这是理解逆向选择最好的起点。模型假设很简单：

• 资产真实价值V，可能是高（V_H）或低（V_L）
• 知情交易者知道V的真实值
• 不知情交易者随机买卖
• 做市商只能根据订单流更新信念

做市商会设定一个买入价B和一个卖出价A。这两个价格不是随便定的，它们反映了做市商对信息不对称的评估。

# Glosten-Milgrom模型的简化实现
def glosten_milgrom_bid_ask(V_H, V_L, alpha, delta):
    """
    alpha: 知情交易者比例
    delta: 不知情交易者买卖概率
    """
    # 先验概率
    p = 0.5  # 假设资产高价值的先验概率
    
    # 卖出价计算
    # 做市商收到买单后更新信念
    prob_high_given_buy = (p * (1 - alpha + alpha * delta)) / \
                          (p * (1 - alpha + alpha * delta) + (1-p) * delta)
    
    ask = prob_high_given_buy * V_H + (1 - prob_high_given_buy) * V_L
    
    # 买入价计算
    prob_low_given_sell = ((1-p) * (1 - alpha + alpha * (1-delta))) / \
                          ((1-p) * (1 - alpha + alpha * (1-delta)) + p * (1-delta))
    
    bid = prob_low_given_sell * V_L + (1 - prob_low_given_sell) * V_H
    
    return bid, ask

# 示例
bid, ask = glosten_milgrom_bid_ask(100, 90, 0.3, 0.5)
print(f"买入价: {bid:.2f}, 卖出价: {ask:.2f}, 价差: {ask-bid:.2f}")

你看，当知情交易者比例alpha增加时，价差会扩大。这就是逆向选择成本的直接体现。

信息交易概率（PIN）：量化你的风险

光有模型还不够，我们得有个指标来衡量逆向选择风险。PIN（Probability of Informed Trading）就是干这个的。

PIN衡量的是：在任意一笔交易中，对手方是知情交易者的概率。我习惯用Easley等人提出的方法计算：

def calculate_pin(buy_orders, sell_orders, alpha, delta, mu, epsilon_b, epsilon_s):
    """
    基于订单流数据计算PIN
    alpha: 信息事件发生概率
    delta: 坏消息概率
    mu: 知情交易者到达率
    epsilon_b: 不知情买方到达率
    epsilon_s: 不知情卖方到达率
    """
    # PIN = (alpha * mu) / (alpha * mu + epsilon_b + epsilon_s)
    pin = (alpha * mu) / (alpha * mu + epsilon_b + epsilon_s)
    return pin

# 实际中我们用最大似然估计来拟合这些参数
def pin_likelihood(params, buy_data, sell_data):
    alpha, delta, mu, epsilon_b, epsilon_s = params
    
    # 似然函数（简化版）
    likelihood = 0
    for b, s in zip(buy_data, sell_data):
        # 好消息日
        l_good = (1 - alpha) * poisson(b, epsilon_b) * poisson(s, epsilon_s) + \
                 alpha * (1 - delta) * poisson(b, epsilon_b + mu) * poisson(s, epsilon_s) + \
                 alpha * delta * poisson(b, epsilon_b) * poisson(s, epsilon_s + mu)
        likelihood += np.log(l_good)
    
    return -likelihood

做市商如何应对知情交易者

知道了问题在哪，接下来就是怎么应对。我总结了几条实战策略：

1. 动态调整价差

根据PIN值实时调整买卖价差。PIN越高，价差越大。

def dynamic_spread(base_spread, pin, inventory_risk):
    # 基础价差 + 逆向选择溢价 + 存货风险溢价
    spread = base_spread * (1 + 2 * pin) + inventory_risk * 0.5
    return max(spread, base_spread * 0.5)  # 设置下限

2. 订单流分析

监控订单的不平衡性。如果买单远多于卖单，且单笔金额异常大，就要警惕了。

• 订单大小：大额订单更可能是知情交易
• 订单频率：短时间内连续同向订单
• 价格冲击：订单对价格的瞬时影响

3. 仓位管理

不要让自己暴露在过大的风险中。我一般会设置一个最大持仓限制，超过就停止做市。

4. 信息优势识别

通过机器学习识别异常交易模式。比如：

def detect_informed_trading(order_book, trades):
    features = {
        'trade_size_zscore': zscore(trades['size']),
        'order_imbalance': (buy_volume - sell_volume) / total_volume,
        'price_impact': abs(trade_price - mid_price) / mid_price,
        'inter_trade_time': time_between_trades
    }
    
    # 使用孤立森林检测异常
    from sklearn.ensemble import IsolationForest
    model = IsolationForest(contamination=0.1)
    anomaly_score = model.fit_predict(features)
    
    return anomaly_score == -1  # 异常交易标记

知识体系总览

下面这张图展示了逆向选择成本的核心逻辑：

逆向选择是做市商永远要面对的挑战。你不能消除它，但可以管理它。核心就是：识别信息不对称，动态调整你的报价策略。

---

交易系统化学习资料 微信Strategy888888