2. 信息不对称的度量：信息熵、知情交易概率（PIN）

信息不对称，说白了就是「你知道的比我多」。在金融市场里，这直接决定了谁赚钱谁亏钱。那怎么量化这种「知道得多」的程度呢？

我个人习惯用两个核心指标：信息熵和知情交易概率（PIN）。一个从理论层面度量信息的不确定性，一个从交易数据中反推知情者的活跃程度。今天咱们就把这两个工具讲透。

2.1 信息熵：不确定性的数学度量

信息熵这个概念，最早是香农搞通信时提出的。后来被广泛应用到金融领域。它的核心思想很简单：信息量越大，不确定性越小。

举个例子。假设某只股票明天涨跌的概率各50%，那不确定性就很大。但如果有人告诉你「明天肯定涨」，那不确定性就降为零了。信息熵就是用来量化这个「不确定性」的。

数学公式长这样：

H(X) = - Σ p(x) * log₂ p(x)

其中 p(x) 是事件 x 发生的概率。底数取2，单位是比特（bit）。

我在项目中遇到过一个问题：用信息熵判断市场情绪时，如果事件概率分布太均匀，熵值会很高，说明市场分歧大，这时候做趋势策略往往容易被打脸。嗯，这里要注意——高熵环境不适合追涨杀跌。

2.1.1 一个简单的计算例子

假设某只股票明天只有两种可能：涨（概率0.6）或跌（概率0.4）。那么信息熵为：

H = - (0.6 * log₂0.6 + 0.4 * log₂0.4)
  = - (0.6 * (-0.737) + 0.4 * (-1.322))
  = - (-0.442 - 0.529)
  = 0.971 比特

如果涨跌概率各50%，熵值就是1比特。如果概率极端（比如90%涨），熵值会降到0.469比特。你看，确定性越高，熵值越低。

2.2 知情交易概率（PIN）：从订单流中抓出「老鼠仓」

信息熵是个理论工具，但实战中我们更需要从数据里直接抓出知情交易者。这时候就要用PIN了。

PIN的全称是Probability of Informed Trading，由Easley、Kiefer、O'Hara和Paperman在1996年提出。它的核心逻辑是：知情交易者会倾向于在某个方向集中下单，导致买卖订单不平衡。

说白了，如果某只股票突然出现大量买单，而卖单很少，那大概率是有人知道了什么好消息，正在抢筹。

2.2.1 PIN的计算模型

PIN模型假设市场上有三类交易者：

• 知情交易者：知道真实价值，只在有利可图时交易
• 不知情买方：随机买入
• 不知情卖方：随机卖出

模型参数包括：

参数	含义
α	信息事件发生的概率
δ	坏消息的概率（好消息概率为1-δ）
μ	知情交易者的订单到达率
ε_b	不知情买方的订单到达率
ε_s	不知情卖方的订单到达率

PIN的计算公式为：

PIN = α * μ / (α * μ + ε_b + ε_s)

这个公式的含义很直观：知情交易量占总交易量的比例。比例越高，说明信息不对称越严重。

2.3 信息熵与PIN的对比

这两个指标各有侧重。我整理了一个对比表：

维度	信息熵	PIN
数据来源	事件概率分布	订单流数据
计算复杂度	低	高（需最大似然估计）
适用场景	宏观市场情绪判断	个股微观结构分析
实时性	较差	较好（可逐笔计算）
抗干扰能力	强	弱（易受噪音交易影响）

你想想看，信息熵更适合做宏观择时，而PIN更适合做个股的微观结构分析。我一般把两者结合使用：先用信息熵判断市场整体是否处于信息不对称的高发期，再用PIN筛选出具体的「嫌疑股」。

2.4 核心知识体系

下面这张图是我自己画的，把本章的核心逻辑串起来了：

从这张图可以看得很清楚：信息熵和PIN从两个不同维度度量信息不对称，最终都服务于策略设计。我个人习惯把信息熵作为「预警器」，PIN作为「瞄准镜」。

2.5 避坑指南

我曾经踩过一个坑：直接用日线数据算PIN，结果发现很多股票PIN值都偏高。后来仔细排查才发现，PIN对数据频率非常敏感。用日线数据会丢失大量日内订单流信息，导致估计偏差。

我的建议是：

• 计算PIN时，至少使用分钟级订单流数据
• 如果只有日线数据，宁可改用信息熵
• PIN值在0.1以下属于正常范围，0.1-0.2需要警惕，0.2以上建议回避

好了，信息不对称的度量就讲到这里。信息熵和PIN这两个工具，一个偏理论，一个偏实战，结合起来用效果最好。下一章咱们聊聊怎么用这些指标设计具体的交易策略。

---

公众号:蓝海资料掘金营，微信deep3321