信息不对称模型：Glosten-Milgrom模型的核心假设与推导
做市商这行当，说白了就是跟市场里的信息优势方对赌。我刚开始接触高频交易那会儿，总觉得做市商就是个提供流动性的工具人，后来被市场狠狠教育了几次才明白——信息不对称才是做市商定价的核心矛盾。
今天咱们聊的Glosten-Milgrom模型（简称GM模型），就是用来量化这个矛盾的。它不像Kyle模型那样关注订单流的影响，而是聚焦在做市商如何通过价差来保护自己。嗯，这模型1985年提出，到现在还是很多做市策略的理论基石。
1. 核心假设：做市商不是傻子
GM模型做了几个关键假设，我一个个说：
- 单一风险资产：只交易一种股票或债券，价值V是随机的
- 两类交易者：知情交易者（知道V的真实值）和不知情交易者（纯粹为了流动性）
- 做市商是风险中性的：不关心风险，只关心期望收益
- 竞争性做市商：期望利润为零（Bertrand竞争）
- 交易是离散的：每次只交易一个单位
关键点：做市商不知道谁是谁，只能通过订单类型来推断信息。这就是逆向选择的根源。
你想想看，如果做市商能分辨出谁是知情者，那直接拒绝交易就行了。但现实是——做市商永远在跟幽灵博弈。
2. 逆向选择：做市商的噩梦
逆向选择是什么意思？我举个例子你就明白了。
假设某只股票的真实价值V要么是100元（概率50%），要么是120元（概率50%）。做市商只能报一个买价和一个卖价。
如果做市商报买价105元，卖价115元：
- 知情交易者看到真实价值是120元时，会果断买入（赚5元）
- 知情交易者看到真实价值是100元时，会果断卖出（赚5元）
- 不知情交易者随机买卖
结果呢？做市商总是在不利的方向上被知情者狙击。这就是逆向选择——做市商接到的订单，信息含量比随机订单高得多。
我曾经踩过的坑：刚开始做市时，我天真地以为只要把价差设得够小就能吸引订单。结果被知情交易者反复收割，一天亏了3个BP。后来才明白，价差不是用来吸引流动性的，是用来对冲信息不对称风险的。
3. 模型推导：从假设到定价公式
好，咱们来推导GM模型的定价公式。这个过程不复杂，但逻辑很精巧。
3.1 符号定义
| 符号 | 含义 |
|---|---|
| V | 资产真实价值（随机变量） |
| V_H | 高价值状态 |
| V_L | 低价值状态 |
| δ | 知情交易者比例 |
| 1-δ | 不知情交易者比例 |
| A | 做市商卖价（ask） |
| B | 做市商买价（bid） |
3.2 做市商的期望利润
做市商报出卖价A时，只有两种情况会成交：
- 知情者买入（当V_H > A时）
- 不知情者买入（随机）
做市商的期望利润为0（竞争性假设）：
E[π | 卖出] = δ * (A - V_H) + (1-δ) * (A - E[V]) = 0解这个方程：
A = δ * V_H + (1-δ) * E[V]同理，买价B：
B = δ * V_L + (1-δ) * E[V]核心结论：价差 = A - B = δ * (V_H - V_L)
价差完全由知情交易者比例δ和资产价值波动范围决定。
4. 价差分解：逆向选择成本 vs 订单处理成本
实际做市商的价差包含两部分：
- 逆向选择成本：δ * (V_H - V_L) —— 这是GM模型的核心
- 订单处理成本：包括交易所费用、清算成本、库存风险等
我习惯用信息份额来衡量逆向选择的严重程度：
信息份额 = 逆向选择成本 / 总价差如果这个比例超过50%，说明你的做市策略基本是在给知情者打工。
5. 动态扩展：学习与更新
GM模型还有一个很漂亮的扩展——做市商会根据历史订单更新信念。
假设做市商初始认为V_H的概率是π₀。收到一个买入订单后，用贝叶斯更新：
π₁ = P(V_H | 买入) = [δ + (1-δ)/2] * π₀ / [δ * π₀ + (1-δ)/2]这个公式告诉我们：连续的买入订单会推高做市商对V_H的信念，从而推高卖价A。
实战技巧：我在做市策略中会实时计算这个后验概率。当连续3笔买入订单出现时，我会把卖价上调0.5个tick。这不是拍脑袋，而是GM模型的直接应用。
6. 逆向选择强度的SVG框架图
下面这张图展示了逆向选择强度与价差的关系：
7. 实战应用：如何用GM模型优化做市策略
理论说完了，咱们聊聊怎么用。我在实盘中有三个具体应用：
7.1 动态价差调整
根据GM模型，价差应该随知情交易概率动态调整。我写了个简单的Python函数：
def gm_spread(delta, V_H, V_L, base_spread):
"""
基于GM模型计算动态价差
delta: 估计的知情交易者比例
V_H, V_L: 资产价值的高/低估计
base_spread: 基础价差（订单处理成本）
"""
adverse_selection_cost = delta * (V_H - V_L)
total_spread = base_spread + adverse_selection_cost
return total_spread
# 示例：delta从0.1升到0.3时
print(gm_spread(0.1, 101, 99, 0.02)) # 0.22
print(gm_spread(0.3, 101, 99, 0.02)) # 0.627.2 订单流毒性检测
我用GM模型来检测订单流毒性（即订单的信息含量）。核心指标是VPIN（成交量同步概率），但GM模型提供了一个更简洁的替代方案：
def order_toxicity(buy_volume, sell_volume, total_volume):
"""
基于GM思想的订单毒性指标
返回值越接近1，说明订单流毒性越高
"""
imbalance = abs(buy_volume - sell_volume) / total_volume
return imbalance注意：这个简化指标只适用于流动性较好的股票。对于小盘股，订单流不平衡可能只是随机波动，不代表知情交易。
7.3 做市商库存风险管理
GM模型还隐含了一个重要结论：做市商的库存变化本身就是信息。如果你发现自己持续积累多头头寸，说明你很可能在跟知情者做对手盘。
我个人的做法是：当库存偏离中性超过阈值时，主动缩小价差来平仓。这不是GM模型直接告诉我的，但逻辑一脉相承。
8. 模型的局限与改进
GM模型虽然经典，但有几个明显的局限：
- 只考虑单期交易：现实中做市商是连续博弈的
- 假设交易量固定：实际订单规模差异很大
- 忽略订单簿深度：只考虑最优报价
后来有很多改进模型，比如Easley-O'Hara模型引入了订单规模，Foucault模型考虑了限价单簿的动态。但说实话，GM模型作为入门和理解信息不对称的起点，至今无人能替代。
我的建议：别急着上复杂模型。先用GM模型理解你交易品种的信息不对称程度。我见过太多人一上来就用深度学习做市，结果连基本的逆向选择都没搞清楚。
好了，GM模型的核心内容就这些。记住一句话：做市商的价差，本质上是对信息不对称的定价。下次你看到某个股票价差突然扩大，别只想着流动性不足——很可能是有知情者在里面搅局。
公众号:蓝海资料掘金营，微信deep3321