2、逆向选择成本度量：价差分解模型、Glosten-Harris模型、Huang-Stoll模型

好，咱们接着聊逆向选择成本。上一章我们讲了逆向选择到底是个什么东西——说白了，就是做市商被信息优势方“割韭菜”的风险。那问题来了：这个风险到底有多大？能不能量化？

当然能。金融工程最擅长的就是把模糊的风险变成具体的数字。今天我就带大家拆解三个经典模型：价差分解模型、Glosten-Harris模型、Huang-Stoll模型。这三个模型，我当年在自营团队做高频策略时反复用过，踩过坑，也尝过甜头。

2.1 价差分解模型：把买卖价差拆开看

先问个问题：做市商报出的买卖价差，到底由什么构成？

你可能会说：不就是手续费加利润吗？其实没那么简单。价差里藏着三块成本：

• 订单处理成本——交易所费用、系统维护、人工成本。这部分相对固定。
• 存货持有成本——做市商手里拿着股票，要承担价格波动的风险。库存越大，成本越高。
• 逆向选择成本——跟信息交易者做对手盘，亏掉的那部分。

价差分解模型的核心思想，就是把这三块拆开。我个人习惯用这个模型做第一步诊断——先看看你的做市业务里，哪块成本在“吃”你的利润。

我在项目中遇到过一家做市商，价差看起来挺大，但利润很薄。一拆解才发现，逆向选择成本占了价差的60%以上。说白了，他们一直在给聪明钱“送钱”。

2.2 Glosten-Harris模型：交易量驱动的逆向选择

Glosten和Harris在1988年提出了一个更精细的模型。他们的思路很直接：交易量越大，信息含量越高，逆向选择成本就越大。

模型长这样：

ΔP_t = λ * Q_t * V_t + ψ * (Q_t - Q_{t-1}) + ε_t

解释一下：

• ΔP_t：价格变化
• Q_t：交易方向（+1买，-1卖）
• V_t：交易量
• λ：逆向选择系数——这个最重要，越大说明信息不对称越严重
• ψ：订单处理成本系数
• ε_t：随机扰动

你想想看，λ这个参数，其实就是市场对交易量的“敏感度”。如果λ很大，说明大单子一进来，价格就猛跳——这通常是信息交易者在行动。

我曾经用这个模型监控一只小盘股。有一天λ从0.02跳到了0.15，我立刻把最大持仓量砍了一半。结果第二天，公司出了业绩预警，股价暴跌12%。嗯，那次算是躲过一劫。

2.3 Huang-Stoll模型：两阶段分解法

Huang和Stoll在1997年把模型又往前推了一步。他们的想法是：逆向选择成本不是一成不变的，它跟交易的时间序列有关。

模型分两步：

1. 第一步：估计交易方向的持续性。如果上一笔是买，下一笔还是买的概率有多大？
2. 第二步：把价差分解成逆向选择、订单处理、存货持有三部分。

公式稍微复杂一点：

ΔP_t = α * (S/2) * (Q_t - E[Q_t | Q_{t-1}]) + β * (S/2) * Q_t + ε_t

其中：

• α：逆向选择比例
• β：存货持有成本比例
• S：买卖价差
• E[Q_t | Q_{t-1}]：基于上一笔交易方向对当前交易方向的预测

说白了，这个模型比Glosten-Harris多考虑了一层：交易方向的自相关性。如果市场里有人在拆单（比如把一个大买单拆成100个小买单），Huang-Stoll模型能更好地捕捉到这种“伪装”。

2.4 三个模型的对比与选择

我整理了一个表格，方便你对比：

模型	核心思想	输入数据	输出参数	适用场景
价差分解	把价差拆成三块成本	报价、成交价	各成本占比	初步诊断
Glosten-Harris	交易量驱动逆向选择	交易量、方向、价格	λ（逆向选择系数）	监控信息交易强度
Huang-Stoll	考虑交易方向持续性	tick级交易数据	α、β（逆向选择与存货比例）	拆单检测、精细分解

我个人习惯这样用：先用价差分解模型做个快速扫描，如果发现逆向选择成本占比超过40%，就上Glosten-Harris模型盯住λ。如果λ持续走高，再用Huang-Stoll模型做深度分析，看看是不是有人在拆单。

2.5 知识体系总览

下面这张图，把三个模型的关系和核心逻辑串起来了：

这张图把三个模型的定位说得很清楚。从价差分解的宏观诊断，到Glosten-Harris的量化监控，再到Huang-Stoll的精细拆解——层层递进，步步深入。

好了，这一章的内容就到这里。度量逆向选择成本，是流动性风险管理的第一步。只有把成本算清楚了，你才知道该用什么策略去对冲。下一章我们会聊具体的对冲工具——嗯，到时候再细说。

---

公众号:蓝海资料掘金营，微信deep3321