一、博弈论基础:纳什均衡、囚徒困境、零和博弈与非零和博弈

各位同学好,我是老张。今天咱们聊聊博弈论在量化交易执行中的底层逻辑。说实话,我刚入行时觉得博弈论就是数学游戏,直到在实盘中被市场狠狠教育了几次,才明白这东西有多重要。

你想想看,交易执行本质上就是一场博弈。你跟其他交易者博弈,跟做市商博弈,甚至跟自己的策略博弈。不理解这些,你的算法再漂亮也是纸上谈兵。

1.1 纳什均衡:交易中的「谁先动谁吃亏」

纳什均衡这个概念,说白了就是:在一场博弈中,每个参与者都选择了对自己最有利的策略,而且没有人愿意单方面改变自己的选择。为什么?因为一旦改变,自己反而会吃亏。

我在做高频交易时遇到过这样一个场景:两个做市商同时报价,谁先降价谁就能拿到订单,但利润会变薄。如果都不降价,大家都能维持高利润。最后的结果往往是——谁都不动,这就是纳什均衡。

核心要点:纳什均衡不是全局最优,而是「给定对手策略下的局部最优」。在交易执行中,这意味着你的算法不能只考虑自己的最优路径,还要预测对手的行为。

举个具体例子。假设你和另一个交易员都在抢一个流动性池子。你们俩的策略空间是:

你的策略 \ 对手策略 激进抢单 保守等待
激进抢单 (-2, -2) (+3, -1)
保守等待 (-1, +3) (0, 0)

看到没?如果你们都激进,两败俱伤。如果都保守,收益为零。但如果你激进对手保守,你赚3他亏1。反过来也一样。最终纳什均衡在哪?嗯,其实是双方都激进——因为无论对手选什么,激进都是你的最优反应。这就是典型的「囚徒困境」结构。

1.2 囚徒困境:为什么算法交易者总在互相伤害

囚徒困境是博弈论里最经典的模型,没有之一。我当年在团队里做策略优化时,就踩过这个坑。

故事是这样的:两个嫌疑犯被抓,警察分开审讯。如果都沉默,各判1年。如果一人揭发另一人沉默,揭发的无罪释放,沉默的判10年。如果互相揭发,各判5年。

从整体看,都沉默是最好的(总共2年)。但理性人都会选择揭发——因为不管对方怎么做,揭发都是你的最优策略。结果就是互相揭发,各判5年。

避坑指南:我曾经在开发TWAP算法时,发现多个同策略的算法在同一个交易所执行,结果互相踩踏。每个算法都觉得自己在「理性执行」,但合在一起就是灾难。这就是囚徒困境在交易中的真实写照。

在量化交易中,囚徒困境的典型场景是:

  • 流动性争夺:多个算法同时抢同一个订单簿的深度
  • 价格发现:多个做市商同时报价,谁先报低价谁吃亏
  • 订单路由:多个交易所之间,算法选择最优路径导致拥堵

解决思路是什么?我个人习惯用重复博弈来破局。如果你们天天见面,今天你坑我,明天我坑你,最后大家都不好过。这时候合作反而成为纳什均衡——这就是「以牙还牙」策略的由来。

1.3 零和博弈:交易真的是零和吗?

很多人说「交易是零和博弈」,我不同意。至少不完全同意。

零和博弈的定义是:一方的收益等于另一方的损失,总收益为零。比如期货市场,你多头赚的钱就是空头亏的钱,总账是平的。但股票市场呢?公司成长带来的价值增量,让所有人都可能赚钱——这就是非零和。

我举个例子。假设你在做统计套利,同时做多和做空两个相关品种。如果价差回归,你两边都赚?不对,你赚的是价差收敛的钱,而对手盘亏的是这个价差。但市场整体流动性提升了,所有人都受益——这又是非零和的部分。

我的经验:在算法交易执行层面,我更倾向于把短期博弈看作零和,长期博弈看作非零和。比如抢单是零和,但做市商提供流动性后获得返佣,这是非零和——因为交易所也赚了手续费,三方共赢。

零和博弈的数学表达很简单:

# 零和博弈的收益矩阵
# 玩家A和玩家B,收益之和为0
payoff_matrix = {
    ('A_策略1', 'B_策略1'): (3, -3),
    ('A_策略1', 'B_策略2'): (-1, 1),
    ('A_策略2', 'B_策略1'): (2, -2),
    ('A_策略2', 'B_策略2'): (0, 0)
}

# 检查是否为零和
def is_zero_sum(matrix):
    for key, (a, b) in matrix.items():
        if a + b != 0:
            return False
    return True

print(is_zero_sum(payoff_matrix))  # True

这段代码很简单,但背后逻辑很深刻。如果你的交易策略是零和博弈,那你的对手盘就是你的敌人。你需要预测他的行为,然后反着来。但如果是非零和,你们可以合作创造价值。

1.4 非零和博弈:合作创造超额收益

非零和博弈才是交易中最有意思的部分。说白了,就是大家一起把蛋糕做大,然后分着吃

我记得在2019年做期权做市时,和另一个做市商达成了默契:我们不互相砸盘,而是各自在特定价位提供流动性。结果呢?市场深度变好了,买卖价差缩小了,交易量上来了,我们俩都赚了更多返佣。这就是非零和博弈的典型案例。

非零和博弈在交易执行中的常见形式:

  • 流动性合作:多个做市商共同维护市场深度
  • 信息共享:交易所和做市商之间共享订单流数据(当然要合规)
  • 算法协同:不同策略之间避免互相干扰

关键区别:零和博弈关注「怎么赢对手」,非零和博弈关注「怎么和对手一起赢」。在算法交易中,我建议你至少花30%的精力思考后者。

知识体系总览

下面这张图是我自己画的,把今天讲的内容串起来。你仔细看看,每个概念之间是怎么关联的。

博弈论在算法交易执行中的应用 纳什均衡 • 无人愿意单方面改变策略 • 局部最优而非全局最优 • 交易场景:做市商报价博弈 • 核心:预测对手行为 → 谁先动谁吃亏 囚徒困境 • 个体理性导致集体非理性 • 互相揭发是最差结果 • 交易场景:算法互相踩踏 • 解法:重复博弈+以牙还牙 → 合作才能破局 零和博弈 • 一方收益=另一方损失 • 总收益恒为零 • 交易场景:期货、抢单 • 策略:预测对手反向操作 → 短期博弈的常态 非零和博弈 • 合作创造超额收益 • 总收益可正可负 • 交易场景:做市、套利 • 策略:合作共赢 → 长期博弈的智慧 核心:理解博弈结构 → 设计最优执行策略

这张图把四个核心概念的关系讲清楚了。纳什均衡是基础,囚徒困境是典型场景,零和与非零和是两种博弈类型。在算法交易中,你需要根据具体场景判断自己处在哪种博弈中,然后选择对应的策略。

一个小技巧:我每次设计新策略前,都会先画一个博弈矩阵。哪怕只是草稿,也能帮你理清思路。别嫌麻烦,这步省了,后面可能要花十倍时间填坑。

好了,今天的内容就到这里。博弈论这东西,光看理论觉得简单,真到实战中处处是坑。希望今天的分享能帮你少走一些弯路。

专注资料整理