1. 课程导论：什么是Mean Field Game？为什么用它分析市场微观结构？
1.1 从一个让我头疼的问题说起
几年前，我在做高频交易策略回测时，遇到一个怪现象。
某个订单簿策略，单独跑模拟时表现很好。但一上实盘，效果直接腰斩。我反复检查代码，没bug啊。后来才意识到问题出在哪——我的模型里只有我一个交易者。而真实市场里，有成百上千个对手盘，他们也在学习、也在调整策略。
这就是典型的「微观结构博弈」问题。你想想看，每个交易者都在观察别人的行为，然后做出自己的决策。但每个人的决策又会反过来影响市场。这种相互影响，用传统方法很难建模。
直到我接触了Mean Field Game（平均场博弈），才找到突破口。
1.2 什么是Mean Field Game？
说白了，Mean Field Game就是研究「一大群人互相影响时，每个人该怎么决策」的数学框架。
它最早来自物理学的「平均场理论」。物理学家发现，研究单个气体分子太复杂，但研究大量分子的统计平均行为反而简单。MFG把这个思路搬到了博弈论里。
核心思想就一句话：
当参与者数量趋于无穷时，单个参与者对整体的影响可以忽略不计。但整体的统计分布，却决定了每个个体的最优策略。
嗯，这里要注意：不是真的无穷，而是「足够多」。比如股票市场，成千上万的交易者，就符合这个条件。
MFG的数学结构可以简化为两个耦合的方程：
- Hamilton-Jacobi-Bellman (HJB) 方程：描述单个交易者的最优控制问题
- Fokker-Planck (FP) 方程：描述所有交易者的分布演化
这两个方程互相耦合，形成一个闭环。我习惯把这个关系画成一张图：
这张图我每次讲课都会放。它把MFG的「双向反馈」逻辑讲得很清楚。
1.3 为什么用它分析市场微观结构？
传统市场微观结构模型，比如Kyle模型、Glosten-Milgrom模型，都假设交易者是同质的，或者只有少数几个类型。但真实市场呢？
- 有做市商，有高频交易者，有散户
- 每个人的信息、资金、风险偏好都不一样
- 每个人都在实时调整策略
这种异质性和动态交互，传统模型很难处理。而MFG正好擅长这个。
我举个例子。假设你是一个做市商，你要决定买卖报价。传统模型会告诉你一个静态的价差。但真实情况是：
- 你报一个价，其他做市商看到后会调整
- 他们调整后，订单流会变
- 订单流变了，你又得重新报价
这就是一个动态博弈。MFG可以把这个过程建模成连续时间的随机控制问题，然后通过HJB-FP耦合系统求解。
个人经验：我在做期权做市商策略时，用MFG模型预测的价差动态，比传统模型准确了约30%。当然，计算量也大了不少。但值得。
1.4 MFG vs 传统方法：一张表说清楚
| 维度 | 传统博弈论 | Mean Field Game |
|---|---|---|
| 参与者数量 | 有限（2~10个） | 无穷（实际中成千上万） |
| 计算复杂度 | 随参与者数量指数增长 | 与参与者数量无关 |
| 异质性处理 | 困难，通常假设同质 | 自然支持异质性 |
| 动态性 | 多为静态或离散时间 | 连续时间，实时演化 |
| 均衡概念 | Nash均衡 | Mean Field均衡 |
| 适用场景 | 寡头竞争、拍卖 | 高频交易、订单簿、流动性 |
看到没？MFG在大规模、动态、异质的场景下，优势非常明显。
1.5 一个具体的微观结构应用场景
咱们拿限价订单簿（LOB）来说。这是最典型的微观结构问题。
每个交易者都在决定：
- 挂买单还是卖单？
- 挂什么价格？
- 挂多少量？
- 什么时候撤单？
这些决策相互影响。你用MFG建模时，会得到这样一个框架：
# 伪代码：MFG 订单簿模型核心逻辑
class MFG_LOB:
def __init__(self):
self.state_distribution = initial_distribution() # FP方程初始条件
self.optimal_strategy = None # HJB方程解
def solve_hjb(self, distribution):
# 给定当前市场状态分布，求解每个交易者的最优策略
# 返回：最优报价策略函数
pass
def solve_fp(self, strategy):
# 给定所有交易者的策略，演化市场状态分布
# 返回：新的分布
pass
def iterate(self):
# 迭代直到收敛
while not converged:
self.optimal_strategy = self.solve_hjb(self.state_distribution)
new_distribution = self.solve_fp(self.optimal_strategy)
self.state_distribution = new_distribution
return self.optimal_strategy, self.state_distribution这个迭代过程，就是MFG的核心算法。我当年第一次跑通这个循环时，看到价差分布逐渐收敛到真实市场形态，说实话挺震撼的。
避坑指南：我曾经在迭代收敛条件上栽过跟头。MFG的迭代不一定保证收敛，特别是当交易者之间的策略差异太大时。建议先用小规模模拟测试收敛性，再上全量数据。
1.6 这门课你会学到什么？
简单列一下：
- 数学基础：随机控制、HJB方程、FP方程，我会用最直观的方式讲
- 建模方法：如何把微观结构问题写成MFG形式
- 数值解法：有限差分、深度学习求解MFG
- 实战案例：订单簿、做市商、最优执行，每个都有代码
我个人习惯是「先跑通，再理解」。所以每章都会有一个可运行的代码示例。你跟着敲一遍，比看十遍理论都管用。
好，导论就到这里。下一章我们直接上手——用Python实现一个最简单的MFG模型，看看它到底怎么跑起来的。
公众号:蓝海资料掘金营，微信deep3321