💰 quantitative finance

The Privacy Subsidy in Glosten-Milgrom: Bid-Ask Spread and Welfare under Flip-Noise Direction Observation

本論文は、取引方向のノイズ観測下におけるグロステン＝ミルグロムモデルに対して、閉形式のビッド・アスク・スプレッドと厚生分解を導出するものであり、プライバシー・メカニズムが流動性プールからトレーダーへの「プライバシー補助金」移転をもたらすことを示し、それによってプライバシーに起因する厚生効果の概念を連続ガウスモデルから離散マイクロストラクチャーモデルへと拡張する。

原著者： Yuki Nakamura

公開日 2026-05-20

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Yuki Nakamura

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

活気ある市場を想像してください。そこでは人々が謎の箱を取引しています。箱の中には、高価値の金塊か、低価値の石のどちらかが入っています。箱の正体を完全に知っているのは、箱の中身が何であるか正確に示す秘密の地図を持っている少数の「インサイダー」だけです。残りのトレーダーは「レギュラー」であり、単に推測しているに過ぎません。

この市場には、マーケットメーカー（店番）が存在します。彼の仕事は、箱を買う価格（ビッド）と箱を売る価格（アスク）を設定することです。これら二つの価格の差はスプレッドと呼ばれます。

問題：店番の恐怖

通常の市場において、店番はインサイダーを恐れています。もしインサイダーが箱に金塊が入っていることを知っていれば、安く買い、後で巨額の利益を得て売るでしょう。店番はこれらの取引で損失を被ります。自分自身を守るため、店番はスプレッドを広げます（買い価格を非常に低くし、売り価格を非常に高くする）。この「逆選択」コストは、推測しているだけのレギュラーを含む全員に転嫁されます。

転換点：「プライバシーフィルター」

この論文は、新しいガジェットであるプライバシーフィルターを導入します。店番がトレーダーの注文を直接見るのではなく、注文が「フリップ機械」を通って店番に届くと想像してください。

トレーダーが買いを希望する場合、機械は店番に「買い」と伝える確率が 90% です。
しかし、10% の確率で機械が誤作動を起こし信号を反転させ、店番に「売り」と伝えてしまいます。

これが論文で言及されている「フリップノイズ」または「二値フリップチャネル」です。これは、誰が買いをしているのか売りをしているのかを意図的に店番に混乱させるプライバシー機構のようなものです。

大発見：「プライバシー補助金」

著者の中村ユキは、このフリップ機械を稼働させた際に何が起こるかを数学的に計算しました。ここには驚くべき結果があり、簡単に説明すると以下の通りです。

1. スプレッドが狭まる（トレーダーにとって好ましい）
フリップ機械によって店番が混乱するため、店番は「買い」の信号が本当にインサイダーから来たのか、それとも単なるレギュラーから来たのかを確信できなくなります。確信が薄れるため、店番はそれほど多くの保護料を請求する必要がなくなります。

結果： 買い価格と売り価格の間のギャップが縮小します。すべての人にとって取引が安くなります。

2. 店番は損失を被る（コスト）
店番はより低い料金を請求する（スプレッドが狭まる）ため、旧システムと比較して平均的に損失を被ることになります。彼らは実質的にトレーダーに対して「税金」を支払っていることになります。

「プライバシー補助金」： この論文はこの損失をプライバシー補助金と呼んでいます。これは、店番（またはプロトコルの流動性プール）からトレーダーへの富の移転です。プライバシーを多く追加する（フリップを多くする）ほど、店番の損失は増え、トレーダーの利益は増えます。

3. 「レギュラー」さえも勝つ
賢いインサイダーだけがプライバシーから恩恵を受けると考えるかもしれません。しかし、この論文は直感に反する事実を示しています。レギュラー（ノイズトレーダー）も勝つのです。

スプレッドが狭いため、レギュラーはランダムな推測によって失う金額が少なくなります。
賢いトレーダーも推測するトレーダーも、プライバシーフィルターがなかった場合よりも手元に多くのお金を残すことになります。

4. 誰が請求書を支払うのか
この利益の全コストは、**店番（プロトコル）**が負担します。

店番が事業を維持したい（損益分岐点に達したい）場合、この「プライバシー補助金」の損失をカバーするために、各取引に少額の料金を課さなければなりません。
料金を徴収しなければ、店番はトレーダーに補助金を払い続けるため、ゆっくりと破産します。

「フリップ」の比喩のまとめ

市場をポーカーのゲームだと考えてください。

旧来の方法： ディーラー（店番）は誰がブラフしているかを正確に把握しています。彼らはリスクをカバーするために、プレイするための巨額の料金を請求します。
新しい方法（プライバシーあり）： ディーラーは曇りガラスの眼鏡をかけています。彼らは誰がブラフしているのかを判断できません。そのため、脅威を感じないため、エントリーフィー（スプレッド）を下げます。
結果： プレイヤー（トレーダー）はプレイする費用が少なくなります。ディーラーは取引で損失を被ります。この論文は、眼鏡がどの程度曇っているかによって、ディーラーがどの程度の金額（補助金）を失うかを正確に計算しています。

論文で言及されている現実世界への応用

この論文は、この数学がMPC ベースのマッチングエンジン（マルチパーティ計算）に適用されると具体的に述べています。これらは、取引の方向性を隠すために暗号技術を使用する、暗号通貨や金融で利用されるハイテク取引システムです。

もしこれらのシステムが、ユーザーのプライバシーを保護するために意図的に取引の方向性を「フリップ」したり隠したりするプライバシー機構を使用する場合、この論文は、システム自体が損失（補助金）を被ることを証明しています。ただし、その損失をカバーする料金を徴収しない限りは。

要約： プライバシーはすべての人にとって取引を安くしますが、システムにはコストがかかります。この論文は、そのコストを計算するための正確な数式を提供し、プライバシーがシステムからトレーダーへ支払われる補助金として機能することを示しています。

技術的サマリー：グローステン・ミルグロムモデルにおけるプライバシー補助

問題定義
本論文は、標準的なグローステン・ミルグロム（GM）1985 年逐次取引モデルにおいて、プライバシー保護メカニズムが市場マイクロストラクチャーに与える影響を調査する。標準的な GM フレームワークでは、リスク中立なマーケットメーカー（MM）が流入する注文の方向（買いまたは売り）を正確に観測して気配値（ビッド・アスク）を設定し、これによりインサイダー取引からの逆選択を補償するビッド・アスクスプレッドが生じる。

著者らは、MPC（マルチパーティ計算）ベースのマッチングやシールドド・バイッドの RFQ（リクエスト・フォー・クォート）など、現代的な取引所設計におけるギャップに取り組んでいる。これらの設計では、プライバシーメカニズムが意図的に取引方向を曖昧にする。具体的には、本論文は MM が取引方向を観測するプロセスを対称二値チャネル（「反転ノイズ」チャネル）を介して行われるものとしてモデル化する。確率 $1-\eta$ で MM は真の方向を観測し、確率 $\eta$ で方向が反転する。核心的な問いは、この情報理論的な漏洩が、均衡ビッド・アスクスプレッドおよびインサイダー、ノイズトレーダー、プロトコル（MM）間の厚生分配にどのように影響するかである。

手法
本研究は、以下の設定を持つ離散状態の逐次取引モデルを採用している：

資産とエージェント: 価値 $v \in \{v_H, v_L\}$ を持つ単一のリスク資産と、事前確率 $\pi = 1/2$ 。トレーダーは逐次到着する。そのうち割合 $\mu$ がインサイダー（ $v$ を知っている）であり、 $1-\mu$ がノイズトレーダー（方向を均一にランダムに選択する）である。
プライバシーメカニズム: 真の取引方向 $d$ は、MM に到達する前に反転確率 $\eta \in [0, 1/2]$ によって攪乱される。観測されるシグナルは $\tilde{d}$ である。
価格設定ルール: 著者らはコミットされたベイズ価格設定ルールを採用する。実際の取引方向を条件としたゼロ期待利潤を確保する古典的な競争的 MM と異なり、この MM は観測されたノイズシグナルに基づいて価格設定ルールにコミットする：
- $Ask = E[v \mid \tilde{d} = \text{buy}]$
- $Bid = E[v \mid \tilde{d} = \text{sell}]$
  MM は、実際の取引方向に対するゼロ利潤制約なしに、実際のフローに対して実現された期待損失を負う。
分析: 著者らは均衡スプレッドの閉形式解を導出し、インサイダー（ $\pi_I$ ）、ノイズトレーダー（ $\pi_N$ ）、マーケットメーカー（ $\pi_M$ ）の取引ごとの厚生（P&L）を分解する。

主要な結果

修正されたビッド・アスクスプレッド（定理 1）:
均衡スプレッドは以下のように導出される：
$\text{Spread} = \mu(1 - 2\eta)\Delta$
ここで $\Delta = v_H - v_L$ である。
- $\eta = 0$ （プライバシーなし）の場合、スプレッドは教科書的な GM 値 $\mu\Delta$ を回復する。
- $\eta = 1/2$ （完全なプライバシーノイズ）の場合、観測シグナルが資産価値から独立するため、スプレッドは 0 に崩壊する。
厚生分解とプライバシー補助（定理 2）:
論文は、プロトコル/MM が取引ごとに非ゼロの期待損失を負うことを特定する：
$\pi_M = -\mu\eta\Delta$
この損失はプライバシー補助として定義される。これは、プロトコルの流動性プールからトレーダー（インサイダーおよび非インサイダーの両方）の集合体への、取引ごとの移転を表す。
- インサイダー: スプレッドが狭まることでレントの抽出コストが低下するため、 $\eta$ が増加するにつれて利益が増加する。
- ノイズトレーダー: 直感に反して、ノイズトレーダーも恩恵を受ける。 $\eta$ が増加するにつれて、彼らの取引ごとの期待損失は減少する（負の値が小さくなる）。
- ゼロサム: 厚生構成要素の合計はゼロである： $\mu\pi_I + (1-\mu)\pi_N + \pi_M = 0$ 。
比較静学:
- スプレッドは $\eta$ に対して線形的に減少する。
- プライバシー補助は $\eta$ に対して線形的に増加する。
- 両者のトレーダータイプはプライバシーノイズの導入から恩恵を受けるが、コストの全額をプロトコルが負担する。

意義と主張
本論文は、「プライバシー補助」という現象が、2 つの標準的なマイクロストラクチャーモデル全体にわたって頑健であることを確立すると主張する：

先行研究の拡張: 付加ノイズ下での連続ガウス型ケイル市場において以前に確立されていたプライバシー補助の概念を、対称二値ノイズ下での離散二状態グローステン・ミルグロムモデルに拡張する。
概念的統合: この結果は、プライバシー補助が、ノイズがガウス型（連続）か二値型（離散）かにかかわらず、情報非対称性下におけるコミットされたベイズ価格設定の基本的な特徴であることを示している。
MPC への応用: 著者らは、この結果を、取引方向が $\epsilon$ -差分プライバシーメカニズムを通じて開示される MPC ベースのマッチングエンジンに直接適用可能であると位置づけている。この文脈において、プライバシー補助は、プライバシー予算の厚生コスト（または必要な手数料下限）を定量化する。
LVR との関係: プライバシー補助は、Loss-Versus-Rebalancing（LVR）およびガウス型プライバシー補助と同じ概念的ファミリーに位置づけられ、自動化された価格設定メカニズムが負う、閉形式の期間ごとの逆選択コストを表す。

限界と将来の課題
著者らは、結果が対称的な事前確率（ $\pi=1/2$ ）とコミットされたベイズ価格設定ルールに依存していることを指摘する。非対称な事前確率については、定量的な閉形式解を導出するために将来の研究が必要であると明言しているが、定性的な結果は維持されると予想される。さらに、分析は部分均衡研究であり、手数料がトレーダーの参加を歪める完全な費用均衡分析は将来の調査に委ねられている。また、論文は、バッチ集約や遅延開示（時間的非対称性）を伴うメカニズムは、この特定の反転ノイズフレームワークの範囲外であることを明確にしている。