技术摘要：隐私补贴：噪声扰动订单流观测下的 Kyle $\lambda$

1. 问题陈述

本文旨在填补经典市场微观结构理论在隐私保护型加密货币交易所方面的空白。在标准的 Kyle (1985) 模型中，做市商 (MM) 通过观测总订单流 $y = x + u$（其中 $x$ 为知情交易，$u$ 为噪声交易）来设定价格。然而，现代隐私保护设计（如屏蔽自动做市商、零知识交易所）改变了这一观测机制。做市商观测到的不再是 $y$，而是噪声扰动的信号 $\tilde{y} = y + \epsilon$，其中 $\epsilon$ 是独立的高斯隐私噪声。

核心问题在于，经典结论无法直接推广至该机制。具体而言，当做市商的观测被隐私噪声掩盖时，价格冲击系数 ($\lambda$)、知情交易者的策略 ($\beta$) 以及福利分布将如何变化，目前尚不清楚；特别是当该做市商是一个承诺型贝叶斯智能合约，而非竞争性零利润代理时。

2. 方法论与模型设定

作者构建了一个单期线性 Kyle 均衡模型，包含以下基本要素：

• 资产价值 ($v$)： 服从正态分布 $N(p_0, \sigma_v^2)$。
• 噪声流 ($u$)： 服从正态分布 $N(0, \sigma_u^2)$，与 $v$ 独立。
• 隐私噪声 ($\epsilon$)： 服从正态分布 $N(0, \sigma_\epsilon^2)$，与 $v$ 和 $u$ 均独立。
• 观测： 做市商观测到 $\tilde{y} = x + u + \epsilon$。
• 做市商 (MM)： 建模为承诺型贝叶斯自动做市商。与教科书中的竞争性做市商（强制期望利润为零）不同，该做市商机械地设定价格 $p(\tilde{y}) = E[v | \tilde{y}]$。任何期望损失均由协议的流动性提供者 (LP) 池吸收。这种设定旨在模拟无法通过策略性调整以确保零利润的链上智能合约定价规则。
• 知情交易者： 风险中性的内部人，观测到 $v$ 并提交线性订单 $x = \beta(v - p_0)$。

均衡由一对 $(\beta, \lambda)$ 定义，使得定价规则符合贝叶斯理性，且知情交易者在给定定价规则下最大化期望利润。

3. 主要贡献与结果

A. 闭式线性均衡（定理 1）

本文推导了存在隐私噪声下的唯一线性均衡。均衡系数为：
$$\lambda = \frac{\sigma_v}{2\sqrt{\sigma_u^2 + \sigma_\epsilon^2}}$$
$$\beta = \frac{\sqrt{\sigma_u^2 + \sigma_\epsilon^2}}{\sigma_v}$$

关键性质：

• 重缩放： $\lambda$ 和 $\beta$ 均按依赖于隐私参数 $\sigma_\epsilon$ 的单一因子进行重缩放。
• 不变性： 乘积 $\lambda \beta = 1/2$ 保持不变，无论隐私噪声水平如何。这保留了经典 Kyle 均衡的“半揭示”属性：条件均值价格从先验值向真实值移动一半的距离，即 $E[p|v] = (p_0 + v)/2$。
• 比较静态分析： 随着隐私噪声 ($\sigma_\epsilon$) 增加，价格冲击系数 $\lambda$ 减小（价格对订单流的敏感度降低），而知情交易者的策略 $\beta$ 加剧（内部人为了在噪声中隐藏而进行更激进的交易）。

B. 隐私补贴（定理 2）

本文进行了福利分解，以计算各参与方的期望利润/损失。

• 知情交易者利润 ($\pi_I$)： 随 $\sigma_\epsilon$ 增加而增加。
• 噪声交易者利润 ($\pi_N$)： 随 $\sigma_\epsilon$ 增加而增加（损失减少）。
• 做市商/协议利润 ($\pi_M$)： 变为负值。

本文识别出从协议/LP 池向交易者转移的闭式量，称为隐私补贴：
$$|\pi_M| = \frac{\sigma_v \sigma_\epsilon^2}{2\sqrt{\sigma_u^2 + \sigma_\epsilon^2}}$$

该数量代表了任何隐私聚合交易所为补偿其流动性层所必须收取的盈亏平衡费用。当 $\sigma_\epsilon = 0$ 时（恢复教科书式 Kyle 结果），该值为零；否则严格为正。

C. 补贴的比较静态分析

该补贴表现出特定的渐近行为：

• 低隐私机制 ($\sigma_\epsilon \to 0$)： 补贴呈二次方增长 ($\propto \sigma_\epsilon^2$)。
• 高隐私机制 ($\sigma_\epsilon \to \infty$)： 补贴呈线性增长 ($\propto \sigma_\epsilon$)。
• 拐点： 函数在 $\sigma_\epsilon^* = \sqrt{2}\sigma_u$ 处具有单一拐点，从凸函数过渡为凹函数。

D. 适用性与边界

作者划定了其框架的适用范围：

• 适用： 具有显式加性高斯噪声注入的屏蔽自动做市商（例如差分隐私）。
• 不适用（需要独立框架）：
  • Penumbra 风格的批量互换： 这些可简化为具有重缩放噪声方差的教科书式 Kyle 模型，但在贝叶斯做市商下不产生隐私补贴。
  • Suave 风格的密封投标拍卖： 这些涉及时间不对称性而非加性噪声，更接近于重平衡损失 (LVR)。
  • Renegade 风格的预言机挂钩跨链交易： 这些完全超出了 Kyle 分析范畴，因为价格发现是外生的。

4. 意义与定位

本文将研究结果定位在市场微观结构与去中心化金融 (DeFi) 的交叉点：

1. 微观结构扩展： 将 Kyle 1985 年的线性均衡扩展至一个此前未受分析的观测机制，其中不完美之处位于做市商的信号而非交易者的信息。
2. DeFi 与 LVR 的类比： “隐私补贴”被呈现为重平衡损失 (LVR) 的单期闭式类比。虽然 LVR 衡量的是过时价格被拥有外部信息的套利者利用的成本，但隐私补贴衡量的是隐私噪声掩盖做市商订单流观测的成本。两者都是从流动性提供者向交易者的福利转移。
3. 费用设计启示： 该结果为隐私保护型交易所的费用提供了理论下限。文章指出，对于 BTC/USDT 的校准，若隐私参数等于噪声交易者方差 ($\sigma_\epsilon = \sigma_u$)，则意味着每日约 100 万美元的盈亏平衡费用要求，相当于 10 亿美元交易量的 0.1% 费用。

文章结论认为，虽然隐私使知情交易者和噪声交易者均受益（通过减少对噪声交易者的逆向选择并增加知情利润），但全部成本均由协议/LP 池承担，因此需要特定的费用结构以确保偿付能力。