💰 quantitative finance

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

本文推导了噪声交易方向观察下 Glosten-Milgrom 模型的闭式买卖价差与福利分解，证明隐私机制会引入从流动性池向交易者的“隐私补贴”转移，从而将隐私诱导的福利效应概念从连续高斯模型扩展至离散微观结构模型。

原作者： Yuki Nakamura

发布于 2026-05-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Yuki Nakamura

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个熙熙攘攘的市场，人们在这里交易一个神秘的盒子。盒子里要么是金条（高价值），要么是石头（低价值）。除了少数持有秘密地图、确切知道盒内物品的“内幕交易者”外，没人能确定盒子里到底是什么。其余的交易者都是“普通交易者”，他们只是在猜测。

在这个市场中，有一位做市商（即店主）。他们的职责是设定买入盒子的价格（买入价 Bid）和卖出盒子的价格（卖出价 Ask）。这两个价格之间的差额被称为点差（Spread）。

问题：店主的恐惧

在正常市场中，店主对内幕交易者感到极度恐惧。如果内幕交易者知道盒子里是金条，他们就会低价买入，随后高价卖出以获取巨额利润。店主在这些交易中会亏损。为了保护自己，店主会扩大点差（将买入价压得很低，卖出价提得很高）。这种“逆向选择”成本会转嫁给所有人，甚至包括那些只是在猜测的普通交易者。

转折：“隐私过滤器”

这篇论文介绍了一种新装置：隐私过滤器。想象一下，店主不再直接看到交易者的订单，而是订单先经过一个“翻转机器”。

如果交易者想买入，机器有 90% 的概率向店主报告“买入”。
但有 10% 的概率，机器会出错并翻转信号，向店主报告“卖出”。

这就是论文中提到的“翻转噪声”或“二进制翻转通道”。它就像一种隐私机制，故意让店主混淆交易者究竟是在买入还是卖出。

重大发现：“隐私补贴”

作者中村由纪（Yuki Nakamura）计算了开启这台翻转机器后会发生什么。以下是这个令人惊讶的结果的通俗解释：

1. 点差变窄（对交易者有利）
由于翻转机器让店主感到困惑，他们无法确定“买入”信号究竟来自内幕交易者还是普通交易者。由于确定性降低，他们就不需要收取那么高的保护费。

结果： 买入价和卖出价之间的差距缩小了。对所有人来说，交易变得更便宜了。

2. 店主亏损（代价）
由于店主收取的费用减少了（点差变窄），与旧系统相比，他们平均实际上是在亏损。他们实际上是在向交易者支付一笔“税”。

“隐私补贴”： 论文将这种损失称为隐私补贴。这是财富从店主（或协议的流动性池）向交易者的转移。你增加的隐私越多（翻转越多），店主亏损就越多，交易者获利就越多。

3. 连“普通交易者”也赢了
你可能会认为只有聪明的内幕交易者能从隐私中受益。但论文展示了一个反直觉的事实：普通交易者（噪声交易者）也赢了。

因为点差变窄了，普通交易者在他们随机的猜测中亏损得更少。
无论是聪明的交易者还是猜测的交易者，最终口袋里的钱都比没有隐私过滤器时更多。

4. 谁买单？
这种收益的全部成本由**店主（即协议）**承担。

如果店主想维持经营（收支平衡），他们必须在每笔交易中收取一小笔费用，以弥补这种“隐私补贴”造成的亏损。
如果他们不收费，店主就会因为不断向交易者支付补贴而慢慢破产。

“翻转”类比总结

把市场想象成一场扑克游戏：

旧方式： 庄家（店主）能清楚地看到谁在虚张声势。为了覆盖风险，他们收取高额的入场费。
新方式（带隐私）： 庄家戴着雾蒙蒙的眼镜。他们分不清谁在虚张声势。因此，因为他们感觉威胁较小，所以降低了入场费（点差）。
结果： 玩家（交易者）支付更少的费用来游戏。庄家在这笔交易中亏损。论文根据眼镜有多模糊，精确计算了庄家会亏损多少钱（即补贴）。

论文中提到的现实世界应用

论文特别指出，这套数学理论适用于基于 MPC 的撮合引擎（多方计算）。这些是用于加密货币和金融领域的高科技交易系统，它们利用密码学来隐藏交易方向。

如果这些系统使用一种隐私机制，故意“翻转”或隐藏交易方向（以保护用户隐私），那么这篇论文证明，除非系统收取费用来弥补损失，否则系统本身将会亏损（即产生补贴）。

简而言之： 隐私让每个人的交易成本更低，但这会让系统付出代价。论文提供了精确的公式来计算这一成本，表明隐私实际上是由系统向交易者支付的一种补贴。

技术摘要：Glosten-Milgrom 模型中的隐私补贴

问题陈述
本文研究了隐私保护机制对标准 Glosten-Milgrom (GM) 1985 序贯交易模型中市场微观结构的影响。在标准的 GM 框架中，风险中性的做市商 (MM) 观察 incoming 交易的精确方向（买入或卖出）以设定买卖报价，从而产生一个旨在补偿知情交易者带来的逆向选择的买卖价差。

作者针对当前交易所设计（例如基于 MPC 的撮合、密封报价的 RFQ）中的空白进行了探讨，在这些设计中，隐私机制有意模糊了交易方向。具体而言，本文将做市商对交易方向的观察建模为通过一个二进制对称信道（即“翻转噪声”信道）。以概率 $1-\eta$ ，做市商观察到真实方向；以概率 $\eta$ ，方向被翻转。核心问题在于：这种信息论层面的泄露如何影响均衡买卖价差，以及知情交易者、噪声交易者和协议（做市商）之间的福利分配。

方法论
本研究采用离散状态、序贯交易模型，设置如下：

资产与主体：单一风险资产，其价值 $v \in \{v_H, v_L\}$ ，先验概率 $\pi = 1/2$ 。交易者依次到达；其中比例为 $\mu$ 的是知情交易者（知晓 $v$ ），比例为 $1-\mu$ 的是噪声交易者（随机均匀选择方向）。
隐私机制：真实交易方向 $d$ 在到达做市商之前，受到翻转概率 $\eta \in [0, 1/2]$ 的扰动。观察到的信号为 $\tilde{d}$ 。
定价规则：作者采用承诺式贝叶斯定价规则。不同于经典竞争性做市商确保在实际交易方向条件下期望利润为零，该做市商承诺基于观察到的噪声信号制定定价规则：
- $Ask = E[v \mid \tilde{d} = \text{buy}]$
- $Bid = E[v \mid \tilde{d} = \text{sell}]$
  做市商承担实际流量上的实现期望损失，而不对实际交易方向施加零利润约束。
分析：作者推导出了均衡价差的闭式解，并分解了知情交易者 ( $\pi_I$ )、噪声交易者 ( $\pi_N$ ) 和做市商 ( $\pi_M$ ) 的每笔交易福利（盈亏）。

主要结果

修正的买卖价差（定理 1）：
均衡价差推导如下：
$\text{Spread} = \mu(1 - 2\eta)\Delta$
其中 $\Delta = v_H - v_L$ 。
- 当 $\eta = 0$ （无隐私）时，价差恢复为教科书式的 GM 值 $\mu\Delta$ 。
- 当 $\eta = 1/2$ （完美隐私噪声）时，价差坍缩为 0，因为观察到的信号与资产价值变得独立。
福利分解与隐私补贴（定理 2）：
论文指出协议/做市商每笔交易存在非零的期望损失：
$\pi_M = -\mu\eta\Delta$
该损失被定义为隐私补贴。它代表了从协议流动性池向交易者集合（包括知情和不知情交易者）的每笔交易转移。
- 知情交易者：随着 $\eta$ 增加，其利润增加，因为价差收窄，降低了提取租金的成本。
- 噪声交易者：与直觉相反，噪声交易者同样受益。随着 $\eta$ 增加，其每笔交易的期望损失减少（负值变小）。
- 零和：福利分量之和为零： $\mu\pi_I + (1-\mu)\pi_N + \pi_M = 0$ 。
比较静态分析：
- 价差随 $\eta$ 线性递减。
- 隐私补贴随 $\eta$ 线性递增。
- 两类交易者均从隐私噪声的引入中获益，而协议承担了全部成本。

意义与主张
本文声称确立了“隐私补贴”现象在两个标准微观结构模型中的稳健性：

对先前工作的扩展：它将此前在加性噪声下针对连续高斯 Kyle 市场确立的隐私补贴概念（Nakamura [9]），扩展到了二进制对称噪声下的离散两状态 Glosten-Milgrom 模型。
概念统一：该结果表明，隐私补贴是信息不对称下承诺式贝叶斯定价的一个基本特征，无论噪声是高斯型（连续）还是二进制（离散）。
在 MPC 中的应用：作者将该结果定位为直接适用于基于 MPC 的撮合引擎，其中交易方向通过 $\epsilon$ -差分隐私机制披露。在此背景下，隐私补贴量化了隐私预算的福利成本（或所需的费用底线）。
与 LVR 的关系：隐私补贴被置于与“再平衡损失”（Loss-Versus-Rebalancing, LVR）和高斯隐私补贴相同的概念家族中，代表了自动化定价机制承担的闭式、每周期逆向选择成本。

局限性与未来工作
作者指出，结果依赖于对称先验（ $\pi=1/2$ ）和承诺式贝叶斯定价规则。他们明确表示，非对称先验需要未来工作来推导精确的闭式解，尽管定性结果预计会持续存在。此外，该分析属于局部均衡研究；关于费用扭曲交易者参与度的完整费用均衡分析留待未来研究。论文还阐明，涉及批量聚合或延迟揭示（时间不对称）的机制超出了本特定的翻转噪声框架。