技术摘要：机构交叉市场中的投资组合偏好 elicitation

1. 问题定义

机构投资者经常交易投资组合而非孤立证券，其交易价值基于不可分割的投资组合目标，如风险降低、基准偏离和对冲完成。然而，标准的隐藏流动性发现机制（如暗池、交叉网络）通常仅 elicitation 关于单个证券的信息。这造成了根本性的不匹配：有价值的对象是带符号的投资组合交易，但 elicitation 的信息单元却是单个证券订单。

核心问题在于连续、带符号的投资组合空间中的隐藏信息偏好 elicitation。平台必须在未观察完整需求的情况下识别互利交易。挑战在于平衡两个相互冲突的要求：

1. 搜索：在高维、不可分割的投资组合空间中定位高价值区域。
2. 验证：获取精确的福利值以认证分配，因为仅凭需求响应只能提供福利的保守下界。

本文将此框架化为基于查询的机制设计问题，其中平台必须决定 elicitation 哪些有限的投资组合信息（通过需求和价值查询），以及如何表示这些组合（通过证券级与因子完成篮子），以在通信约束下最大化福利。

2. 方法论与架构

2.1 模型框架

作者将机构交叉建模为带符号的多资产分配问题。

• 参与者：$n$ 名投资者，拥有关于带符号交易向量 $d \in \mathbb{R}^m$ 的私有盈余函数。
• 估值：盈余被建模为二次函数：$v_i(d) = \theta_i^\top d - \frac{1}{2}d^\top H_i d$，其中 $H_i$ 捕捉来自风险、流动性和指令的曲率。
• 不可分割性：命题 1 确立，交易腿是互补还是替代，取决于曲率矩阵中的交叉项（$g^\top H_i h$）。这意味着交易的价值取决于现有的投资组合头寸以及组合中的其他腿。
• 福利基准：完全信息基准（$W^\star$）最大化总盈余减去剩余外部执行成本（$\Psi$）。

2.2 elicitation 架构

所提出的机制使用混合查询协议将搜索与验证分离：

1. 需求查询：平台发布价格向量 $p^\ell$。参与者响应以最大化 $v_i(d) - p^{\ell\top}d$ 的最优交易 $d^\ell_i$。这些查询利用价格导向的响应来定位投资组合空间中的活跃区域。
2. 代理搜索：结构代理模型（$\hat{v}_i$）利用需求响应和投影矩进行更新，以指导后续查询价格的选择。
3. 桥接价值查询：在需求查询阶段之后，平台识别一个临时分配（$a^{dq}$）。“桥接”查询要求参与者报告该特定分配的精确盈余。此步骤将需求发现的分配转化为精确值候选，将其保留为最终分配的可行选项。
4. 价值查询：平台针对特定组合（由代理模型提出）发出定向查询，以获取精确的盈余值。
5. 基于报告的分配：最终分配通过解决赢家确定问题，从 elicitation 的有限报告集合（需求下界和精确价值报告）中选出。代理模型指导哪些组合被查询，但不决定最终福利；最终福利严格由 elicitation 的报告决定。

2.3 组合表示

本文比较了价值查询提案的两种表示法：

• 证券级（SL）：使用需求发现的证券作为坐标。这保留了精确的证券级表达性。
• 因子完成（FC）：将因子敞口目标与需求发现证券上的剩余袖口相结合。这使用低维因子指南（$F$）来总结风险敞口，并通过最小成本映射（$C(u, \eta)$）完成投资组合。

3. 主要贡献

1. 将隐藏流动性框架化为投资组合 elicitation：本文将设计重点从单一订单匹配转向带符号的投资组合交易 elicitation，认识到最优交易取决于当前头寸和投资组合曲率。
2. 混合需求 - 价值架构：开发并分析了一种结合价格导向需求查询（用于搜索）与价值查询（用于验证）的协议。分析阐明，需求查询能定位有前景的区域，但若无验证则不足以进行福利核算；而价值查询若无定向搜索则无效。
3. 组合表示作为设计变量：本文将证券级与因子完成篮子之间的选择视为一种经济设计选择。它区分了未调整效率（披露成本前的福利）和披露调整后的福利（受盘前信息丰富度惩罚的福利）。

4. 实验结果

作者使用来自标普 500、KOSPI 200、日经 225 和 DAX 的股票面板进行了计算实验。

4.1 搜索与验证的互补性

• 混合模式与单模式：在有限的查询预算（18 次查询）下，混合 elicitation 恢复了 88.01% 的完全信息福利。相比之下，仅价值 elicitation 仅恢复 47.84%，仅需求 elicitation 恢复 49.56%。
• 扩展性：随着通信预算扩展到 48 次查询，混合 elicitation 接近 95.29%，而仅价值模式仍停滞在 49.86% 左右。
• 机制：需求查询成功定位了高价值区域（需求发现候选者的原始估值达到 96.71%），但若无桥接价值查询和随后的验证，保守的下界核算会阻止这些候选者在分配规则中被充分利用。

4.2 组合表示与披露成本

• 未调整效率：当盘前披露成本较低时，证券级（SL） 组合效率最高，实现了 97.25% 的相对福利。这优于相同证券（SN）交叉（94.69%）和因子完成（FC）篮子（88.85%）。
• 披露调整前沿：当盘前消息的信息丰富度具有成本时，FC 变得优越。本文确定了一个“盈亏平衡”披露成本（$c^\star$），在此成本下，使用因子篮子减少的信息泄露补偿了其较低的未调整效率。例如，在泄露成本 $c=0.20$ 时，FC 成为福利领导者。
• 流动性制度：在“稀薄”的对手方流动性制度中（即同一证券的直接对立兴趣稀缺），SN 交叉表现显著下降（至约 53%），而投资组合组合（SL 和 FC）通过结合通过投资组合曲率矩阵相互抵消的腿，保持了高福利（约 72-74%）。

4.3 稳健性

• 桥接价值查询：在紧张预算下，包含桥接价值查询可将福利提高 5.61 至 7.03 个百分点，证实了将需求发现的临时分配保留为精确候选者的重要性。
• 因子完成：FC 构建（结合因子与剩余袖口）显著优于不完整的篮子替代方案（例如低秩或无完成），表明剩余袖口对于捕捉参与者特定的活跃需求是必要的。

5. 意义与主张

本文声称将投资组合交叉表征为选择性验证问题。其主要意义在于证明：

1. 搜索与验证是不同但互补的：仅靠需求查询或仅靠价值查询都不足以实现高效的隐藏流动性发现。混合协议对于导航高维投资组合空间并认证福利是必要的。
2. 表示是一种权衡：不存在通用的“最佳”组合表示。证券级组合最大化未调整效率，而当盘前信息泄露成本高昂时，因子完成篮子提供了披露调整后的福利前沿。
3. 设计启示：对于隐藏流动性平台，组合表示的选择（SL 与 FC）应由盘前披露的成本和对手方流动性的厚度驱动，而非基于不可分割性或单一证券焦点的固定假设。

作者得出结论，其结果为平台提供了一个设计框架，以平衡不可分割价值发现的需求与信息泄露的约束，从而超越简单的订单匹配，迈向复杂的投资组合偏好 elicitation。