💰 quantitative finance

The Privacy Subsidy in Continuous-Time Kyle: Cumulative Welfare under Noise-Perturbed Order-Flow Observation

本文将 Nakamura 的单期隐私补贴结果扩展至带有噪声扰动订单流的连续时间 Kyle 模型，推导出从流动性池到交易者的累计福利转移的闭式解，并确立了该隐私补贴与再平衡损失（LVR）之间的结构对偶性。

原作者： Yuki Nakamura

发布于 2026-05-26

📖 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

以下是论文《连续时间凯尔模型中的隐私补贴》的通俗解释，使用类比进行翻译。

宏观图景：“蒙眼”的市场做市商

想象一个繁忙的市场，人们正在买卖一种神秘的资产（比如一枚稀有硬币）。市场中有三类人：

内幕交易者：他们从一开始就知道硬币的真实价值。
噪声交易者：他们只是随机买卖，就像游客在抛硬币一样。
市场做市商（协议）：一个设定价格的机器人。它的任务是低买高卖，以维持市场运转。

在一个完美的世界里，市场做市商可以清楚地看到谁在买入和卖出。但在这篇论文中，作者引入了一个隐私护盾。

将隐私护盾想象成一扇雾蒙蒙的窗户。市场做市商可以看到窗户后面有人在移动，但玻璃有点模糊。它无法确切分辨有多少移动是“聪明”的内幕交易者造成的，又有多少只是“随机”的游客造成的。这种模糊性就是“隐私噪声”。

问题所在：“隐私补贴”

由于市场做市商的视野模糊，它会犯错。它可能认为随机游客比实际更聪明，或者忽略了聪明的内幕交易者。

错误：市场做市商设定的价格相对于硬币的真实价值略微“错误”。
结果：内幕交易者和噪声交易者意外地以市场做市商的损失为代价获利。
“补贴”：论文将这笔损失称为隐私补贴。这本质上是一笔“小费”，市场做市商（协议的流动性池）仅仅因为试图保护交易者的隐私，就被迫向交易者支付这笔钱。

类比：想象一位赌场发牌员（市场做市商）戴着墨镜，导致牌看起来与实际情况略有不同。因为戴着墨镜，发牌员支付给玩家的金额总是比应支付的略多。多支付的那部分钱就是“隐私补贴”。

主要发现：隐私的成本是多少？

作者中村由纪（Yuki Nakamura）通过计算得出了这笔“小费”的确切成本。

公式：成本取决于两件事：
- 资产价值实际波动的幅度（硬币有多“狂野”）。
- “雾气”（隐私噪声）的厚度。
- 你想要的隐私越多（雾气越厚），市场做市商损失就越大。
“双倍”效应：作者将其与更简单的单次交易模型（如单次拍卖）进行了比较。他发现，在连续流动的市场中（如 24/7 的加密货币交易所），这种隐私补贴的总成本恰好是单次交易的两倍。
- 为什么？ 因为在连续市场中，“聪明”的内幕交易者有更多时间调整策略并利用模糊的窗户，而在一次性交易中，他们只有一次机会。

与"LVR"的联系：孪生概念

这篇论文将加密货币世界中已知的一个概念——重平衡损失（Loss-Versus-Rebalancing, LVR）——与上述内容建立了有趣的联系。

LVR（价格差距）：当市场做市商对外部世界的价格变化反应太慢时就会发生这种情况。由于他们在市场已经变动后仍按旧价格交易，从而亏损。
隐私补贴（流量差距）：当市场做市商因隐私雾气而对订单流反应太慢时就会发生这种情况。

类比：

LVR 就像一位出租车司机没有意识到交通拥堵已经解除，因此仍基于旧的交通数据收取高价。
隐私补贴 就像一位出租车司机透过雾蒙蒙的窗户看不清乘客，从而不小心找错了零钱。

论文表明，这两个问题是“孪生”的。它们具有完全相同的数学结构。如果你想计算应向出租车司机收取多少费用以弥补其损失，你可以对“交通拥堵”问题（LVR）和“雾窗”问题（隐私）使用相同的逻辑。

现实应用：设定费用

那么，这对真实的加密货币交易所（如“屏蔽型自动做市商”）意味着什么？

如果协议希望让人们进行隐私交易（使用“雾窗”），它将会因无法看清订单而向交易者亏损。为了维持运营，协议必须收取费用。

规则：每笔交易收取的费用必须足以覆盖“隐私补贴”。
计算：论文给出了计算所需最低费用的具体公式。如果隐私噪声高，费用必须更高；如果噪声低，费用可以更低。

重要澄清（论文未说明的内容）

并非关于“免费”隐私：论文证明隐私不是免费的。总有人要为它买单。在这个模型中，除非协议收取费用来覆盖成本，否则“流动性池”（为交易所提供资金的人）将通过补贴来支付这笔费用。
并非关于“更好”的隐私：论文并没有说隐私是好是坏。它只是衡量隐私机制的成本。
这是一个理论模型：这是一个关于市场在特定规则下应如何运行的数学模型。它假设市场做市商是一个“坚定”的机器人，遵循严格的代码（智能合约），无法改变主意以停止亏损。

一句话总结

这篇论文精确计算了隐私保护型加密货币交易所因无法看清订单而向交易者损失了多少资金，并证明这种损失在数学上与由价格变化引起的损失完全相同，从而提供了一个公式来设定正确的费用，以保持交易所的偿付能力。

技术摘要：连续时间 Kyle 模型中的隐私补贴

问题陈述
本文探讨了去中心化金融（DeFi）中隐私保护机制的福利影响，具体聚焦于自动做市商（AMM）和订单流聚合的语境。虽然配套论文 [12] 在单期 Kyle 模型中确立了一个封闭形式的“隐私补贴”——即从协议流动性池向交易者的转移——但本工作将分析扩展至连续时间设定。核心问题在于量化一位承诺型贝叶斯做市商（MM）因观察受独立高斯隐私噪声扰动的聚合订单流而遭受的累积预期损失。与强制执行零利润条件的经典竞争性做市商不同，该模型假设了一种“承诺”定价规则（智能合约型 AMM 的典型特征），其中做市商基于噪声观测通过贝叶斯规则更新价格，但不会动态调整以确保零利润。

方法论
分析采用了适应隐私聚合信息的连续时间 Kyle–Back 框架 [1]。

模型基本要素：模型包含交易时段 $[0, 1]$ 、观察正常资产价值 $v$ 的知情交易者、提交流量 $du_t = \sigma_u dW^u_t$ 的噪声交易者，以及添加独立布朗噪声 $d\varepsilon_t = \sigma_\varepsilon dW^\varepsilon_t$ 的隐私通道。做市商观测到受扰动的流量 $d\tilde{y}_t = dy_t + d\varepsilon_t$ 。
定价规则：做市商采用承诺的线性定价规则 $dp_t = \lambda_t d\tilde{y}_t$ ，其中 $\lambda_t$ 是由贝叶斯投影恒等式导出的事前固定卡尔曼增益。关键在于，该模型并未施加竞争性 Kyle 模型中常见的零利润均衡约束；相反，它将由此产生的非零预期利润（或损失）作为研究对象。
均衡推导：作者利用知情者策略的线性马尔可夫拟设（ $dx_t = \beta_t(v - p_t)dt$ ）并求解相应的哈密顿 - 雅可比 - 贝尔曼（HJB）方程。该解依赖于标准的 Kyle–Back 理性条件 $\Sigma(1) = 0$ （在时段末完全信息揭示），以此确定均衡参数。
福利核算：累积隐私补贴是通过对知情交易者、噪声交易者和做市商这三方参与者的总预期福利进行分解而得出的。做市商的预期利润被计算为平衡系统所需的剩余项。

主要贡献与结果
本文确立了三个主要结果：

定理 1（马尔可夫线性均衡）：在带有隐私噪声强度 $\sigma_\varepsilon$ 的承诺型贝叶斯-AMM 定价规则下，唯一均衡具有恒定的价格冲击系数 $\lambda = \sigma_v / \sqrt{\sigma_u^2 + \sigma_\varepsilon^2}$ 和线性递减的后验方差 $\Sigma(t) = \sigma_v^2(1-t)$ 。隐私噪声的存在有效地将均衡条件中的噪声交易者波动率从 $\sigma_u$ 增加至 $\sqrt{\sigma_u^2 + \sigma_\varepsilon^2}$ 。
定理 2（累积隐私补贴）：本文推导出了在时段 $[0, 1]$ 内从流动性池向交易者转移的累积预期值（即隐私补贴）的封闭形式表达式：
$|\Pi_M| = \frac{\sigma_v \sigma_\varepsilon^2}{\sqrt{\sigma_u^2 + \sigma_\varepsilon^2}}$
作者指出，该值恰好是 [12] 中推导出的单期类比值的两倍。他们澄清，这种“翻倍”是 Kyle–Back 模型从单期过渡到连续时间模型的标准特征（知情交易者利润也会翻倍），而非隐私机制特有的产物。
命题 1（与 LVR 的结构对偶性）：本文确立了 Milionis 等人 [10] 在恒定乘积 AMM 中识别的**亏损 - 再平衡损失（LVR）**与 Kyle 市场中的隐私补贴之间的结构对偶性。
- LVR 量化了因承诺型 AMM 曲线与外部价格观测之间的不匹配而导致的福利损失。
- 隐私补贴 量化了因承诺定价规则与订单流观测之间的不匹配而导致的福利损失。
  这两种福利率均分解为相关噪声驱动因子（价格扩散与隐私噪声）的强度平方以及承诺对象的函数。这种对偶性为校准承诺型曲线交易所的盈亏平衡费用提供了一个统一框架。

意义与主张
本文声称完成了对在隐私聚合信息环境下运行的承诺型 AMM 交易所进行盈亏平衡费用量化的计划。其意义在于：

** bridging 文献**：它将关于内幕交易（Kyle/Back）的微观结构文献与关于 AMM 福利损失（LVR）的 DeFi 文献联系起来，证明了隐私噪声造成的福利缺口在结构上与价格观测缺口完全相同。
隐私成本的操作化：它提供了一个精确的、封闭形式的指标，用于衡量流动性池偿付能力方面的“隐私成本”。作者认为，为了使协议具备偿付能力，累积费用收入必须超过这一累积隐私补贴。
设计启示：
- 时间不变性：在连续时间极限下，累积补贴仅取决于隐私噪声的时间平均方差，而非其时间分布。这意味着，如果不改变平均预算，协议无法通过策略性地安排隐私注入（例如在时段末减弱隐私）来减少补贴。
- 费用校准：推导出的公式提供了一种直接设定比例费用以覆盖隐私补贴的方法，类似于 LVR 如何指导 CFMM 中的费用结构。
- 离散与连续：作者警告称，虽然连续时间模型提供了简洁的封闭形式，但实际实现（如屏蔽 AMM、MPC 引擎）必须被解释为隐私预算有限的离散区块部署，因为具有固定强度的连续布朗隐私通道与有限的差分隐私保证是不兼容的。

本文最后指出，这些结果适用于高斯噪声，而针对非高斯噪声（例如用于差分隐私的拉普拉斯噪声）或跳跃过程的扩展仍有待未来研究。