证券市场微观结构理论模型是什么

投资者常说证券市场微观结构指的是证券交易价格形成与发现的过程与运作机制。

理解市场微观结构有助于我们设计量化交易策略。

那么证券市场微观结构理论模型又有哪些呢?我们将在本篇文章中做简单介绍。

　　对于市场监管机构来说，市场微观结构理论与市场质量及其指标紧密相关，市场微观结构理论是进行市场质量评价、交易机制设计和市场规则制定的基础。

　　本文将结合市场质量的相关内容对市场微观结构理论中的经典模型进行简要的介绍。

　　学术界关于市场微观结构理论的研究分为两个阶段:

　　第一个阶段：基于存货的研究阶段;

　　第二个阶段：基于信息成本的研究阶段。

　　在存货研究阶段，Demsetz等人建立了存货模型，该模型主要基于供求变动对存货进行调整，对做市商的定价策略进行分析。

　　在信息成本研究阶段，学术界依据对做市商定价策略和交易者定价策略的不同分析设立了三个模型:

　　第一阶段模型:对做市商定价策略进行分析的信息模型、
‘
　　第二阶段模型:对知情交易者定价策略进行分析的知情交易者策略性交易模型

　　第三阶段模型:对不知情交易者定价策略进行分析的不知情交易者策略性交易模型。

存货模型

　　在报价驱动的交易下，做市商是市场价格的制定者，做市商向市场报出一个将要对外卖出证券的价格，即要价，报出一个将要对外买进证券的价格，即出价。要价和出价之间的差额就是买卖价差。

　　研究者认为做市商是市场流动性的提供者，其在市场买卖指令流不相匹配的情况下提供“即时性”服务。

　　为了防止破产，做市商手中会持有一部分现金或存货头寸，做市商通过设定买卖报价差来弥补自身持有这些头寸所带来的风险。

　　Demsetz模型是最早的存货模型，也是市场微观结构理论形成的基础。自诞生以来，市场微观结构理论逐渐得到了学者的广泛关注和持续完善，进而形成了三类代表性的存货模型:

　　第一类：基于指令流不确定性的存货模型，如Garmen模型和A-M模型。这些模型考虑了做市商设定的价格如何随存货头寸的变化而变化。

　　第二类：基于做市商决策最优化的存货模型，如以Stoll等人为代表的两期和多期模型。这些模型通过分析做市商的决策最优化问题来考察存货成本对证券价格行为的影响。

　　第三类：基于多名做市商决策最优化的存货模型，如Ho-Stoll模型和CMSW模型。前者着重分析多名做市商对价格决定的影响，后者分析了个别做市商买卖报价价差和市场价差（所有交易商的最低买入报价和最高卖出报价之间的差额）之间的区别，探讨市场价差的形成机制。

这三类模型均属于批量交易模型。

从实践来看，存货模型所解释的价格行为并未得到肯定的检验。Hasbrouck研究发现证券价格短期变化可以用存货模型进行解释，但从长期看，价格受其他信息影响更大。同时存货模型中最重要的结论也存在许多争议，即做市商存在存货头寸偏好。Madhavanand Smidt与 Hasbrouck and Sofianos发现，做市商在短期内存在存货偏好，但在长期内，做市商将偏离这些偏好头寸。

信息模型

   在信息模型中我们只介绍第一大类模型，即做市商定价策略分析类的模型。

　　随着博弈论和信息经济学的发展，学者对买卖价差的研究重点逐渐从研究存货持有成本转变成研究信息不对称条件下的市场价格行为。

　　存货模型并不会考虑信息不对称的影响，然而在信息模型下，市场微观结构理论的研究者从逆向选择理论出发，侧重于研究做市商如何从市场交易中获得信息，通过贝叶斯学习过程将所获得的信息转换为市场价格。

　　信息模型属于序贯交易模型，Copeland和Galai在不完全信息静态博弈模型中引入信息成本概念来反映交易信息的信号传递过程，但该模型未能摆脱存货模型的影响，随着动态因素的引入，最终形成了两类代表性模型:

　　第一类：Glosten-Milgrom的序贯交易模型。这类模型首先考虑了影响做市商定价行为的第一因素，即交易者提交的指令的类型。他们认为，由于交易指令的类型具有信号作用，因此，做市商将分别依据交易指令的类型来设定买卖报价。这种调整过程本质上是一种贝叶斯学习过程。因此，贝叶斯学习过程也就成为信息模型中分析做市商报价动态调整过程的重要工具，用它可以描述买卖报价对信息所作的动态调整过程。

自Glosten—Milgrom 模型问世后，市场微观结构理论的研究重点转移到分析做市商如何从指令流中学习信息以及信息影响价格的波动。因此，Glosten—Milgrom 模型市信息模型发展中的里程碑。

　　第二类：Easley-O'Hara的序贯交易模型。这类模型考察了影响做市商定价行为的第二个因素——交易规模对买卖报价的影响，其结论是，做市商的定价行为会依赖于委托指令规模，数量比较大的委托指令往往以比较差的价格成交。其后Easley和O'Hara考察了影响做市商定价行为的第三个因素——交易的时间性对买卖报价的影响。他们证明，交易的时间性会影响报价，并且交易时间间隔会影响价差大小。

— — — — — — E N D — — — — — —
往期文章：
Numpy处理tick级别数据技巧
真正赚钱的期权策略曲线是这样的
多品种历史波动率计算
如何实现全市场自动盯盘
AI是怎样看懂研报的
真格量化策略debug秘籍
真格量化对接实盘交易
常见高频交易策略简介

如何用撤单函数改进套利成交

Deque提高处理队列效率

策略编程选Python还是C++

如何用Python继承机制节约代码量

十大机器学习算法
如何调用策略附件数据

如何使用智能单

如何扫描全市场跨月价差

如何筛选策略最适合的品种

活用订单类型规避频繁撤单风险

真格量化回测撮合机制简介

如何调用外部数据

如何处理回测与实盘差别

如何利用趋势必然终结获利

常见量化策略介绍

期权交易“七宗罪”

波动率交易介绍

推高波动率的因素

波动率的预测之道

趋势交易面临挑战
如何构建知识图谱
机器学习就是现代统计学

AI技术在金融行业的应用

如何避免模型过拟合

低延迟交易介绍

架构设计中的编程范式

交易所视角下的套利指令撮合

距离概念与特征识别

气象风险与天气衍生品

设计量化策略的七个“大坑”

云计算在金融行业的应用

机器学习模型评估方法
真格量化制作期权HV-IV价差
另类数据介绍

TensorFlow中的Tensor是什么？

机器学习的经验之谈

用yfinance调用雅虎财经数据

容器技术如何改进交易系统
Python调用C++
如何选择数据库代理
统计套利揭秘

[h1]一个Call搅动市场？让我们温习一下波动率策略[/h1][h1]如何用真格量化设计持仓排名跟踪策略[/h1][h1]还不理解真格量化API设计？我们不妨参考一下CTP平台[/h1][h1]理解同步、异步、阻塞与非阻塞[/h1][h1]隐波相关系数和偏度——高维风险的守望者[/h1]Delta中性还不够？——看看如何设计Gamma中性期权策略

[h1]Python的多线程和多进程——从一个爬虫任务谈起[/h1]线程与进程的区别
 皮尔逊相关系数与历史K线匹配

Python2和Python3的兼容写法
 Python代码优化技巧

理解Python的上下文管理器

如何写出更好的Python代码？这是Python软件基金会的建议
评估程序化模型时我们容易忽视的指标

看看如何定位Python程序性能瓶颈

什么是Python的GIL

投资研究中的大数据分析趋势及应用

理解CTP中的回调函数

如何围绕隐含波动率设计期权交易策略
看看如何用Python进行英文文本的情感分析
算法交易的分类

Python编码的最佳实践总结

什么是波动率锥？如何用波动率锥设计期权策略？
期权的波动率策略与时间价值收集策略对比

期权用于套期保值和无风险套利

隐含波动率对期权策略的影响

卖出期权交易的风险管理原则和技巧
期权交易中的“大头针”风险
期权做市商策略简介

精细化您的交易——交易成本评估与交易执行策略
海外市场交易执行策略的实践
设计期权套期保值方案时应注意的问题
美式期权、欧式期权比较分析——定价与风险管理
构建您的AI时代武器库——常用的机器学习相关Python库
期权波动率“微笑曲线”之谜
运算任务愈发繁重，如何加速Python程序运行？

真格量化可访问：
https://quant.pobo.net.cn

真格量化微信公众号，长按关注：

遇到了技术问题？欢迎加入真格量化Python技术交流QQ群  726895887

证券市场微观结构理论模型是什么

浏览过的版块