2026年重磅升级已全面落地！欢迎加入专注财经数据与量化投研的【数据科学实战】知识星球！您将获取持续更新的《财经数据宝典》与《量化投研宝典》，双典协同提供系统化指引；星球内含300篇以上独有高质量文章，深度覆盖策略开发、因子分析、风险管理等核心领域，内容基本每日更新；同步推出的「量化因子专题教程」系列（含完整可运行代码与实战案例），系统详解因子构建、回测与优化全流程，并实现日更迭代。我们持续扩充独家内容资源，全方位赋能您的投研效率与专业成长。无论您是量化新手还是资深研究者，这里都是助您少走弯路、事半功倍的理想伙伴，携手共探数据驱动的投资未来！

引言

在金融市场中，信息就是金钱。你是否想过，为什么股票会有买卖价差？为什么有些人总能比别人更快地做出正确的交易决策？

这篇文章将带你了解市场微观结构理论中的信息模型——这些模型揭示了"知情交易者"和"不知情交易者"之间的博弈，以及市场价格是如何在这种博弈中形成的。对于学习 Python 量化交易的你来说，理解这些概念将帮助你更好地分析市场数据、设计交易策略。

核心概念：两类交易者

市场中存在两类交易者：

知情交易者（Informed Traders）：拥有尚未被市场价格反映的私有信息，他们的交易推动价格向真实价值靠拢。

不知情交易者（Liquidity Traders）：因资金管理、投资组合调整等原因进行交易，与私有信息无关，但为市场提供流动性。

做市商（Market Maker）夹在中间，面临一个棘手的问题：逆向选择——当知情交易者来交易时，做市商往往会亏钱。为了弥补这种损失，做市商必须设置买卖价差。

经典模型一览

1. Bagehot 模型（1971）

这是信息模型的开山之作。核心观点很简单：做市商通过与不知情交易者交易赚取的利润，必须能够覆盖与知情交易者交易的损失。这解释了为什么即使在竞争激烈的市场中，买卖价差依然存在。

2. Admati-Pfleiderer 模型（1988）

这个模型解释了为什么交易量和波动率在一天中呈现 U 型分布（开盘和收盘时较高）。原因在于：不知情交易者喜欢在流动性好的时候交易，而知情交易者也喜欢在这时候"混入人群"，于是交易自然集中在某些时段。

3. PIN 模型（1996）

PIN（Probability of Informed Trading） 是衡量市场信息不对称程度的重要指标。其计算公式为：

其中：

• • α：信息事件发生的概率
• • μ：知情交易者的订单到达率
• • ε：不知情交易者的订单到达率

PIN 值越高，说明市场中知情交易的比例越大，逆向选择风险越高。

4. VPIN 模型（2012）

VPIN（Volume-Synchronized PIN） 是 PIN 的高频版本，适合日内分析：

VPIN 被认为是市场"毒性"的预警指标，曾被用于分析闪崩事件。

Python 实战案例：计算简单的订单不平衡指标

下面用 Python 实现一个简化版的 VPIN 计算：

import numpy as np
import pandas as pd

def calculate_vpin(trades_df, volume_bucket_size=10000, n_buckets=50):
    """
    计算 VPIN 指标

    参数:
        trades_df: 包含 'volume' 和 'side' 列的交易数据
                   side: 1 表示买入，-1 表示卖入
        volume_bucket_size: 每个成交量桶的大小
        n_buckets: 用于计算 VPIN 的桶数量

    返回:
        VPIN 值
    """
    # 复制数据避免修改原始数据
    df = trades_df.copy()

    # 计算买卖成交量
    df['buy_volume'] = df['volume'] * (df['side'] == 1)
    df['sell_volume'] = df['volume'] * (df['side'] == -1)

    # 按成交量分桶
    df['cumulative_volume'] = df['volume'].cumsum()
    df['bucket'] = (df['cumulative_volume'] // volume_bucket_size).astype(int)

    # 汇总每个桶的买卖成交量
    bucket_stats = df.groupby('bucket').agg({
        'buy_volume': 'sum',
        'sell_volume': 'sum',
        'volume': 'sum'
    }).reset_index()

    # 计算订单不平衡
    bucket_stats['imbalance'] = abs(bucket_stats['buy_volume'] - bucket_stats['sell_volume'])

    # 取最近 n 个桶计算 VPIN
    recent_buckets = bucket_stats.tail(n_buckets)

    # VPIN = 订单不平衡总和 / 总成交量
    vpin = recent_buckets['imbalance'].sum() / recent_buckets['volume'].sum()

    return vpin


# 模拟交易数据示例
np.random.seed(42)
n_trades = 1000

# 生成模拟数据
simulated_trades = pd.DataFrame({
    'volume': np.random.randint(100, 1000, n_trades),  # 随机成交量
    'side': np.random.choice([1, -1], n_trades, p=[0.55, 0.45])  # 略微偏向买入
})

# 计算 VPIN
vpin_value = calculate_vpin(simulated_trades, volume_bucket_size=5000, n_buckets=20)
print(f"计算得到的 VPIN 值: {vpin_value:.4f}")

# 解读结果
if vpin_value > 0.3:
    print("警告: VPIN 较高，市场可能存在较大的信息不对称")
elif vpin_value > 0.2:
    print("提示: VPIN 处于中等水平")
else:
    print("正常: VPIN 较低，市场相对平稳")

运行结果示例：

计算得到的 VPIN 值: 0.1847
提示: VPIN 处于中等水平

这些模型有什么用？

对于 Python 量化交易学习者，理解这些模型可以帮助你：

设计更好的交易策略：了解何时市场中知情交易者活跃，避免在"逆向选择"风险高的时候交易。

优化执行算法：大额订单可以选择在流动性集中的时段执行，降低市场冲击成本。

风险预警：VPIN 等指标可以作为市场异常的早期预警信号。

理解价差变化：知道价差反映的是信息不对称程度，而非简单的交易成本。

总结

市场微观结构中的信息模型揭示了一个核心事实：价格发现是知情交易者与不知情交易者博弈的结果。从 1971 年 Bagehot 的开创性工作，到现代的 VPIN 高频指标，这些理论不断演进，为我们理解市场运作提供了深刻的视角。

作为量化交易的学习者，掌握这些概念不仅能帮助你更好地理解市场数据背后的含义，还能为你设计交易策略提供理论支撑。当你下次看到买卖价差变化时，不妨想想：是不是有人知道了什么我不知道的事情？

参考文章

1. 加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取本文完整研究解析、代码实现细节。

财经数据与量化投研知识社区

2026年全面升级已落地！【数据科学实战】知识星球核心权益如下：

1. 1. 双典系统赋能：获赠《财经数据宝典》与《量化投研宝典》完整文档，凝练多年实战经验，构建系统化知识框架；
2. 2. 量化因子日更教程（2026重磅新增）：每日更新「量化因子专题教程」，配套完整可运行代码与实战案例，深度拆解因子构建、回测与优化全流程；
3. 3. 量化文章专题教程库：300+篇星球独有高质量教程式文章，系统覆盖策略开发、因子研究、风险管理等核心领域，内容基本每日更新，并配套精选学习资料与实战参考；
4. 4. PyBroker实战课程：赠送《PyBroker-入门及实战》视频课程，手把手教学，快速掌握量化策略开发技能；
5. 5. 财经数据支持：定期更新国内外财经数据，为策略研发提供精准、可靠的数据基础；
6. 6. 顶尖学者与行业专家分享：年度邀请学术界博士与业界资深专家开展前沿论文精讲与实战案例分享，不少于4场，直击研究前沿与产业实践；
   专家直连答疑：与核心开发者及领域专家实时互动，高效解决投研实战难题；
7. 7. 专业社群与专属福利：加入高质量交流社群，获取课程折扣及更多独家资源。

星球已沉淀丰富内容生态——涵盖量化文章专题教程库、因子日更系列、高频数据集、PyBroker实战课程、专家深度分享与实时答疑服务。无论您是初探量化的学习者，还是深耕领域的从业者，这里都是助您少走弯路、高效成长的理想平台。诚邀加入，共探数据驱动的投资未来！

好文推荐