Madhavan-Richardson-Roomans 微观结构模型：拆解成交价里的信息与流动性成分 • halo 的技术博客

同样的价差，完全不同的含义#

两只股票，有效价差都是 3 分钱。是不是意味着交易成本一样？

不是。价差是补偿做市商的，但补偿的理由可以完全不同：

理由一：逆向选择。 和你成交的对手方可能比你知道得多。做市商每次被知情交易者吃掉一笔，都在真实亏钱——他挂的价差里必须有一块用来覆盖这个”被割”的期望损失。这部分冲击是永久的：知情买单成交后，价格中枢真的上移了，回不来。
理由二：订单处理与库存。 系统、清算、资本占用、库存风险的补偿。这部分冲击是暂时的：价格被一笔买单顶上去半个价差，下一笔卖单又弹回来——即所谓 bid-ask bounce。

同样 3 分钱的价差，如果一只股票 80% 是逆向选择、另一只 80% 是订单处理，对交易者的含义天差地别：前者意味着你的订单流会持续推动价格朝不利方向走（冲击不可逆），后者意味着耐心用被动单就能把大部分成本省回来（冲击会弹回）。

Madhavan、Richardson 和 Roomans 在 1997 年给出了一个可以用成交数据直接估计的结构模型，把这两块干净拆开。它至今仍是执行成本归因和微观结构研究的基准工具之一。

模型：两个方程讲完#

设定#

记第 $t$ 笔成交的方向为 $x_t \in \{+1, -1\}$ （买方发起 = +1，卖方发起 = −1），订单流有自相关： $\mathbb{E}[x_t | x_{t-1}] = \rho x_{t-1}$ （大单拆分、跟风交易都会让 $\rho > 0$ ）。

方程一：有效价格（信息）

m_t = m_{t-1} + \theta (x_t - \rho x_{t-1}) + u_t

有效价格 $m_t$ 是做市商对真实价值的最优估计。它只对订单流中的意外部分 $x_t - \rho x_{t-1}$ 反应——如果上一笔是买单、这一笔又是买单，那在 $\rho>0$ 的世界里这本来就是大概率事件，没什么新信息；只有偏离预期的部分才更新信念。 $\theta$ 就是信息成分：一笔意外买单让价格中枢永久上移 $\theta$ 。 $u_t$ 是公共信息（新闻、公告）带来的更新。

方程二：成交价（信息 + 流动性）

p_t = m_t + \phi x_t

成交价在有效价格上叠加 $\phi x_t$ ：买单成交在中枢上方 $\phi$ 处，卖单在下方 $\phi$ 处。 $\phi$ 就是流动性成分——纯粹的价差弹跳，下一笔反向成交就消失。

MRR 模型的价格分解

图里能直接看到两层结构：黑线（有效价格）平滑地随订单流意外移动，蓝色阶梯线（成交价）围绕它上下弹跳，红色三角（买）永远在黑线上方、绿色三角（卖）在下方。

两式合并得到可估计的价格变动方程：

\Delta p_t = (\phi + \theta)x_t - (\phi + \rho\theta)x_{t-1} + u_t

这条方程有个漂亮的性质：右边只有可观测量（ $\Delta p_t$ 、 $x_t$ 、 $x_{t-1}$ ），三个结构参数 $(\theta, \phi, \rho)$ 恰好被三个矩条件识别。

Python 实现：模拟 + 估计闭环#

科学的做法是先在已知真值的模拟数据上验证估计器，再谈上实盘数据。

模拟器#

import numpy as np

def simulate_mrr(n, theta, phi, rho, sigma_u=0.005, seed=11):
    rng = np.random.default_rng(seed)
    # 生成自相关的交易方向序列：P(x_t = x_{t-1}) = (1+rho)/2
    x = np.empty(n); x[0] = 1
    for t in range(1, n):
        x[t] = x[t-1] if rng.random() < (1 + rho) / 2 else -x[t-1]
    u = rng.normal(0, sigma_u, n)
    m = np.empty(n); m[0] = 10.0
    for t in range(1, n):
        surprise = x[t] - rho * x[t-1]        # 订单流意外
        m[t] = m[t-1] + theta * surprise + u[t]
    p = m + phi * x                            # 成交价 = 中枢 + 弹跳
    return p, m, x

p, m, x = simulate_mrr(20000, theta=0.010, phi=0.015, rho=0.35)

python

矩条件估计#

对价格变动方程做两步：先用 $x_t$ 的样本自相关估 $\hat\rho$ ，再把 $\Delta p_t$ 对 $(x_t, x_{t-1})$ 回归，回归系数 $b_1 = \phi + \theta$ 、 $b_2 = -(\phi + \rho\theta)$ ，两条方程解出两个未知数：

def estimate_mrr(p, x):
    dp = np.diff(p)
    rho_hat = np.corrcoef(x[1:], x[:-1])[0, 1]
    X = np.column_stack([x[1:], x[:-1]])
    (b1, b2), *_ = np.linalg.lstsq(X, dp, rcond=None)
    phi_hat = (-b2 - rho_hat * b1) / (1 - rho_hat)
    theta_hat = b1 - phi_hat
    return theta_hat, phi_hat, rho_hat

theta_hat, phi_hat, rho_hat = estimate_mrr(p, x)
# 真值 θ=0.010, φ=0.015, ρ=0.35
# 估计 θ=0.0100, φ=0.0150, ρ=0.356

python

2 万笔成交下， $\theta$ 和 $\phi$ 的估计误差都在 1% 以内。这不是运气——蒙特卡洛显示标准误严格按 $1/\sqrt{N}$ 收敛：

估计精度随样本量收敛

实务上的换算：一只日均 4000 笔成交的股票，一周数据就有 2 万笔，足够把 $\theta$ 估到两位有效数字。反过来说，用一天数据估 MRR 是不够的——500 笔样本下 $\theta$ 的标准误和真值同量级，估出来的数字基本是噪声。

三个可以直接落地的读法#

读法一：横截面比较——哪些股票”有毒”#

信息占比 $\theta / (\theta + \phi)$ 是逆向选择强度的直接度量：

不同股票的价差成分分解

典型的横截面模式（与 MRR 原文对 NYSE 股票的实证一致）：大盘蓝筹信息占比低（分析师覆盖充分、私有信息少），小盘股信息占比高，财报公告日信息占比进一步跳升。对执行的直接含义：信息占比高的股票，冲击成本主要是永久的，拖慢执行速度省不回来多少钱；信息占比低的股票，用被动单和耐心能实实在在把 $\phi$ 那一块赚回来。

读法二：日内模式——什么时候市场在”学习”#

把每 30 分钟的成交切开分别估计，得到成分的日内曲线：

信息成分的日内衰减模式

$\theta$ 在开盘后最高然后快速衰减——隔夜积累的私有信息在开盘后一两个小时内被交易消化掉； $\phi$ 则近似平稳。这是 MRR 原文的标志性实证发现，也解释了为什么很多执行算法把订单往午盘挪：不是流动性更好（午盘深度往往更差），而是逆向选择更便宜。

读法三：执行成本归因#

拿自己的成交回执，把每笔子单的价格冲击分解为 $\theta$ （永久）和 $\phi$ （暂时）两部分，可以回答一个 TCA 报告里最值钱的问题：我的冲击成本里有多少是”信息泄露”（订单流被市场读出来了， $\theta$ 部分持续放大），有多少只是价差成本（ $\phi$ 部分，换更被动的下单方式就能压缩）。前者要改的是拆单节奏和随机化，后者要改的是订单类型选择。

诚实的边界#

第一，交易方向 $x_t$ 是估计出来的，不是观测到的。 实盘数据要用 Lee-Ready 之类的算法从报价和成交推断买卖方向，A 股逐笔数据自带方向标志相对好些，但美股 TAQ 数据的标注错误率可达 10-15%。方向标错会同时把 $\theta$ 和 $\phi$ 往下拉（衰减偏差），横截面比较时如果两组股票的标注错误率不同，结论可能整个反过来。

第二，参数不平稳。 上面日内图已经展示了 $\theta$ 的系统性日内变化；财报季、指数调整日、宏观事件日的参数和平常也完全不同。用一个月数据估出一组”全局参数”然后到处用，等于把开盘的逆向选择强度平均到午盘——正确做法是分时段、分状态估计，并接受每个子样本更宽的置信区间。

第三，模型假设订单流影响是线性的、方向是 ±1 的。 真实市场里 1 万股买单和 100 股买单的信息含量不同，MRR 把它们同等对待。扩展版本用签名成交量代替方向、或按订单规模分桶估计，代价是需要更多数据。基础版 MRR 适合作为第一刀粗分解，不适合作为最后一位小数的定价工具。

收尾#

MRR 模型用两个方程回答了一个交易者天天面对却很少量化的问题：我付出的价差里，多少是在补偿对手方的成本，多少是在为自己的信息劣势买单。 模拟验证了它的估计器干净可靠（2 万笔成交、误差 1% 以内、按 $1/\sqrt{N}$ 收敛），三个落地读法——横截面毒性比较、日内逆向选择曲线、执行成本归因——都不需要任何额外数据，只要成交明细。

在微观结构的模型谱系里，它站在 Ho-Stoll（纯库存）和 Glosten-Milgrom / Kyle（纯信息）之间，是少数能用日常数据直接估计的结构模型。如果你只打算给微观结构工具箱装一件测量仪器，MRR 是性价比最高的候选之一。

参考文献#

Madhavan, A., Richardson, M., & Roomans, M. (1997). Why do security prices change? A transaction-level analysis of NYSE stocks. Review of Financial Studies, 10(4), 1035-1064.
Glosten, L. R., & Milgrom, P. R. (1985). Bid, ask and transaction prices in a specialist market with heterogeneously informed traders. Journal of Financial Economics, 14(1), 71-100.
Lee, C. M. C., & Ready, M. J. (1991). Inferring trade direction from intraday data. Journal of Finance, 46(2), 733-746.