第 16 章 价值交易者

对应 Harris《Trading and Exchanges》第 16 章 Value Traders。第 10 章从投机的角度介绍了价值交易者：他们估计基本面价值，买入低估的、卖出高估的。本章换一个角度：价值交易者其实是流动性提供者，而且是"最后的"流动性提供者。理解这一点，能帮助价值交易者（以及做均值回归、统计套利的量化交易者）更好地决定何时交易、以什么价格交易。本章的另一条主线是赢者诅咒，它解释了价值交易者为什么要求很宽的价差，也解释了量化选股中"预测最好的股票往往不如预测"的现象。

学习目标

读完本章，你应当能够：

1. 解释为什么价值交易只有在响应不知情交易者的流动性需求时才能盈利，从而价值交易者本质上是流动性提供者。
2. 区分交易商提供的即时性与价值交易者提供的深度和弹性，说明交易商如何把存货"转移"给价值交易者。
3. 解释外部价差的含义及其决定因素，说明它为什么远宽于交易商价差。
4. 说清赢者诅咒的成因和对策：为什么竞争者越多、估值越不确定，出价越应保守；为什么不要和愚蠢的竞价者竞争。
5. 区分价值交易者与新闻交易者两种知情交易风格的纪律，把赢者诅咒的思想用于 alpha 预测收缩和反转策略的过滤。

读前导读

**这一章在解决什么问题。**CFA 里的价值投资是一种选股方法：找到价格低于内在价值的股票。本章换一个角度看同一件事：价值投资者赚的钱从哪里来？答案是从“不知情又急着交易的人”那里来，所以价值投资者在经济上扮演的是流动性提供者，和交易商是同一类角色，只是他们提供的是“大量”和“价格偏了能拉回来”，而不是“马上能成交”。这个视角对做均值回归、短期反转、统计套利的量化交易者特别有用：它告诉你什么时候反转信号可靠（偏离来自流动性冲击），什么时候危险（偏离来自新信息）。

本章的第二条主线是赢者诅咒。你在公司金融里可能见过它：并购中出价最高的收购方往往多付了钱，IPO 中散户抢到最多的往往是没人要的新股。本章说明它的统计根源，并把它连到量化选股里一个非常实际的问题：按预测 alpha 排序选出的前几十只股票，真实 alpha 通常远低于预测值。

需要先想起来的数学。

• 条件期望作为“收缩”：若价值 \(V\sim N(\mu,\sigma_v^2)\)，你的估计 \(s=V+e\)，\(e\sim N(0,\sigma_e^2)\)，则 \(E[V\mid s]=\mu+k(s-\mu)\)，\(k=\sigma_v^2/(\sigma_v^2+\sigma_e^2)\)。意思是：估计越不准（\(\sigma_e\) 越大），越应该把它往均值拉回去。这和 Bloomberg 调整贝塔 \(0.67\times\text{原始}\beta+0.33\times1\) 是同一种思想。见 第 00 册第 07 章 概率中的分析工具。
• 最大值的期望（次序统计量）：\(n\) 个独立标准正态变量的最大值，期望约为：\(n=2\) 时 0.56，\(n=5\) 时 1.16，\(n=10\) 时 1.54，\(n=30\) 时 2.04，增长很慢（大约像 \(\sqrt{2\ln n}\)）。赢者诅咒的大小就由它决定。
• Jensen 不等式：对凸函数 \(g\)，\(E[g(X)]\ge g(E[X])\)。“取最大值”是凸的，所以“最大值的期望”不小于“期望的最大值”。练习 7 用的就是这一条。

**怎么读这一章。**16.1 的核心论证（价值交易者是流动性提供者）和流动性三维度表必读，篇幅很短。16.2.2 赢者诅咒是全章重点，建议配合讲解框和代码输出一起读。16.2.1、16.2.3 和 16.3 的对比表说明外部价差为什么宽，读表即可。16.4 价值交易者与新闻交易者的纪律很短但很实用，对照第 10 章读。量化实战第 2 节和代码第 (2) 部分对做因子选股的读者最有价值。

16.1 价值交易者提供流动性

价值交易者（value traders）是利用所有可得信息形成对品种价值看法的投机者，买入他们认为低估的、卖出他们认为高估的。他们为投机利润而交易，但常常不把自己看作流动性提供者。

要看清他们的经济角色，只需问：他们什么时候赚钱？ 只有价格偏离基本面价值时，价值交易才有利可图。偏离有两个来源：

1. 新信息使基本面价值变化，与价格分离。此时获利的是新闻交易者（news traders），按定义他们最先得到新信息，其交易把价格推向新的价值（第 10 章）。
2. 不知情交易者把价格推离基本面价值。此时获利的是价值交易者：他们通过研究判断出价格不再反映价值，其交易把价格推回去。

所以，价值交易只有在响应不知情交易者的流动性需求时才有利可图。

金融直觉：这一点可以用实证现象检验。短期反转策略（买入过去一周跌得最多的股票、卖出涨得最多的）的收益，在市场恐慌、大量投资者被迫卖出时明显更高，2008 年秋季就是典型。原因正是本节的逻辑：恐慌时不知情的流动性需求激增（赎回、追加保证金、去杠杆），价格偏离更大，而愿意承接的人更少，承接者要求更高的回报。反过来，如果一只股票下跌是因为盈利预警这类新信息，买入它就是在和新闻交易者对赌。所以反转策略的收益本质上是“流动性供给的报酬”，和保险公司在巨灾之后提高保费的道理相同。作者把"其流动性需求导致价格变化的不知情交易者"简称为不知情流动性需求者（uninformed liquidity demanders），可以是一两个大交易者，也可以是许多想在同一侧交易的小交易者。

16.1.1 不知情交易如何让价格偏离

当不知情者需求流动性，而提供流动性的人没意识到他们不知情时，价格就会偏离基本面价值。这常发生在交易商不了解客户时：为防范逆向选择，交易商必须从订单流推断价值；如果同侧订单流以不知情者为主，交易商会误以为是知情者在交易，并相应调价（第 13 章说的"调整过度"）。

即使交易商知道客户不知情，也可能调价：只在一侧提供流动性会让存货偏离目标，带来大的存货风险。若不知情客户需要的流动性超过交易商愿意提供的量，交易商会要求大幅价格让步。在没有交易商的指令驱动市场中，一侧的流动性被耗尽时价格同样会变化。

16.1.2 价值交易者如何响应

• 直接提供：价值交易者挂出被不知情者吃掉的限价单，或者大宗经纪人请价值交易者成交其不知情客户的订单。此时价值交易者向对方提供即时性。
• 间接提供（通过交易商中介）：不知情者急于卖股票，卖给提供即时性的交易商，交易商积累大量多头。交易商一方面怀疑对方可能知情，另一方面担心存货风险，于是降价，价格跌到基本面价值以下。为恢复目标存货，交易商继续降低报价；价值交易者看到能以折扣价买入大量股票时，就在交易商的 ask 上买入。

在后一种情形里，交易商通过降低 ask 向价值交易者"征求"流动性。价值交易者响应时，以即时性的形式从交易商那里取得流动性，同时以规模（深度）的形式向交易商提供流动性，实际上是经由交易商间接地向不知情者提供了流动性。双方都可能获利：交易商以高于买入价的价格卖出存货，价值交易者在价格回归基本面时获利。这就是第 13 章所说的"交易商转移头寸"（dealer layoffs）。

16.1.3 市场弹性

当不知情者无法大幅改变价格时，市场对其交易具有弹性（resilient）。价值交易者随时准备在价格偏离基本面时交易，从而使市场有弹性。在有弹性的市场里，交易商与不知情客户交易时愿意承接更大的头寸，因为他们知道，若订单流持续失衡，可以依靠价值交易者恢复目标存货。

于是我们得到了流动性的三个维度和各自的主要提供者：

白话解释：这三个维度（文献里还常加上“紧度”即价差本身）可以用一个场景串起来。你要卖 100 万股：即时性问的是“现在能不能卖掉第一手”，看买一价在不在、价差多宽；深度问的是“卖完 100 万股价格会被压低多少”，看盘口和盘口背后愿意接货的资金有多少；弹性问的是“卖完之后价格多快弹回来”，看有没有人认为价格已经便宜而进场。第 10 章的 Kyle 模型里，\(1/\lambda\) 度量深度；第 14 章的暂时冲击回吐速度度量弹性。三者由不同的人提供，所以可能同时出现“价差很窄但大单冲击很大”的市场（有交易商、缺价值交易者），这也是很多小盘股的常态。

16.2 外部价差

价值交易者愿意买入和卖出的价格所界定的价差，叫外部价差（outside spread）。因为价值交易者是知情者，他们很少把这些价格公开报出：不想透露自己的价值估计，也不想向市场赠送免费交易期权。外部价差的宽度取决于价值交易业务的风险和成本。

16.2.1 风险一：逆向选择

价值交易者响应他人的需求而提供流动性，所以和交易商一样面临逆向选择，尤其要小心不和掌握自己没有的新信息的新闻交易者交易。和更知情的人交易时，他们以为买入的是低估品，实际上买入的是高估品；随着市场得知新信息，价格对他们不利。

应对方式和交易商相同：扩大价差，从不知情者身上收回偶尔输给更知情者的部分；或者说，扩大价差以反映"得知有人想和自己交易"时对价值的推断。根本的办法是尽量了解与价值有关的一切。由于研究需要时间，价值交易者对表面上的获利机会常常反应较慢。

16.2.2 风险二：赢者诅咒

一般原理。设许多人竞相购买一件共同价值（common value）未知的物品。共同价值是指对所有人价值相同，多数交易品种都是如此，因为人们只看重其最终产生的现金流（艺术品则不是）。每个人都只能估计价值，由于模型和信息不同，估计各不相同，而且没有人知道自己估计的误差。

买方付出超过物品价值的价格时，就遭受了赢者诅咒（winner's curse）：赢了拍卖，却被自己的出价诅咒。原因是：拍卖中出价最高的人，往往就是高估价值最多的人。如果按接近自己估值的价格出价并赢得拍卖，平均而言就会后悔，因为在所有估计中，最极端的那个很少像接近平均的估计那样准确。

对策。出价时要考虑"成为最高出价者"意味着什么：赢得拍卖时，你会得知自己的估计很可能是所有人中最高的。如果事先就知道这一点，你会把估计往共同均值下调。所以应当预先把出价下调。用条件期望表述：应按

出价，而不是按 \(E[V\mid\text{自己的信号}]\) 出价。

推导拆解：在量化实战代码的设定下，可以把赢者诅咒的大小精确算出来。设 \(V\sim N(\mu,\sigma_v^2)\)，第 \(i\) 个竞买者的信号 \(s_i=V+e_i\)，\(e_i\) 独立、标准差 \(\sigma_e\)。 第一步（天真出价）：每人按 \(E[V\mid s_i]=\mu+k(s_i-\mu)\) 出价，\(k=\sigma_v^2/(\sigma_v^2+\sigma_e^2)\)。代入 \(s_i\)：出价 \(=\mu+k(V-\mu)+k\,e_i\)。 第二步（谁赢）：每人出价只在 \(k\,e_i\) 这一项上不同，所以赢家就是误差 \(e_i\) 最大的那个人。赢家出价 \(=\mu+k(V-\mu)+k\max_ie_i\)。 第三步（赢家利润）：\(V-\text{出价}=(1-k)(V-\mu)-k\max_ie_i\)。取期望，第一项为 0（\(E[V]=\mu\)），所以期望利润 \(=-k\,\sigma_e\,E[\max_iZ_i]\)，其中 \(Z_i\) 是标准正态。 第四步（代数验证）：\(\sigma_v=10\)、\(\sigma_e=2\) 时 \(k=100/104\approx0.962\)；10 人竞价 \(E[\max Z]\approx1.539\)，期望利润 \(\approx-0.962\times2\times1.539\approx-2.96\)，与代码输出 \(-2.959\) 一致；30 人时 \(E[\max Z]\approx2.043\)，得 \(-3.93\)，也一致。只有 1 人时 \(E[\max Z]=E[Z]=0\)，没有诅咒。 第五步（读出两条结论）：竞争者数量通过 \(E[\max Z]\) 起作用，人越多越大；估值不确定性通过 \(k\sigma_e\) 起作用。 一个原书没有提到的细节：\(k\sigma_e=\sigma_v^2\sigma_e/(\sigma_v^2+\sigma_e^2)\) 在 \(\sigma_e=\sigma_v\) 时最大，之后反而下降。原因是估计极不准时，天真出价本身已经被大幅拉向均值 \(\mu\)，需要额外下调的量变小。所以“不确定性越大、下调越多”在 \(\sigma_e<\sigma_v\) 的范围内成立，练习 6 画出的曲线在 \(\sigma_e\) 从 1 到 10 时是上升且逐渐变平的。

白话解释：为什么要以“自己的信号是最高的”为条件？因为出价只在你赢的时候才有后果。输了，你什么也不付；赢了，你才付钱，而“赢”这件事本身告诉你：其他人都比你更不看好。一个理性的竞买者在出价前就该问：“如果我赢了，我会知道什么？”然后按那个情况下的价值出价。这与第 13、14 章交易商报 ask 时以“下一笔是买单”为条件是同一种思维：报价只在被成交时才有后果，所以要按“被成交”这一事件所透露的信息来定价。

下调多少取决于赢家的期望估值误差，它由两个因素决定：

• 竞争者数量：战胜的人越多，赢家越可能严重高估（其他所有人的估值都比他低）。所以竞争者越多，出价越应下调。这与直觉相反，多数人以为竞争者多就该出价更激进。他们忘了目标不是赢，而是以满意的价格赢；输掉拍卖比赢了却付得太多要好。（原书也提到一个反方向的效应：竞争者只有一两个时，可以压低出价期待以大折扣赢；竞争者从一两个增加到几个时应出价更激进。这一效应只在竞争者很少时重要。）
• 价值不确定性：估值越不准，最极端的误差越大，出价越应下调。

对称地，按自己报价成交的卖方应当上调报价。

重要推论：不要和愚蠢的竞价者竞争。 别人出价愚蠢时，你只能接受输掉拍卖；和那些出价策略注定亏钱的人竞价，你不可能赚钱。原书说，许多 1990 年代末的互联网创业者如今希望当初更懂这一原则。

油气租约拍卖：这是赢者诅咒的经典案例（Capen、Clapp 和 Campbell，1971）。政府拍卖油气开采权，各公司请地质学家评估后出价。在吸取教训之前，石油公司系统性地多付了钱：赢得的地块产量常低于地质学家的预期。地质学家辩解说，就他们评估过的所有地块而言，平均估计是对的；不幸的是，赢下的地块被高估了，输掉的地块略被低估。而且他们通常很庆幸没有以赢家的价格买下那些输掉的地块。

金融直觉：公司金融里的同类现象很多。并购竞购中，收购方股价在宣布赢得竞标后常常下跌，竞购者越多跌得越多，市场在替收购方计算赢者诅咒。IPO 中散户常遇到“好的新股抢不到、抢到的都是没人要的”，这是赢者诅咒的另一种形式（Rock 1986 的模型）：知情机构只申购好的新股，散户能足额拿到的，正是机构不要的那些，所以新股必须平均折价发行，否则散户会退出。

双边拍卖与连续市场。在买卖双方都参与的双边单一价格拍卖（如集合竞价）中，赢者诅咒不严重：估值高的成为买方，估值低的成为卖方，所有成交按同一个出清价进行，出清价通常接近所有人估计的中位数，没有人按自己的极端出价成交。估值最高的买方被估值最低的卖方"救了"，反之亦然。但在连续市场中，交易者确实按自己的价格成交，订单还可能有显著冲击。市场价格虽然汇总了所有人的信息，但这种汇总是依次的而非同时的，大幅低估或高估价值的人在把价格推离基本面时会亏损，这些损失就是赢者诅咒。

价值交易者与赢者诅咒。价值交易者只在认为价格与自己的估值显著不同时交易，若估计错了就会后悔。错误可能来自用错经济模型、忽略重要信息、误读掌握的信息。犯错时，他们在不该交易时交易，而且其交易的冲击本身可能把品种推向低估或高估，于是双重亏损。应对办法是扩大愿意买入和卖出的价格之间的距离：赢者诅咒越严重，外部价差越宽。

价值交易者的估值各不相同时，他们的外部价差相互重叠：最激进的买方是估值最高的人，最激进的卖方是估值最低的人。极端情况下，非常乐观的买方愿出的价高于非常悲观的卖方的要价，价值交易者之间就会彼此交易。

原书的两个边栏值得记住：

• 不是买方就该是卖方吗？ 有些交易者认为必须对所有有看法的事物采取行动，比如持有认为高估的证券时，卖掉多头还不够，还要继续卖到建立空头。这与对赢者诅咒的最优应对相悖：价值估计有不确定性，除非认为品种严重错误定价，否则不应投机。当然，你认为发现的错误定价越大，自己犯错的可能性也越大。
• 互联网股票为何如此波动？ 互联网股票难以估值，又有大量的人试图估值，赢者诅咒对价值交易者格外危险，他们只在非常宽的外部价差上交易。部分波动就是价格在价值交易者宽阔的外部价差内来回游荡造成的。

16.2.3 价值交易的成本

外部价差必须宽到足以收回直接经营成本，最重要的是研究支出。而且价值交易者分析的多数品种定价是正确的，所以外部价差不只要收回最终交易品种的分析成本，还要收回那些当前没有机会的品种的分析成本。

16.3 外部价差为什么远宽于交易商价差

最后一点值得解释：交易商在 bid 买、在 ask 卖，赚整个价差；价值交易者在外部价差的一端（例如低于价值的买入价）建仓，价格回归到价值本身时平仓，只赚了从一端到中点的那一半。

16.4 价值交易者与新闻交易者

两者都是知情交易者，但盈利基础不同：价值交易者在不知情者把价格推离价值时获利，提供流动性；新闻交易者在先于他人得知价值已变化时获利，一般消耗流动性。两者常以对方为代价获利：价值交易者把新闻交易者误当成不知情者时，输给新闻交易者；新闻交易者没意识到自己的信息已经反映在价格中时，输给价值交易者。

所以作为知情交易者，要清楚自己是以哪种身份交易，两者需要不同的纪律：

• 作为价值交易者：确保只向不知情的需求者而不是新闻交易者提供流动性。最有把握的情况是确定掌握了所有基本面信息，并清楚知道对手不知情，这很少能做到。至少要掌握所有公开的基本面信息，并对不知情者为什么需要流动性有所了解。
• 作为新闻交易者：确保自己交易的信息尚未反映在价格中。最有把握的情况是知道没有别人有你的信息，这也很少能知道。至少要知道信息如何引起你的注意、何时首次可得、还有谁可能知道；还要熟悉该品种的近期价格历史，若知道信息何时首次可得，价格历史能让你大致判断信息是否已被定价。

不考虑这些问题，输给对方的风险会比你以为的大。

量化实战

1. 均值回归与统计套利策略的经济学

短期反转、均值回归、统计套利策略在经济上扮演的正是价值交易者的角色：向不知情的流动性需求提供深度，赚取价格回归。本章给出三条实用纪律：

• 只在偏离足够大时交易：偏离要超出你的"外部价差"，即覆盖交易成本、估值误差和赢者诅咒之后仍有利润。实践中表现为信号阈值和"不交易区间"。
• 区分偏离的来源：偏离来自流动性冲击时应反向交易；来自新信息时应顺势或不动，否则你就成了新闻交易者的对手。实践中可以用新闻、公告、财报事件过滤反转信号，在有重大新闻的股票上暂停反转策略。
• 容忍慢回归、控制头寸：价值交易者发现错误晚、头寸大，需要止损纪律和容量约束。

2. 赢者诅咒的量化版本：优化器的"误差最大化"

在几千只股票中挑选预测 alpha 最高的那些，本质上就是一场"拍卖"：被选中的，往往是预测误差最大的那些。组合优化器对此尤其敏感，有时被称为"误差最大化器"（error maximizer）。对策与本章的出价下调完全一致：

• 对 alpha 预测做收缩（shrinkage）：经典做法是按 Grinold 的公式 \(\alpha=\text{IC}\times\sigma\times z\)，或贝叶斯后验均值 \(E[\alpha\mid f]=\frac{\sigma_\alpha^2}{\sigma_\alpha^2+\sigma_\varepsilon^2}f\)；

推导拆解：这两个公式其实是同一件事。设真实 alpha \(\alpha\) 的标准差为 \(\sigma_\alpha\)，预测 \(f=\alpha+\varepsilon\)，噪声标准差 \(\sigma_\varepsilon\)，两者独立、均值为零。 第一步，正态下 \(E[\alpha\mid f]\) 就是 \(\alpha\) 对 \(f\) 的回归：斜率 \(=\mathrm{Cov}(\alpha,f)/\mathrm{Var}(f)=\sigma_\alpha^2/(\sigma_\alpha^2+\sigma_\varepsilon^2)\)，即第二个公式。代码中 \(\sigma_\alpha=0.01\)、\(\sigma_\varepsilon=0.02\)，斜率为 0.2。 第二步，信息系数 \(\text{IC}=\mathrm{Corr}(\alpha,f)=\sigma_\alpha/\sqrt{\sigma_\alpha^2+\sigma_\varepsilon^2}\)；把 \(f\) 标准化为 \(z=f/\sigma_f\)，\(\sigma_f=\sqrt{\sigma_\alpha^2+\sigma_\varepsilon^2}\)。 第三步，回归式改写为 \(E[\alpha\mid f]=\dfrac{\sigma_\alpha^2}{\sigma_f^2}\cdot\sigma_f z=\dfrac{\sigma_\alpha}{\sigma_f}\cdot\sigma_\alpha\cdot z=\text{IC}\times\sigma_\alpha\times z\)，即 Grinold 公式（其中 \(\sigma\) 理解为 alpha 所对应收益的波动）。 代码中 \(\text{IC}=0.01/\sqrt{0.0005}\approx0.447\)，收缩系数 \(\text{IC}^2=0.2\)。注意这个收缩系数正好是 \(\text{IC}^2\)。实际选股的 IC 常在 0.02 到 0.10 之间，\(\text{IC}^2\) 只有万分之几到百分之一：如果你的原始预测是“这只股票下月涨 5%”这种以收益为单位、但含大量噪声的点预测，按这个比例收缩后才是合理的期望收益。直接把原始预测放进优化器，就是在每次“拍卖”中都天真地出了最高价。

• 在优化中惩罚极端预测，限制单票权重；
• 评估模型时，看"入选股票的预测值 vs 实现值"，而不是全样本的平均误差。

3. 集合竞价与连续交易

开盘、收盘集合竞价（双边单一价格拍卖）中的赢者诅咒较弱，大单在集合竞价中成交的价格风险较小；连续交易中大单推价会遭受赢者诅咒。这也是很多机构偏好在收盘集合竞价执行再平衡交易的原因之一。

代码：赢者诅咒与 alpha 收缩

import numpy as np
import pandas as pd

rng = np.random.default_rng(16)

# ---------- (1) 共同价值拍卖中的赢者诅咒 ----------
def auction(n_bidders, sig_e, sig_v=10.0, mu=100.0, n_sim=100_000):
    V = rng.normal(mu, sig_v, n_sim)
    s = V[:, None] + rng.normal(0, sig_e, (n_sim, n_bidders))   # 每个竞买者的私人估计
    k = sig_v**2 / (sig_v**2 + sig_e**2)
    naive = mu + k * (s - mu)            # "天真"出价：只用自己的信号，E[V | s_i]
    win_bid = naive.max(axis=1)          # 最高出价者赢，按自己的出价付款（一价拍卖）
    profit = V - win_bid
    return dict(竞买人数=n_bidders, 估计误差sd=sig_e,
                天真赢家平均利润=profit.mean(), 赢家亏损概率=(profit < 0).mean(),
                应下调幅度=-profit.mean())   # 使赢家平均盈亏为零所需的下调

rows = [auction(n, se) for se in [2.0, 6.0] for n in [1, 2, 5, 10, 30]]
print(pd.DataFrame(rows).round(3).to_string(index=False))

# ---------- (2) 量化版赢者诅咒：按预测 alpha 选股 ----------
n_stock, top = 2000, 50
alpha = rng.normal(0, 0.01, n_stock)                  # 真实 alpha（月度）
forecast = alpha + rng.normal(0, 0.02, n_stock)       # 带噪声的预测：信噪比低
chosen = np.argsort(forecast)[-top:]
shrink = 0.01**2 / (0.01**2 + 0.02**2)                # 贝叶斯收缩系数 = 0.2
print(f"\n入选 {top} 只股票：平均预测 alpha = {forecast[chosen].mean():.3%}，"
      f"收缩后预测 = {shrink*forecast[chosen].mean():.3%}，真实平均 alpha = {alpha[chosen].mean():.3%}")

输出：

 竞买人数  估计误差sd  天真赢家平均利润  赢家亏损概率  应下调幅度
    1     2.0    -0.010   0.501  0.010
    2     2.0    -1.084   0.743  1.084
    5     2.0    -2.236   0.960  2.236
   10     2.0    -2.959   0.997  2.959
   30     2.0    -3.930   1.000  3.930
    1     6.0     0.001   0.499 -0.001
    2     6.0    -2.496   0.709  2.496
    5     6.0    -5.133   0.906  5.133
   10     6.0    -6.779   0.970  6.779
   30     6.0    -9.017   0.997  9.017

入选 50 只股票：平均预测 alpha = 5.278%，收缩后预测 = 1.056%，真实平均 alpha = 0.892%

解读：

1. 只有一个竞买者时没有赢者诅咒：按 \(E[V\mid s]\) 出价，平均盈亏为零（−0.010 和 0.001 都是模拟误差）。
2. 竞争者越多，诅咒越重：估计误差 2 时，30 人竞价的天真赢家平均亏 3.9，几乎每次都亏。
3. 估值越不确定，诅咒越重：同样 10 人竞价，估计误差从 2 升到 6，所需下调从 3.0 升到 6.8。这两点正是原书的两条结论。
4. 选股中的赢者诅咒：2000 只股票里按预测挑出前 50 只，平均预测 alpha 5.3%，真实只有 0.9%，预测被夸大了近 6 倍。按信噪比做贝叶斯收缩后，预测（1.06%）接近真实值。在组合优化中直接使用未收缩的预测，等于在每次"拍卖"中都天真地出了最高价。

本章小结

价值交易者为投机利润交易，但只有在响应不知情者的流动性需求时才能盈利，所以本质上是流动性提供者，而且是在没人愿意交易时还愿意交易的"最后的"提供者。交易商提供即时性，价值交易者提供深度和弹性；交易商在存货失衡时降价，把头寸转移给价值交易者，双方都能获利。价值交易者的外部价差远宽于交易商价差，因为他们设定而非发现价格、头寸大且持有久、研究成本高、更暴露于逆向选择和赢者诅咒，而且最多只赚一半外部价差。赢者诅咒源于最高出价者往往是高估最多的人，对策是按"自己赢了"这一条件下调出价，竞争者越多、估值越不确定，下调越多；不要和愚蠢的竞价者竞争。知情交易者必须分清自己是价值交易者还是新闻交易者，前者要提防新闻交易者，后者要确认信息尚未被定价。

练习

基础题

1. 为什么说"价值交易只有在响应不知情交易者的流动性需求时才有利可图"？如果市场上没有不知情交易者，价值交易者还能赚钱吗？
2. 交易商价差 0.10，价值交易者外部价差 2.00。价格被不知情卖盘压到价值交易者的买入价时，交易商和价值交易者各能期望赚多少？ 提示：交易商完成往返赚整个价差 0.10；价值交易者最多赚一半外部价差 1.00。
3. 买独栋住宅时，赢者诅咒会如何影响你的出价策略？ 提示：原书思考题 1。住宅兼有共同价值和私人价值成分；竞买者多、房屋状况不确定时应更保守。
4. 解释为什么集合竞价中的赢者诅咒比连续交易中弱。
5. 交易商与价值交易者交易时，是否也会遭受逆向选择？ 提示：原书思考题 3。会，价值交易者比交易商更了解基本面价值；但交易商若能迅速恢复存货，可能并不在意。

进阶题

6. 在本章代码中，固定竞买者为 10 人，把估计误差从 1 增加到 10，画出应下调幅度随估计误差变化的曲线，并解释其形状。
7. 证明：若所有竞买者都按 \(E[V\mid s_i]\) 出价，赢家的期望利润为负；只有一个竞买者时为零。 提示：赢家的出价是 \(\max_i E[V\mid s_i]\)；由于 \(\max\) 是凸函数，\(E[\max_i E[V\mid s_i]]\ge \max_i E[E[V\mid s_i]]=E[V]\)，并在 \(n\ge2\) 且信号有噪声时严格成立。
8. 价值交易者应专注于单一行业，还是跨行业分散？用逆向选择和赢者诅咒的观点分析。 提示：原书思考题 4。专注能提高估值精度，降低赢者诅咒和逆向选择；分散能降低可分散风险，但研究成本更高、估值更粗。
9. 在一个竞争对手不懂赢者诅咒的市场里，你能否、是否应该参与竞争？ 提示：原书思考题 5；"不要和愚蠢的竞价者竞争"。考虑你能赢到的只会是他们没有出高价的标的。
10. 设计一个短期反转策略的新闻过滤器：需要哪些数据？如何检验过滤是否真的把"新闻交易者的对手"排除了？ 提示：比较有新闻与无新闻子样本中反转信号的后续收益；检查过滤后的收益是否主要来自流动性冲击（如成交量异常但无公告）。

原书推荐习题：第 16 章思考题 2（知情价值交易者提供的流动性如何减轻其他人估值错误时的损失，即市场弹性的含义）、3（交易商与价值交易者交易是否遭受逆向选择）、5（在对手不懂赢者诅咒的市场中竞争）。思考题共 5 题。

原书对照

原书页码按"PDF 页码 − 13"估算。