在市場微結構的研究中，流動性不是單一維度的概念。買賣價差只反映了最佳報價附近的成本，成交量只反映了交易的活躍程度，卻都無法完整描述市場的深度與資訊不對稱。Kyle's Lambda 提供了一個更全面的視角，它衡量的是每單位訂單流對價格的影響程度，這個數字同時反映了市場深度與知情交易的水準。本文想談談如何用 Kyle's Lambda 估計市場深度與資訊不對稱程度。
什麼是 Kyle's Lambda
在這個模型中包含三種參與者：
- 一個掌握私有資訊的知情交易者
- 一群隨機交易的雜訊交易者
- 一個負責設定價格的造市者
知情交易者知道資產的真實價值，並試圖利用這個資訊獲利。雜訊交易者則隨機買賣，不掌握任何資訊。造市者觀察到的是兩者混合後的總訂單流，但無法區分哪些是知情交易、哪些是雜訊交易。造市者必須根據觀察到的訂單流來設定價格，並承擔與知情交易者交易的逆向選擇風險。
在這樣的市場結構下，價格會是訂單流的線性函數：
`ΔP = λ × Q`
其中 ΔP 是價格變動，Q 是訂單流，買方發起成交量減去賣方發起成交量，λ 就是 Kyle's Lambda。這個參數衡量的是：每增加一單位的訂單流，價格會變動多少。
Kyle's Lambda 的經濟含義
Kyle's Lambda 的數值大小反映了市場的流動性品質與資訊不對稱程度。
當 λ 較大時，代表少量的訂單流就能推動價格大幅變動。這通常發生在流動性較差的市場中，委託簿較薄、市場深度不足，因此每一筆交易對價格的衝擊都較大。同時，λ 較大也反映了較高的資訊不對稱程度，造市者知道訂單流中可能隱含知情交易者的資訊，因此會更積極地調整價格來保護自己。
當 λ 較小時，代表大量的訂單流才能推動價格小幅變動。這通常發生在流動性充沛的市場中，委託簿深厚、市場深度充足，因此每一筆交易的價格衝擊都有限。同時，λ 較小也反映了較低的資訊不對稱程度，造市者認為訂單流中知情交易的成分較低，因此不需要大幅調整價格。
從這個角度來看，Kyle's Lambda 同時捕捉了兩個維度的資訊：市場的流動性深度，以及市場的資訊不對稱程度。這使得它比單純的價差或深度指標更具綜合性。
如何估計 Kyle's Lambda
在實務中，估計 Kyle's Lambda 需要高頻的成交數據與報價數據。估計的流程如下。
首先，將成交數據分類為買方發起與賣方發起。分類的方法通常使用 Lee-Ready 演算法：
- 若成交價格高於當時的中間價，視為買方發起；
- 若低於中間價，視為賣方發起；
- 若等於中間價，則參考上一筆成交的價格方向。
分類完成後，計算每一筆交易的簽名訂單流：
`Q_t = V_buy,t - V_sell,t`
其中 V_buy,t 是第 t 筆交易的買方發起成交量，V_sell,t 是賣方發起成交量。
接著，計算每一筆交易的價格變動。價格變動的定義通常有兩種：
- 一是相鄰兩筆交易之間的價格差異；
- 二是當前交易價格與中間價之間的差異。
第一種定義捕捉的是交易對價格的即期影響，第二種定義捕捉的是交易價格相對於當前市場共識的偏離。
然後，將價格變動對訂單流進行迴歸：
`ΔP_t = λ × Q_t + ε_t`
迴歸係數 λ 就是 Kyle's Lambda 的估計值。在實務中，這個迴歸通常會使用日內的高頻數據，並對每一檔股票分別估計。為了提高估計的穩定性，可以對訂單流進行標準化，或使用加權最小平方法來處理異質變異數。
另一種估計方式是使用向量自回歸模型，同時考慮價格與訂單流的動態關係。這種方式可以捕捉訂單流對價格的延遲影響，並分離出即期衝擊與動態衝擊。但向量自回歸的參數較多，估計起來較為複雜，在實務中較少用於單純的 Kyle's Lambda 估計。
如何解讀 Kyle's Lambda 的數值
Kyle's Lambda 的數值本身沒有絕對的標準，必須在跨股票或跨時間的比較中才有意義。
在橫斷面比較中，Kyle's Lambda 較大的股票通常是市值較小、流動性較差、或資訊不對稱程度較高的股票。這些股票的價格對訂單流較為敏感，交易成本較高。Kyle's Lambda 較小的股票通常是市值較大、流動性充沛、資訊透明度較高的股票。這些股票的價格對訂單流較不敏感，交易成本較低。
在時間序列比較中，Kyle's Lambda 的上升通常發生在市場壓力時期。當市場波動加劇、流動性緊縮時，造市者會擴大價差、減少報價深度，使得同樣規模的訂單流對價格的衝擊變大，λ 也隨之上升。因此，Kyle's Lambda 的變化可以作為市場流動性狀況的即時監控指標。
原文出處：voltima_quant (@voltima_quant) 於 Threads · 查看原文