Quant Sandbox
DerivatívákPortfólió és kockázatKötvényekVállalati pénzügyekValószínűség és mértékSztochasztikus modellekPiaci mikrostruktúraÚtmutató
Útmutató
Derivatívák árazása0 / 17
01Határidős ügyletek, call és put opciók02Pozíciók kombinálása03Arbitrázs és a határidős ár04Put–call paritás05Az egylépéses binomiális modell06Kockázatsemleges valószínűségek07Többlépéses fák és visszafelé indukció08Amerikai opciók és korai lehívás09Delta és fedezés10Geometriai Brown-mozgás11A Black–Scholes-képlet12A görögök: gamma, vega, théta és rhó13Opciók osztalékos részvényre, indexre, devizára és határidős ügyletre14Implikált volatilitás és a volatilitás-mosoly15Sztochasztikus volatilitás és a Heston-modell16Statikus replikáció: Breeden–Litzenberger és Carr–Madan17Egzotikus opciók: korlátos, ázsiai és digitális opciók
Portfólió és kockázat0 / 12
01Hozamok és volatilitás02Diverzifikáció és korreláció03Hatékony front és tőkepiaci egyenes04Kockázatkerülés és az optimális teljes portfólió05CAPM, béta és az értékpapír-piaci egyenes06Teljesítménymutatók: Sharpe, Treynor, Jensen és információs ráta07Faktormodellek és szisztematikus kockázat08A Fama–French-faktormodellek09Kockáztatott érték (VaR) és várható veszteség (ES)10Rendszerkockázat és fertőzés11Portfóliókorlátok és a shortolás nélküli hatékony front12A várható hozam és a kovariancia becslése
Kötvények és kamatlábak0 / 10
01Kötvényárak és hozamok02Duráció és konvexitás03Immunizáció és durációillesztés04Azonnali kamatok, forward kamatok és a hozamgörbe05Nem párhuzamos hozamgörbe-mozgások és kulcskamat-durációk06Kötvényfutures és a legolcsóbban szállítható kötvény07Kamatswapok08Visszahívható kötvények és negatív konvexitás09Hitelkockázat: csődvalószínűség és hitelfelár10Reálkamat, infláció és inflációkövető kötvények
Vállalati pénzügyek0 / 10
01Kamat, kamatozás és diszkontálás02Annuitások, örökjáradékok és hiteltörlesztés03Nettó jelenérték és belső megtérülési ráta04Projektkockázat: érzékenység, forgatókönyvek és Monte Carlo NPV05Súlyozott átlagos tőkeköltség06Tőkeszerkezet és a Modigliani–Miller-tételek07Osztalék, kifizetési politika és az osztalékdiszkont-modell08Diszkontált pénzáram alapú értékelés09Relatív értékelés szorzókkal10Reálopciók: a rugalmasság értéke
Valószínűség és mérték0 / 13
01Halmazok méretének mérése02σ-algebrák és Borel-halmazok03A Lebesgue-mérték és a nullmértékű halmazok04Mérhető függvények05A Lebesgue-integrál06Konvergenciatételek07Valószínűségi mezők és a Kolmogorov-axiómák08Valószínűségi változók és eloszlásaik09Várható érték, szórásnégyzet és egyenlőtlenségek10Függetlenség és szorzatmértékek11Konvergenciafajták és a nagy számok törvénye12Feltételes valószínűség és feltételes várható érték13Mértékelmélet az opcióárazásban
Sztochasztikus modellek0 / 17
01Véletlen bolyongás és Brown-mozgás02A nagy számok törvénye és a centrális határeloszlás-tétel03Valószínűségi mezők, σ-algebrák és valószínűségi változók04Filtrációk, adaptált folyamatok és megállási idők05Feltételes várható érték és martingálok06A Brown-mozgás tulajdonságai07A tükrözési elv és az első elérési idők08A Brown-híd09Az Itô-integrál10Az Itô-lemma11Kolmogorov-egyenletek és a Feynman–Kac-formula12Mértékcsere és a Girsanov-tétel13Monte Carlo-opcióárazás14SDE-k szimulációja: az Euler–Maruyama-séma15Korrelált Brown-mozgások és többeszközös modellek16Átlaghoz visszahúzó folyamatok: Ornstein–Uhlenbeck és Vasicek17Ugrások és a Merton-féle ugró diffúzió
Piaci mikrostruktúra0 / 11
01Market makerek és a likviditás02A limitáras ajánlati könyv03A sorban elfoglalt hely és a teljesülés valószínűsége04Kedvezőtlen kiválasztás és informált kereskedés05A Glosten–Milgrom-modell06A bid–ask spread mérése és felbontása07Informált kereskedés és Kyle lambdája08Árhatás és optimális végrehajtás09Készletkockázat és a jegyzések eltolása10Optimális jegyzés: az Avellaneda–Stoikov-modell11A market making eredményének felbontása
Tudásgráf

© 2026 Quant Sandbox · Tanulást segítő eszköz a kvantitatív pénzügyekhez

Adatvédelem és adatokNincsenek sütik

Ez az oldal nem használ sütiket (cookie-kat), és nem kér személyes adatokat. Néhány apró beállítást a böngésződ helyi tárolójában (local storage) őriz meg — a választott témát és nyelvet, az oldalsáv elrendezését, valamint az útmutatókban elért haladást és a válaszaidat —, hogy a következő látogatáskor is emlékezzen rájuk. Ezek az adatok nem hagyják el az eszközödet; a böngésző tárhelyének törlésével eltávolíthatók. A módosított bemenetek az oldal URL-címében is rögzülhetnek, így megoszthatsz vagy könyvjelzőként elmenthetsz egy adott beállítást. Az oldal a Vercel Web Analytics szolgáltatást használja, amely adatvédelem-barát és süti nélküli: csak névtelen, összesített használati adatokat (például oldalletöltéseket) rögzít, anélkül hogy azonosítana téged vagy más oldalakon követne.

Útmutatók/Piaci mikrostruktúra/07

Informált kereskedés és Kyle lambdája

7. lecke / 11 · 1 perc

„A Glosten–Milgrom-modell” leckében egy informált kereskedő megérkezik, vesz vagy elad egy egységet, majd távozik; a market maker (árjegyző) minden kötés irányából tanul. A „Kedvezőtlen kiválasztás és informált kereskedés” lecke megmérte, mennyibe kerülnek az ilyen ügyfelek a makernek. Ebben a leckében az informált kereskedő dönthet arról, mennyit kereskedjen. Egyetlen bennfentes ismeri az eszköz értékét, a megbízásait a zajkereskedők közé rejti, a market maker pedig a látott teljes megbízásáramlást árazza. Az Albert Kyle-tól (1985) származó modell adja a λ\lambdaλ árhatás-együtthatót, a piaci mikrostruktúra legtöbbet használt számát.

Egyetlen aukció

Egy eszköz van és egy kereskedési kör, amelyet aukciónak hívunk. A VVV érték az aukció után válik nyilvánossá. Kereskedés előtt mindenki egyetért abban, hogy VVV normális eloszlású p0p_0p0​ várható értékkel és σv2\sigma_v^2σv2​ szórásnégyzettel:

V∼N(p0, σv2).V \sim N(p_0,\ \sigma_v^2).V∼N(p0​, σv2​).

Háromféle szereplő találkozik az aukción.

  • A bennfentes pontosan megtudja VVV-t, és xxx darabos piaci megbízást ad (pozitív, ha vesz, negatív, ha elad).
  • A zajkereskedők együttesen u∼N(0,σu2)u \sim N(0, \sigma_u^2)u∼N(0,σu2​) megbízást adnak VVV-től független okokból. σu\sigma_uσu​ mértékegysége darab.
  • A versenyző market maker csak az y=x+uy = x + uy=x+u összeget, a megbízásáramlást látja, és egyetlen ppp áron teljesíti.

A makerek közti verseny a várható profitjukat nullára szorítja, így az ár a látottak melletti várható érték:

p=E[V∣y].p = E[V \mid y].p=E[V∣y].

Ez a „Feltételes várható érték és martingálok” lecke feltételes várható értéke. A maker nem tudja szétválasztani xxx-et és uuu-t: egy nagy vételi áramlás jöhet egy bennfentestől, aki tudja, hogy az érték magas, de lehet egyszerűen egy nagy zajmegbízás is.

A lineáris egyensúly

Az egyensúly egy kereskedési szabály a bennfentesnek és egy árazási szabály a makernek úgy, hogy mindkettő a legjobb válasz a másikra. Tegyük fel, hogy mindkettő lineáris:

x=β (V−p0),p=p0+λ y.x = \beta\,(V - p_0), \qquad p = p_0 + \lambda\,y.x=β(V−p0​),p=p0​+λy.

A bennfentes legjobb válasza. Tekintsd adottnak az árazási szabályt. p=p0+λ(x+u)p = p_0 + \lambda(x + u)p=p0​+λ(x+u) és E[u]=0E[u] = 0E[u]=0 mellett a bennfentes várható profitja adott VVV esetén

E[(V−p) x∣V]=(V−p0−λx) x.E[(V - p)\,x \mid V] = \bigl(V - p_0 - \lambda x\bigr)\,x.E[(V−p)x∣V]=(V−p0​−λx)x.

Ez xxx-ben lefelé nyíló parabola. A V−p0−2λxV - p_0 - 2\lambda xV−p0​−2λx deriváltat nullával egyenlővé téve

x=V−p02λ,tehaˊtβ=12λ.x = \frac{V - p_0}{2\lambda}, \qquad\text{tehát}\qquad \beta = \frac{1}{2\lambda}.x=2λV−p0​​,tehaˊtβ=2λ1​.

Ha többet kereskedne, minden darabon maga ellen tolná az árat, ezért félúton megáll: a saját megbízása λx=(V−p0)/2\lambda x = (V - p_0)/2λx=(V−p0​)/2-vel mozdítja a várható árat.

A maker legjobb válasza. Tekintsd adottnak a kereskedési szabályt. Ekkor y=β(V−p0)+uy = \beta(V - p_0) + uy=β(V−p0​)+u és VVV együttesen normális, és együttesen normális változókra a feltételes várható érték a lineáris vetítés:

E[V∣y]=p0+Cov⁡(V,y)Var⁡(y) y,Cov⁡(V,y)=βσv2,Var⁡(y)=β2σv2+σu2.E[V \mid y] = p_0 + \frac{\operatorname{Cov}(V, y)}{\operatorname{Var}(y)}\,y, \qquad \operatorname{Cov}(V, y) = \beta\sigma_v^2,\quad \operatorname{Var}(y) = \beta^2\sigma_v^2 + \sigma_u^2.E[V∣y]=p0​+Var(y)Cov(V,y)​y,Cov(V,y)=βσv2​,Var(y)=β2σv2​+σu2​.

A maker szabálya tehát valóban lineáris, és

λ=β σv2β2σv2+σu2.\lambda = \frac{\beta\,\sigma_v^2}{\beta^2\sigma_v^2 + \sigma_u^2}.λ=β2σv2​+σu2​βσv2​​.

Megoldás. Helyettesítsd be β=1/(2λ)\beta = 1/(2\lambda)β=1/(2λ)-t, azaz λ=1/(2β)\lambda = 1/(2\beta)λ=1/(2β)-t:  1/(2β)=βσv2/(β2σv2+σu2)\ 1/(2\beta) = \beta\sigma_v^2/(\beta^2\sigma_v^2 + \sigma_u^2) 1/(2β)=βσv2​/(β2σv2​+σu2​). Keresztbe szorozva β2σv2+σu2=2β2σv2\beta^2\sigma_v^2 + \sigma_u^2 = 2\beta^2\sigma_v^2β2σv2​+σu2​=2β2σv2​, így β2σv2=σu2\beta^2\sigma_v^2 = \sigma_u^2β2σv2​=σu2​ és

β=σuσv,λ=σv2σu.\beta = \frac{\sigma_u}{\sigma_v}, \qquad \lambda = \frac{\sigma_v}{2\sigma_u}.β=σv​σu​​,λ=2σu​σv​​.

λ\lambdaλ mértékegysége dollár per darab: ennyit mozdul az ár egy darab nettó megbízásáramlásra. Akkor nagy, ha nagy a privát információ (σv\sigma_vσv​), és akkor kicsi, ha sok a zaj, amelyben el lehet rejtőzni (σu\sigma_uσu​).

Az egyensúly tulajdonságai

Az információ fele bekerül az árba. Az ár szórásnégyzete λ2Var⁡(y)=λ2⋅2σu2=σv2/2\lambda^2\operatorname{Var}(y) = \lambda^2 \cdot 2\sigma_u^2 = \sigma_v^2/2λ2Var(y)=λ2⋅2σu2​=σv2​/2, a VVV-re vonatkozó maradék bizonytalanság az aukció után pedig Var⁡(V∣y)=σv2−σv2/2=σv2/2\operatorname{Var}(V \mid y) = \sigma_v^2 - \sigma_v^2/2 = \sigma_v^2/2Var(V∣y)=σv2​−σv2​/2=σv2​/2. Az aukció a bennfentes információjának felét fedi fel.

A bennfentes profitja nő a zajjal. Adott VVV mellett a várható profitja (V−p0)2/(4λ)(V - p_0)^2/(4\lambda)(V−p0​)2/(4λ). VVV-re átlagolva, E[(V−p0)2]=σv2E[(V - p_0)^2] = \sigma_v^2E[(V−p0​)2]=σv2​ felhasználásával:

E[πI]=σv24λ=σu σv2.E[\pi_I] = \frac{\sigma_v^2}{4\lambda} = \frac{\sigma_u\,\sigma_v}{2}.E[πI​]=4λσv2​​=2σu​σv​​.

Több zaj mellett a bennfentes nem lesz óvatlanabb; a zaj csökkenti λ\lambdaλ-t, így a bennfentes többet kereskedik (β\betaβ nő) ugyanakkora, információegységre jutó árhatás mellett.

A zajkereskedők fizetik meg. A maker nullszaldós, így a bennfentes nyeresége a zajkereskedők vesztesége. Az ő várható profitjuk E[(V−p)u]=−λσu2=−σuσv/2E[(V - p)u] = -\lambda\sigma_u^2 = -\sigma_u\sigma_v/2E[(V−p)u]=−λσu2​=−σu​σv​/2: darabonként λ\lambdaλ-t fizetnek egy jellemzően σu\sigma_uσu​ méretű pozíción.

Kidolgozott példa

Egy aukció σᵥ = 4 és σᵤ = 1000 mellett

  1. Legyen p0=100p_0 = 100p0​=100, σv=4\sigma_v = 4σv​=4 USD, σu=1000\sigma_u = 1000σu​=1000 darab. A bennfentes kereskedési intenzitása, darab per USD félreárazásban:

    β=σu/σv=1000/4\displaystyle \beta = \sigma_u/\sigma_v = 1000/4β=σu​/σv​=1000/4=250
  2. A bennfentes megtudja, hogy V=104V = 104V=104, és vesz:

    x=β (V−p0)=250⋅4\displaystyle x = \beta\,(V - p_0) = 250 \cdot 4x=β(V−p0​)=250⋅4=1000
  3. A maker árhatása USD per darabban:

    λ=σv/(2σu)=4/2000\displaystyle \lambda = \sigma_v/(2\sigma_u) = 4/2000λ=σv​/(2σu​)=4/2000=0,002
  4. A zaj átlaga nulla, így a várható ár a rés felét zárja be:

    E[p]=100+0,002⋅1000\displaystyle E[p] = 100 + 0{,}002 \cdot 1000E[p]=100+0,002⋅1000=102
  5. A bennfentes várható profitja ennél a VVV-nél, USD-ben:

    (104−102)⋅1000\displaystyle (104 - 102) \cdot 1000(104−102)⋅1000=2000
  6. VVV összes lehetséges értékére átlagolva a várható profit:

    σuσv/2=1000⋅4/2\displaystyle \sigma_u\sigma_v/2 = 1000 \cdot 4/2σu​σv​/2=1000⋅4/2=2000

Több aukció

Most a bennfentes NNN aukción kereskedhet, mindegyikben friss, független zajjal, a maker pedig végig egyetlen állandó λ\lambdaλ-t használ (ezt az egyszerűsítést használja a labor). Jelölje g=V−pg = V - pg=V−p az érték és az ár közti hátralévő rést, mmm pedig a hátralévő aukciók számát, az aktuálist is beleértve.

Egy hátralévő aukciónál a feladat a fenti: a bennfentes (g−λx)x(g - \lambda x)x(g−λx)x-et maximalizálja, x=g/(2λ)x = g/(2\lambda)x=g/(2λ)-t vesz és g2/(4λ)g^2/(4\lambda)g2/(4λ)-t keres. Tegyük fel, hogy m−1m - 1m−1 hátralévő aukciónál a legjobb várható profit cm−1 g2/λc_{m-1}\,g^2/\lambdacm−1​g2/λ plusz egy ggg-től független tag, ahol c1=1/4c_1 = 1/4c1​=1/4. mmm hátralévő aukciónál egy xxx megbízás most (g−λx)x(g - \lambda x)x(g−λx)x-et hoz, és g−λx−λug - \lambda x - \lambda ug−λx−λu rést hagy hátra. A zaj átlaga nulla, ezért csak konstanst ad hozzá, és a bennfentes ezt maximalizálja:

(g−λx) x+cm−1 (g−λx)2λ.(g - \lambda x)\,x + c_{m-1}\,\frac{(g - \lambda x)^2}{\lambda}.(g−λx)x+cm−1​λ(g−λx)2​.

A derivált g−2λx−2cm−1(g−λx)=0g - 2\lambda x - 2c_{m-1}(g - \lambda x) = 0g−2λx−2cm−1​(g−λx)=0, így λx=g (1−2cm−1)/(2−2cm−1)\lambda x = g\,(1 - 2c_{m-1})/(2 - 2c_{m-1})λx=g(1−2cm−1​)/(2−2cm−1​). cm−1=(m−1)/(2m)c_{m-1} = (m-1)/(2m)cm−1​=(m−1)/(2m) mellett ez g/(m+1)g/(m+1)g/(m+1), és visszahelyettesítve cm=m/(2(m+1))c_m = m/(2(m+1))cm​=m/(2(m+1)), ami indukcióval igazolja a feltevést. Egyetlen állandó λ\lambdaλ mellett:

λ xm=V−pm+1.\lambda\,x_m = \frac{V - p}{m + 1}.λxm​=m+1V−p​.

Minden megbízás a hátralévő rés 1/(m+1)1/(m+1)1/(m+1) részét zárja be: tíz hátralévő aukciónál 1/111/111/11-ét, kettőnél a harmadát, az utolsóban a felét. A fokozatos kereskedés jobb, mint az egyszerre végrehajtott: a pozíció szétterítésével a bennfentes darabonként kisebb árhatást fizet, a közbeeső zaj pedig megakadályozza, hogy a maker túl sokat kikövetkeztessen. Kyle 1985-ös egyensúlya tovább megy, és megengedi, hogy λ\lambdaλ aukcióról aukcióra változzon, ahogy a maker tanul; a bennfentes ekkor úgy kereskedik, hogy az információ egyenletes ütemben kerüljön az árba. Ezt a változatot itt nem vezetjük le.

Az ábra tíz aukciót játszik le σv=4\sigma_v = 4σv​=4, aukciónként 1000 darab zaj és V−p0=+4V - p_0 = +4V−p0​=+4 mellett, így a nullszaldós állandó λ\lambdaλ 0,00106 USD per darab. Az alapterv az első aukción 1900 darabot vesz, nagyjából (V−p0)/(2λ)(V - p_0)/(2\lambda)(V−p0​)/(2λ)-t, utána semmit. A rögzített zajon 4186 USD-t keres és a rés 47%-át zárja be, míg az optimális bennfentes ugyanezen a zajon 6403 USD-t keres. A halvány oszlopok a terved melletti optimális megbízást mutatják; az első 343 darab, 4/(11λ)4/(11\lambda)4/(11λ). Húzd az oszlopokat feléjük, és figyeld, ahogy a profitod megközelíti az optimumot. Válts a market maker nézetére: a maker csak a teljes megbízásáramlást látja, és aukciónként 1000 darab zaj mellett egy néhány száz darabos megbízást nehéz észrevenni.

A bennfentes kereskedési ütemeMegnyitás: Kyle-modell

Oszlopok: a megbízásaid darabban, aukciónként. Halvány oszlop: az optimális megbízás a terved alapján. A zaj rögzített; V − p₀ = +4.

Ár az optimális bennfentesselÁr a te terveddel
A te profitod
4186 USD
Optimális profit ugyanazzal a zajjal
6403 USD
Lezárt rés
47%
λ (USD per darab)
0.00106

A lambda becslése

Adatokból λ\lambdaλ-t úgy becsülik, hogy rövid intervallumokon az árváltozást az előjeles megbízásáramlásra regresszálják:

Δpt=α+λ yt+εt,\Delta p_t = \alpha + \lambda\,y_t + \varepsilon_t,Δpt​=α+λyt​+εt​,

ahol yty_tyt​ a ttt-edik intervallumban a vevő által kezdeményezett mínusz az eladó által kezdeményezett forgalom. A kötések előjelét az ár és a középár összevetése adja, mint a „Kedvezőtlen kiválasztás és informált kereskedés” leckében. A meredekség mértékegysége ár per darab. Részvények összehasonlításához gyakran átskálázzák: árváltozás bázispontban a napi forgalom 1%-ára, λ⋅0,01 ADV/p⋅104\lambda \cdot 0{,}01\,\text{ADV}/p \cdot 10^4λ⋅0,01ADV/p⋅104.

A regresszió minden okot megragad, amiért az ár követi a megbízásáramlást, a készlethatásokat is; Kyle modellje a teljes meredekséget az információnak tulajdonítja.

Összefoglalás

  • A VVV-t ismerő bennfentes x=β(V−p0)x = \beta(V - p_0)x=β(V−p0​)-t kereskedik; a maker csak y=x+uy = x + uy=x+u-t látja, és p=p0+λyp = p_0 + \lambda yp=p0​+λy árat szab.
  • Az egyaukciós egyensúlyban β=σu/σv\beta = \sigma_u/\sigma_vβ=σu​/σv​ és λ=σv/(2σu)\lambda = \sigma_v/(2\sigma_u)λ=σv​/(2σu​); a privát információ fele bekerül az árba.
  • A bennfentes várhatóan σuσv/2\sigma_u\sigma_v/2σu​σv​/2-t keres, pontosan annyit, amennyit a zajkereskedők veszítenek; több zaj több bennfentes profitot jelent.
  • Sok aukción egyetlen állandó λ\lambdaλ mellett a legjobb megbízás a hátralévő rés 1/(m+1)1/(m+1)1/(m+1) részét zárja be, így a fokozatos kereskedés jobb az egyszerre végrehajtottnál.
  • λ\lambdaλ-t az árváltozás előjeles megbízásáramlásra vett regressziójával becsülik, ár per darabban vagy bázispont per a forgalom 1%-ában.
Próbáld kiNyisd meg a Kyle-modell labort
3 kérdés ehhez a leckéhez a sorozat végén
Előző · 06A bid–ask spread mérése és felbontásaKövetkező · 08Árhatás és optimális végrehajtás
Kapcsolatok

Informált kereskedés és Kyle lambdája

Teljes gráf megnyitása
Erre épül
07.06A bid–ask spread mérése és felbontása07.05A Glosten–Milgrom-modell07.04Kedvezőtlen kiválasztás és informált kereskedés06.05Feltételes várható érték és martingálok
Ide vezet
07.08Árhatás és optimális végrehajtás
Megtekintés a tudásgráfon
Laborok ehhez a leckéhez
Kyle-modell