入门基础体系新手友好
查看详情AI量化基础课程班
适合零基础或弱基础学员，覆盖 Python 入门、交易理念、期货市场基础、策略编写、回测测试、结果分析与 CTA 模拟/实盘对接。
4.9 (2120评价)2120人学习12小时6节
适合零基础或弱基础学员，覆盖 Python 入门、交易理念、期货市场基础、策略编写、回测测试、结果分析与 CTA 模拟/实盘对接。
¥4,999
量化技巧market microstructuremarket makingdisclosureliquidity
披露改革能不能救流动性，关键往往不在披露本身，而在做市商是不是太少
解读 Mandatory Disclosure in Oligopolistic Market Making，讨论披露要求为何会在低竞争做市环境里更有效，以及这类监管结论对执行研究和流动性评估意味着什么。
2026-04-288分钟
说披露改善市场质量几乎已经是共识，但真正进到微观结构层面，这个命题并不平。不同市场、不同股票、不同做市结构里，透明度改革对 spread、price impact 和深度的影响可能差得很远。Kim 和 Choi 这篇文章的价值，就在于它没有满足于平均效应，而是直接问：如果做市商之间本来就竞争不充分，披露是不是更值钱。
作者给出的答案是肯定的。在线性 Kyle 型框架里，披露降低了知情交易带来的逆向选择压力，而这种缓解在做市竞争较弱时会被放大。也就是说，透明度不是孤立生效，它要穿过市场结构这层中介变量。这个角度对于很多只谈 disclosure、不谈 dealer competition 的经验研究，是一记很有效的修正。
方法上的优点，是理论机制和自然实验并没有脱节
很多监管微观结构论文要么纯理论，要么纯事件研究，最后很难知道显著性背后到底是不是机制本身。本文相对扎实的地方在于，前半段通过多期 Kyle 模型把披露、做市竞争和交易成本的关系写清，后半段则用 2002 年 SOX 披露改革做差分中的差分验证，检验“做市越少，spread 改善越大”这一交互预测。
这种理论到经验的闭环对于量化研究非常重要。因为它让读者知道，市场结构不是回归里的装饰性控制项，而是决定冲击如何传导的核心条件。团队以后评估政策、规则或信息披露变更时，也更应该先分层市场结构，再谈平均影响。
局限同样存在：做市商数量只是竞争的一种代理，不是竞争本身
论文用 market maker count 去代理做市竞争程度，这是合理但并不完美的简化。现实里的竞争不仅取决于有多少做市主体，还取决于库存约束、技术速度、订单内生选择和不同平台之间的替代性。若把 MMCNT 直接当作充分统计量，就可能高估这个代理变量的解释力。
另外，SOX 改革属于较强制度事件，外推到其他披露规则、其他市场或电子化程度更高的交易环境时，效果未必线性复刻。对量化执行团队来说，这意味着论文更适合提供分析框架，而不是直接给出一个“披露增强一定改善流动性”的机械结论。
实务上最该吸收的是：监管冲击评估必须把竞争结构一起建模
如果把这篇论文翻译成执行研究语言，一个直接动作是：在看规则调整、披露增强或信息接口变更时，把股票或市场按做市竞争程度先做分层。对低竞争、库存本就紧张的品种，监管变化可能真的会通过逆向选择渠道显著改写交易成本；对高竞争品种，平均 spread 变化也许会小得多。
所以这篇论文更像一篇“市场结构先于平均结论”的提醒。它不只是告诉你披露有用，而是告诉你：谁会先受益、受益通过什么渠道、以及为什么不能用一条平均回归线概括所有流动性故事。
关键结论
- 披露带来的流动性改善不是一刀切的，它取决于做市竞争是否稀薄。
- 论文把 Kyle 型理论和 SOX 自然实验拼在一起，给出了比较完整的机制闭环。
- 对执行研究而言，市场结构变量应进入监管冲击评估，不能只看平均 spread 变化。
关联课程
如果你想把这篇文章里的方法系统化学习，可以从这些课程继续深入。
继续阅读
量化技巧
SABR 波动率近似要想更稳，残差修正比整套黑箱替代更有交易价值
这篇论文的重要性，在于它没有把神经网络当成定价公式的替代品，而是坚持保留 Hagan 公式的解析骨架，只让模型去学剩下那块误差。
量化技巧
量子组合优化眼下更该看的，不是哪种 mixer 更炫，而是哪种计算妥协最诚实
这篇论文有意思的地方，不是把 QAOA 又带回组合优化，而是把不同 ternary mixer 的取舍摊开，逼你承认可算性本身就是模型设计的一部分。
量化技巧
约束式 LLM 因子代理开始有研究价值的前提，是假设、配方和回测门槛都被写成硬规则
这篇加密市场论文值得看的地方，不是“LLM 也能挖因子”这句口号，而是作者把代理的行动空间、实验日志和经验门槛都写死，尽量把会编故事的模型压回到可审计的研究流程里。