量化模型与构建方式 1. 模型名称：含虚假信息的掠夺性交易博弈模型 [1][3] * 模型构建思路：基于Carlin等（2007）与Carmona & Yang（2011）的微观结构框架，构建一个包含受害者与捕食者的掠夺性交易博弈模型，并引入虚假信息（即玩家误信失真的信号）[3]。该模型旨在分析信息扭曲对市场均衡与价格波动的影响[3]。 * 模型具体构建过程： 1. 市场中有N个参与者，其中1个是受害者，其余N-1个是捕食者[24]。 2. 第n个参与者在时刻t持有的风险资产总量为 $X^{n}(t)$，其交易速率 $\alpha^{n}(t)$ 满足 $X^{n}(t)=X^{n}(0)+\int_{0}^{t}\alpha^{n}(s)\mathrm{d}s$ [24]。 3. 交易价格 $P_t$ 与中间价 $X_t^0$ 的关系为 $P_{t}-X_{t}^{0}=\lambda\sum_{i=1}^{N}\alpha_{t}^{i}$，其中 $\lambda$ 是弹性因子，代表临时价格冲击[24]。 4. 中间价的动态变化为 $\mathrm{d}X_{t}^{0}=\gamma\sum_{i=1}^{N}\alpha_{t}^{i}\mathrm{d}t+\sigma\mathrm{d}W_{t}$，其中 $\gamma$ 是可塑性因子，$\sigma$ 是波动率，$W_t$ 是布朗运动，代表永久价格冲击和噪声交易[24]。 5. 每个参与者n的目标是最大化利润 $J^{n}(\mathbf{\alpha})=\mathbb{E}\left(\int_{0}^{T}\alpha^{n}\left(X_{t}^{0}+\lambda\sum_{i=1}^{N}\alpha_{t}^{i}\right)\mathrm{d}t\right)$ [26]。 6. 引入虚假信息：受害者被迫交易的真实数量为 $x_0^1$，但其他参与者收到的是扭曲版本 $\tilde{x}_{0,i}^{1}=x_0^{1}+\epsilon$，其中 $\epsilon$ 是随机失真[27]。模型假设每个参与者都坚信自己收到的信息是真实的[27]。 * 模型评价：该模型通过“信念固着偏差”合理化假设，将虚假信息问题与不确定性下的博弈区分开来，使得在虚假信息下求解系统可以沿用基于正确信息的博弈论框架[28]。 量化因子与构建方式 1. 因子名称：误差因子（Error Factor） [30] * 因子构建思路：用于刻画虚假信息的扭曲程度及其在参与者中的传播范围，是衡量虚假信息对价格过程影响的关键综合指标[30][33]。 * 因子具体构建过程： * 基础情形（两类信息）：假设市场中有 $N_c$ 个正确信息持有者和 $N_w$ 个虚假信息持有者，虚假信息为 $\tilde{x}_0^1$，真实信息为 $x_0^1$。误差因子 $\tilde{\nu}$ 定义为： \tilde{\nu}:=\frac{N_{w}}{N}\left(\tilde{x}_{0}^{1}-x_{0}^{1}\right).\tag{12} 其中 $N = N_c + N_w$，$\frac{N_w}{N}$ 代表虚假信息的传播范围，$(\tilde{x}_{0}^{1}-x_{0}^{1})$ 代表信息扭曲程度[30][33]。 * 广义情形（多种信息）：假设有 $\kappa$ 种不同的信息信念，第 $l$ 种信念 $\tilde{x}_{0, w_l}^{1}$ 有 $N_{w_l}$ 个追随者。广义误差因子 $\nu$ 定义为： \nu:=\frac{1}{N}\,\sum_{l=1}^{\kappa}N_{w_{l}}\left(\bar{x}_{0,w_{l}}^{1}-x_{0}^{1}\right).\tag{28} 该定义是基础情形的推广，对不同信息失真的影响进行加权求和[56]。 2. 因子名称：最大预期价格波动（MPF） [34] * 因子构建思路：用于衡量在特定时间段内，由博弈引发的额外价格波动强度，即均衡价格的最大预期波动幅度[34]。 * 因子具体构建过程：对于具有误差因子 $\nu$ 的博弈，在时间段 $[t_*, t^*]$ 内的最大预期价格波动定义为： $M P F_{\nu}(t_{*},t^{*}):=\operatorname*{max}_{t_{1},t_{2}\in[t_{*},t^{*}]}\left|\mathbb{E}\left(X_{t_{1}}^{0}-X_{t_{2}}^{0}\right)\right|.$ 该指标完全归因于受害者的交易约束及其他参与者的掠夺性交易意图[34]。 3. 因子名称：兼容集与容忍边界（$\mathcal{V}$, $b_1$, $b_2$） [38] * 因子构建思路：定义系统可以容忍而不引发额外价格波动的误差因子集合（$\mathcal{V}$），以及该集合的边界 $b_1$ 和 $b_2$，用于量化系统对虚假信息的容忍阈值[38][40]。 * 因子具体构建过程： 1. 兼容集 $\mathcal{V}$：定义为导致最小预期波动的误差因子集合，即 \mathcal{V}:=\left\{\,\tilde{v}\in\mathbb{R}\,\Big{|}\,M\,PF_{\tilde{v}}(0,T)=\min_{\tilde{v}\in\mathbb{R}}\,\,M\,PF_{\tilde{v}}(0,T)\,\right\}。其补集 $\tilde{\mathcal{V}}$ 包含所有会引发更大波动的误差因子[38]。 2. 容忍边界 $b_1$, $b_2$：定理指出，误差因子 $\tilde{\nu}$ 属于 $\mathcal{V}$ 的条件是： \left\{\begin{array}{ll}b_{2}\leq\bar{v}\leq b_{1}&\mbox{if}\quad\sum_{i=1}^{N}x_{0}^{i}\geq0\\ b_{1}\leq\bar{v}\leq b_{2}&\mbox{if}\quad\sum_{i=1}^{N}x_{0}^{i}<0\end{array}\right.\tag{21} 其中 $b_1, b_2 \in \mathbb{R}$ 为常数边界，其具体表达式依赖于市场参数 $\lambda \gamma^{-1}$、博弈时长 $T$、累计交易需求 $\sum x_0^i$ 和玩家数量 $N$ 等系统参数[38][40][42]。 4. 因子名称：误差因子与边界的距离（$D_{\bar{v},d}$） [48] * 因子构建思路：当误差因子超出容忍边界时，用于衡量其超出程度，该距离与引发的额外价格波动大小相关[48]。 * 因子具体构建过程：对于固定的误差因子 $\bar{v}$ 和边界 $d$（$d_1$ 或 $d_2$），定义距离为： $D_{\bar{v},d_{1}}:=\begin{cases}|\bar{v}-d_{1}\mid\text{if}\ Sign\ d_{1}=Sign\ \bar{v}\\ 0\ \ \text{else,}\end{cases}$ $D_{\bar{v},d_{2}}:=\begin{cases}|\bar{v}-d_{2}\mid\text{if}\ Sign\ d_{2}=Sign\ \bar{v}\\ 0\ \ \text{else.}\end{cases}$ 该距离衡量了误差因子 $\bar{v}$ 超出容忍集合 $\mathcal{V}$ 的程度[48]。 5. 因子名称：信息更新时间（$\tau_n$）与误差容忍阈值（$\iota, \kappa_n$） [100] * 因子构建思路：描述参与者通过观察市场价格来更新（怀疑）自身信息的机制。当观测价格与预期价格的偏差超过个人容忍阈值时，触发信息更新[100]。 * 因子具体构建过程：第 $n$ 个参与者的信息更新时间 $\tau_n$ 定义为： \tau_{n}=\inf\left\{t\geq0\,:\,X_{t}^{0}-\mathbb{E}_{n}\left(X_{t}^{0}\right)\in\left\{-t_{n},\tau_{n}\right\}\right\},\tag{43} 其中 $\mathbb{E}_n(X_t^0)$ 是该参与者基于自身信息的预期价格，$[-\iota, \kappa_n]$ 是其误差容忍阈值，即触发怀疑的价格偏差区间[100]。 模型的回测效果 （注：本篇为理论推导型研报，未提供具体的数值回测结果，如年化收益率、夏普比率、最大回撤等指标。报告主要通过定理、引理和图表展示理论关系，例如误差因子对价格路径的影响[31][32]、参数对容忍边界的影响[41][43]、以及随机失真下特定事件发生的概率估计[60][65]。） 因子的回测效果 （注：本篇为理论推导型研报，未提供因子在选股或预测方面的具体数值测试结果，如IC、IR、多空收益等指标。报告主要分析因子的理论性质及其与其他变量的关系，例如误差因子与最大预期价格波动（MPF）的关系[38][48]、容忍边界随系统参数的动态变化[40][42]、以及信息更新时间的概率分布[100][103]。）