《金融市场微观结构75172483》-课件设计（公开）.pptVIP

因此，做市商将买卖报价分别设定为发生交易者买入和卖出时做市商关于资产价值的条件期望 （15） （16） 即卖出报价是发生交易者买入情况时做市商关于资产价值的条件期望，买入报价是发生交易者卖出情况时做市商关于资产价值的条件期望。 假设实际发生的交易是交易者买入股票，则实际成交价格为E[V|B]，此时该交易价格成为做市商新的先验概率，他将依据该先验概率计算发生下一次交易者买入和卖出时的条件期望，并分别将它们设定为新的卖出价和买入价： （17） 相类似，有 (18) 其他的条件概率 也可同样算出。 因此，资产价值的条件期望分别为 和 (19) 它们分别为做市商设定的新的卖出报价和买人报价。 如果实际发生的交易是交易者卖出股票，则后验概率分别为 此时做市商也可设定新的买入报价和卖出报价。 一般地，假设已发生了b次买人，s次卖出，则其后验概率 (20) 二、做市商学习过程的动态性质 由于对资产价值的看法(进而买卖报价)的更新是由贝叶斯过程决定的，因此，运用贝叶斯过程，我们不仅可以分析这种动态更新过程，还可以根据贝叶斯学习过程的性质来判断价格的动态调整过程的性质。 这种性质主要体现在两个方面：其一，贝叶斯学习过程表明，随着交易的进行，做市商将得到更多的内在信息，因而其设定的买卖报价也会随之而变动。可以证明，运用后验条件概率计算出来的期望值必定收敛于真实价值。其二，价格调整过程的速度是可以定量分析的。如果观察的对象是一个独立同分布的过程，那么贝叶斯学习过程产生的后验概率将按指数级收敛。 三、贝叶斯学习过程在做市商定价策略研究中的应用 在对证券市场的实证研究中，许多模型都假设随机变量（如资产价值）具有连续分布，而不是离散分布，因此，必须将贝叶斯学习过程扩展至连续分布状态。 假设关于随机变量 的先验概率密度函数为 。随机变量 的观测值是独立同分布的，并且给定 时的密度函数为 。因此，有 的后验分布密度函数： (21) 假设随机变量 服从正态分布 ，而给定随机变量 取值时，观测值 服从正态分布 ，即有： (22) (23) 运用(21)式，有 的后验分布为 (24) 因此，给定观测值 时， 的后验分布是： (25) 四、做市商学习过程与定价策略模型 (一)G1osten—Milgrom(1985)对指令类型的分析 Glosten—Milgrom模型第一次运用贝叶斯学习过程来描述在信息不对称的市场环境下做市商如何设定买卖报价的动态过程，它是贝叶斯学习过程在做市商制度分析中的第一次正式运用。 G10sten—Milgrom模型考虑了影响做市商定价策略的第一个因素，即交易者提交指令的类型。他们认为，由于交易指令的类型具有信号作用，因此，做市商将分别依据交易指令的类型来设定