做市商的「无风险」生意：把成交成本拆成成本与议价能力

[2007 RFS] Financial Intermediation and the Costs of Trading in an Opaque Market
Richard C. Green, Burton Hollifield, Norman Schürhoff
Jun He June 01, 2026
市政债 做市商 流动性 结构模型
Note

本文读的是 Green, Hollifield & Schürhoff (2007, Review of Financial Studies)：在一个不透明、分散的市政债经纪—交易商市场里，作者用一个「随机前沿」结构模型，把客户付出的往返交易成本拆成「交易商真实的中介成本」与「交易商的议价能力（市场势力）」两块——结果发现，后者远大于前者，而且越是小额、越像散户的交易，交易商的市场势力越大。

1 一个「无风险」却昂贵的市场

先说一个让人有点难受的事实。

美国市政债（municipal bonds）市场，体量大得惊人——存量约 $2 trillion，每年新发超过 $400 billion。但它有个怪脾气：高度分散、极不透明。每年有 10,000 到 15,000 个独立的债券发行，2003 年平均一个发行才 $26 million；而一个发行又常常被切成 10–30 只不同期限的债券。债大多被散户（2004 年占 33%）、保险公司（12%）、银行与个人信托（5%）拿在手里，买了就不太动——MSRB 报告说，1998 年 3 月到 1999 年 5 月间，71% 的在外发行一整年都没成交过一次。

没有集中交易所，没有盘前报价。你想卖一只债，得挨个打电话给交易商，或者向他们询价。比价是要花钱的。于是市场被自然地切成了一个个本地的小角落，给中间商留出了滋生「本地垄断势力」的土壤。

这件事早就惊动了监管者。SEC 曾裁定，加价（markup）在 1.42% 到 5% 之间的交易「实质性地超过了行业惯例」；NASD 则说，价差在 7% 到 27% 之间的交易「不公平、不合理」。可问题在于：这些一刀切的红线，恰恰忽略了中介成本本身是有差异的。同样一笔加价，可能是交易商辛辛苦苦扛风险换来的合理补偿，也可能是他仗着你找不到第二家而收的「过路费」。你怎么把这两者分开？

Note

这里还藏着一个让谜题更尖锐的细节：样本里超过 40% 的市政债是有保险的，多半评级 AAA，几乎占了一半的成交量。这些被保险的债从信用风险角度看几乎是完美替代品。可即便如此，它们的交易成本依然又高又离散——这就让「成本说」更站不住脚了。

这正是本文要回答的问题：在一个透明度趋近于零的市场里，客户付出的成本，到底有多少是「该付的」，又有多少是被中间商的市场势力「赚走的」？

2 一个反直觉的事实：越大的单子，越便宜

在动用模型之前，作者先让数据自己说话，于是撞上了一个反直觉的事实。

我们的直觉大概是这样的：单子越大，交易商承担的库存风险越高，应该收得越贵。可数据偏偏相反——交易商在大额交易上赚的平均加价更低，尽管他们在大单上亏钱的概率明显更高。换句话说，往返交易成本的分布高度右偏，而且对小额交易而言离散得多。大额、机构规模的交易里，交易商经常是亏钱的；小额、散户规模的交易里，加价才是又高又稳的「肥肉」。

接着，一个自然的问题是：这种「小单贵、大单便宜」的格局，是不是只能用市场势力来解释？毕竟，如果竞争是充分的，那不管单子大小，交易商都该被压到他的保留价值（reservation value）附近。

但描述性统计走到这里就走不动了。光看加价的分布，你没法把「成本」从「势力」里剥出来——它们叠在同一个数字上。于是真正关键的一步，是把这件事写成一个可估计的结构模型。

3 识别策略：把「成本」和「市场势力」拆开

本文的识别，不是来自某个外生冲击或自然实验，而是来自一个关于讨价还价的理论模型 + 一组关于函数形式的假设。这一点要诚实地讲清楚。

作者设想了交易商与客户之间的一场谈判：客户（比如一个想卖债的散户）有一个保留价值，交易商也有一个保留价值（对应他中介这笔交易的真实成本）。最终成交的加价，落在两者之间的什么位置，取决于交易商相对于客户的议价能力（bargaining power）。

把这套逻辑翻译成计量模型，就成了一个随机前沿模型（stochastic frontier model）。它的核心想法是：

那么，模型凭什么能把这两块分开？答案藏在一个统计学的细节里：条件偏度（conditional skewness）。如果观测到的加价只是「成本 + 对称噪声」，那它的条件分布应该是对称的；可一旦存在一个恒为正的单边误差，分布就会被推向右偏。数据里加价分布的右偏程度越高，模型归给「市场势力」的部分就越大。而前面已经看到，这种右偏对小额交易尤其夸张——这恰恰预示了：小单里的市场势力更大。

模型用到的解释变量，作者在表 2 里逐一列出，既包括交易自身的特征（规模、是否被拆成小块卖出、是否经过其他交易商），也包括债券属性（评级、是否新券、是否可赎回、是否有保险等），还有市场状况（利率水平、该州债券的成交量与订单失衡等）。

Table 2: lists the independent variables we employ, with the details of

Table 2: lists the independent variables we employ, with the details of

4 模型：随机前沿如何「读」出议价能力

既然识别全压在函数形式上，就值得把这个模型一步步摆出来。

第一步，定义被解释变量。加价（Markup）被定义为转售价与买入价之差除以买入价，并在 0.5% 与 99.5% 分位处做了截尾，以压制极端值。把第 \(i\) 笔交易的加价记作 \(m_i\)。

第二步，写出加价的分解。随机前沿模型（其方法可追溯到 Aigner, Lovell & Schmidt, 1977）把 \(m_i\) 写成三项之和：

$$ m_i = \cssId{a1}{c(z_i;\beta)} \;+\; \cssId{a2}{v_i} \;+\; \cssId{a3}{u_i} $$

第三步，给两个误差项加上分布假设。对称项是常规的高斯噪声

$$ v_i \sim \mathcal{N}(0,\sigma_v^2), $$

单边项则取半正态形式（这是随机前沿模型的经典设定）：

$$ u_i = |w_i|, \qquad w_i \sim \mathcal{N}(0,\sigma_{u,i}^2),\qquad u_i \ge 0. $$

这里的关键、也是本文最聪明的一笔，在于让 \(u_i\) 的尺度 \(\sigma_{u,i}\) 本身依赖于可观测变量——比如交易规模、是否需要经过其他交易商、是否被拆块出售等。这样一来，市场势力就不再是一个常数，而是随交易类型变化的对象，可以被估出来、被比较。

第四步，理解识别的来源。把 \(v_i\)（对称）和 \(u_i\)（恒正、右偏）叠在一起，复合误差 \(v_i+u_i\) 的分布会带上一个右偏的尾巴。极大似然估计正是通过拟合这个条件偏度，把 \(\sigma_v\) 与 \(\sigma_{u,i}\) 分开：偏度越强的那些交易（小单），被判定的 \(u_i\) 越大。直觉上，模型在问一句话——「这笔加价高得对称吗？如果它系统性地偏高、偏右，那多出来的就是势力。」

Tip

这套「成本 = 前沿、超出部分 = 单边低效/势力」的思路，原本是生产经济学里用来度量企业生产无效率的工具。本文把「无效率」换成了「议价能力」，是一次很漂亮的跨界移植。也正因为它依赖函数形式，结论的稳健性最终要看这套假设是否可信——这一点作者自己也明说了。

5 数据

样本来自 MSRB（市政债规则制定委员会），覆盖 2000 年 5 月 1 日到 2004 年 1 月 10 日之间登记交易商的每一笔市政债交易——超过 26 million 笔，涉及超过 1 million 只债券、46,000 多个发行主体。这是个比典型微观结构样本时间更长、覆盖更全的库。

Warning

这些数据当年是带时滞才向公众披露的：起初，一天成交超过四次的债券滞后一天披露，其余滞后一个月。市场在样本期内是不透明的——这正是本文研究「机会」的来源，也是它区别于 TRACE 时代研究的地方。

观测单位是「成交」。但有个根本难题：数据不标识具体是哪家交易商，只标了交易是发生在交易商之间，还是交易商与客户之间。所以作者没法直接看到某个交易商的买入—卖出配对，只能间接地推断。做法是用先进先出（first-in-first-out, FIFO）规则把「从客户买入」与「随后卖给客户」配成一对。其中最严格的一档叫「即时配对（immediate matches）」：同一只债、同一面值，当天买入又当天卖出、中间无其他成交——这种配对当天不留库存，最干净。样本里这样的配对大约有 750,000 对。

聚焦在已发行满 90 天的「老券」上，是因为这时成交量已经稳定下来，从客户买入与卖给客户的量大致相等，作者因此能可靠地度量交易商作为一个整体在这些流量上的盈利。整个样本期里，老券中从客户买入的成交有 5,313,692 笔，作者用最宽口径能匹配上其中约 4.5 million 笔。作者强调，结论对配对方法并不敏感。

6 主要结果

把模型拿去拟合数据，结论落在三句话上。

第一，交易商的成本确实在变，而且变得有道理。 估计出的成本前沿，依赖于债券与市场的流动性度量、交易规模、利率环境，以及对这笔交易将如何被处理的预期。这部分是「合理」的中介补偿。

第二，也是最关键的反转——被归给议价能力的那部分平均利润，显著高于被归给真实中介成本的那部分。 也就是说，客户付出的往返成本里，大头不是交易商辛苦扛风险换来的，而是势力换来的。表 9 报告了结构模型的估计结果。

Table 9: reports the results of fitting the empirical model in Equations

Table 9: reports the results of fitting the empirical model in Equations

第三，市场势力在哪里最大？ 在小到中等规模的交易上最高——而这些交易，大概率来自不那么老练的散户。这一点与 Duffie, Gârleanu & Pedersen (2005) 关于场外市场（over-the-counter markets）的搜寻—议价理论严丝合缝：越不懂行、越缺乏外部选项的投资者，在谈判中越吃亏，面对的加价越高（关于这一类搜寻—议价定价的机制，可参见《价格里那道折扣，量的是「找不到买家」的时间》）。此外，当交易更可能需要「更深度的中介」时——比如要把单子转给其他交易商、或拆成更小的块去卖——交易商作为一个整体的市场势力也更高。

作为对照，本文的平均成本估计与 Harris & Piwowar (2006) 用完全不同方法得到的结果大致吻合，两边都指向同一个事实：小额交易比大额交易贵得多。Hong & Warga (2004) 也发现，小额零售交易的价差超过 2%。三条互相独立的证据，指向同一个方向。

7 文献脉络

这条线索其实是两股水流的交汇。

一股，是债券交易成本的实证研究。早期受限于「没有集中记录、价格信息被交易商捂着」，能做的人很少。Chakravarty & Sarkar (1999)、Hong & Warga (2000)、Schultz (2001) 是少数的例外，但他们用的多是代表大保险公司执行的那一小撮交易，能识别参与机构与买卖方向，再去估隐含价差。与本文最近的，是 Harris & Piwowar (2006)：他们同样用 MSRB 数据估市政债的交易成本，但目标是纯实证地刻画成本如何随债券特征变化，做法是为每只债拟合一个时间序列模型再叠加因子模型。本文则不同——它要用一个理论模型去追问：高成本里有多少是市场势力，势力又如何随交易特征变化。

另一股，是方法论的源头。把「观测值 = 前沿 + 对称噪声 + 单边偏离」写成似然去估，这套随机前沿方法来自 Aigner, Lovell & Schmidt (1977)，本是生产无效率的度量工具，后来被搬进金融学（如 IPO 抑价研究）。本文把「单边偏离」重新解释为「议价能力」，再嫁接到 Duffie, Gârleanu & Pedersen (2005) 的场外搜寻—议价理论上——理论给了它经济含义，方法给了它可估计性。

文献脉络时间线
文献脉络时间线（按发表年份排布；红色为本文）

本文恰好站在这两股水流的交汇处：它既是市政债交易成本实证的延续，又是结构化「市场势力度量」的一次开创。也正因如此，它和后来一系列关于透明度、做市商网络与市政债承销的研究遥相呼应（透明度这条线，可参见《掀开交易商的「桌布」：一场被监管钦定的公司债透明度实验》；市政债里「距离」如何影响成本，可参见《「距离已死」？可在市政债的承销桌上，离得近反而更便宜》）。

8 评论与延伸（Q&A + 研究方向）

（a）几个可能的疑问

Q：随机前沿模型里的「市场势力」，会不会其实只是被忽略的成本？

这是最该担心的一点，作者也承认识别依赖函数形式。如果某些真实成本（比如对个别小券的特殊库存风险）恰好也随交易变小而上升，它就可能被错判成「势力」。本文的防线是：被保险的 AAA 券近乎完美替代、信用风险被拉平，却仍有又高又偏的加价——这让「全是成本」的解释变得很勉强。但这不是滴水不漏的证明，而是一个有说服力的旁证。

Q：为什么不直接用「卖价 − 买价」的价差，非要上结构模型？

因为价差只是「成本 + 势力」的加总，描述性统计无法把两者拆开。结构模型的全部价值，就在于借助加价分布的条件偏度把恒正的单边项识别出来。代价是它对分布假设敏感——这是「能拆开」必须付的学费。

Q：识别既然靠偏度，那偏度本身会不会是配对误差造成的假象？

有可能。把两家不同交易商的买卖误配成一对，会污染加价的分布。作者用从「即时配对」到更宽口径的多档匹配规则做稳健性检验，并报告结论对配对方法不敏感——即时配对当天不留库存、面值与债券完全一致，被误配的概率很低（毕竟每只债日均成交只有约 2 笔）。

Q：「越大越便宜」真的反直觉吗？会不会只是大客户更会砍价？

「大客户更会砍价」恰恰就是本文模型的语言——大额交易对应更小的议价势力 \(u_i\)。所以这不是对模型的反驳，而是它的核心预测：势力不是常数，它随交易对手的老练程度系统性地变化。

Q：这套结论在今天（TRACE/实时披露之后）还成立吗？

本文研究的正是不透明时代。样本期结束后 MSRB 开始提供接近实时的盘后透明度，理论上比价成本下降、本地垄断势力应被削弱。所以本文更像是一张「透明度改革前」的基线快照——改革后的势力衰减幅度，本身就是一个值得估计的量。

Q：散户面对的高加价，能简单等同于「被剥削」吗？

不能太快下这个结论。模型度量的是势力，不是福利损失。要谈福利，还得算上交易商提供即时性、搜寻匹配买卖双方的真实价值。本文的贡献是把「势力」这个量从成本里干净地剥出来，至于这块势力对应多大的社会成本，是下一步的问题。

（b）几个可能的研究问题与提案

  1. 透明度改革的「势力衰减」估计。
  2. 【经济故事】MSRB 在样本期后逐步推向接近实时的盘后披露。如果本文的势力主要来自「比价成本高」，那么透明度提升应当系统性压缩单边项 \(u_i\)，且对小额、散户交易压缩最多。

  3. 【可行性】高。数据现成（MSRB 历史与现行数据可得），识别可用披露规则分阶段收紧的时点做事件研究/DiD，在同一随机前沿框架下比较改革前后的 \(\hat{u}_i\)。

  4. 把「势力」从公司债搬到信用市场，并与外资持有人交叉。

  5. 【经济故事】公司债同样是场外、分散市场。若交易商势力随对手老练程度变化，那么持有人结构（散户 vs. 机构 vs. 外资）应当系统性地预测加价。外资是否因信息劣势而被收取更高「过路费」？

  6. 【可行性】中。TRACE + 持有人数据（如保险公司 NAIC、基金持仓）可得；难点在于把成交配对到持有人类型，识别需谨慎处理选择偏差。

  7. 被保险 AAA 券作为「成本对照组」的纯净实验。

  8. 【经济故事】保险把信用风险拉平，使得保险与非保险的同类券之间，成本前沿差异被压缩，剩下的加价差异更接近纯势力。

  9. 【可行性】中高。在本文框架内，把「是否有保险」作为前沿与势力分别的协变量，比较两组 \(\hat{c}\) 与 \(\hat{u}\) 的相对大小，可直接检验「势力 vs. 成本」的归因。

  10. 做市商网络结构与势力的对应。

  11. 【经济故事】本文发现「需要更深度中介（转给其他交易商、拆块）」时整体势力更高。若能观测交易商身份与网络位置，就能检验：核心—边缘网络里的核心交易商，是否正是势力的主要攫取者？

  12. 【可行性】中。需要带交易商标识的数据（监管版 MSRB/TRACE）。一旦有标识，可把网络中心度作为势力的解释变量（这条线与《同样的交易商，不同的客户：核心—边缘网络是被「挑」出来的》直接相关）。

  13. 危机时期的势力反转。

  14. 【经济故事】平时大单便宜、小单贵；但在流动性危机里，扛大单的交易商承担巨大库存风险，前沿成本可能飙升、甚至反超势力。势力—成本的相对结构会不会在压力期翻转？
  15. 【可行性】中。需要覆盖 2008 或 2020 的市政/公司债成交数据，在随机前沿框架下做条件于市场状态的估计。

我的判断。 这篇论文最大的贡献，是把一个「监管者吵了几十年、却始终无法量化」的问题——成交成本里有多少是合理补偿、多少是市场势力——变成了一个可估计的对象，并给出了一个清晰且与场外搜寻理论自洽的答案：势力是大头，而且专挑小客户下手。它对「一刀切红线」式监管的批评也很有说服力：忽略中介成本差异的规则，注定只能抓到最极端的少数案例。

我对识别的主要担心仍是函数形式——「势力」是作为残差里那个恒正、右偏的单边项被识别出来的，任何随交易规模反向变化、又被模型遗漏的成本，都可能被误记到势力账上。被保险 AAA 券的旁证缓解了这层担忧，但没有消除它。我最想看到的后续，是把这套度量搬到透明度改革前后做一次干净的前后对照：如果势力真的来自不透明，那它应当随披露的到来而系统性地缩水，且小单缩得最多。这既能验证本文的机制，也能直接回答监管最关心的那个问题——透明度，到底替散户省下了多少钱。

参考文献