宾夕法尼亚大学 Goldstein、香港科技大学 Xiong 和多伦多大学 Yang 三位学者，将经典的 Kyle (1985) 知情交易模型拓展为一个信息共享博弈：在投资者进行交易之前，他们可以选择是否把自己掌握的私有信息分享给对方。文章讨论的问题非常简洁：谁会分享？分享给谁？结果如何？

模型设定参与者分三类：

模型设定时间线分三步：t=0 决定是否共享信息 → t=1 所有人下单，做市商定价 → t=2 资产真实价值揭晓，结算利润, 这里包含一个现象:

在交易开始之前，H 和 L 可以选择把自己的私有信息告诉对方。但为什么要这么做？分享信息，意味着对方知道你知道什么——他会据此调整交易策略，你的信息优势就缩水了。所以，理性投资者分享信息必然有所图。到底图什么？本文用逆向归纳法（backward induction）求解：先算出在每种信息共享组合下，t=1 的交易均衡是什么，再倒推 t=0 谁有动力选择共享。四种组合分别是：

看矩阵可以直接推出：H 的占优策略是”不共享”——无论 L 怎么选，H 保密总是比分享好。而在 H 不共享的前提下，L 选择共享比不共享利润更高。因此唯一均衡是 L 共享、H 保密。

但这里有个问题：为什么 L 分享信息之后，利润反而变高了？H 拿着 L 的信息，不应该去对付 L 吗？假设 L 已经把信号 ỹ 共享给了 H。H 现在同时知道 ṽ（真实价值）和 ỹ（L 的信号）。H 会怎么利用 ỹ？文章根据 H 的最优下单量公式，做出分解：

第①项”预测基本面”很好理解：拿到 ỹ 后，H 可以用它来判断 ṽ，从而顺着 L 的方向交易。但注意——在基准模型里，H 已经完全知道 ṽ，ỹ 对他预测基本面毫无增量价值。所以第①项实际上在基准模型里等于零，是无效的。

第②项”对抗误差”才是关键。H 同时知道 ṽ 和 ỹ，他可以用两者相减，直接反推出 L 的误差 ẽ = ỹ − ṽ。这等于 H 知道了 L 有多少下单是被噪音带偏的。

结论：L 主动共享信息，是为了”雇用”H 来帮自己对冲噪音订单。H 反向交易 L 的误差，压缩了 L 的价格冲击，让 L 能以更好的价格、更大的规模交易。L 的利润因此净增加。

如果不好理解,类比下：想象 L 是个散户，他的买单里有 30% 是被情绪带偏的。他把信号公开，H 就知道哪 30% 是错的，于是每次 L 因情绪多买时，H 就在旁边卖。表面上 H 在”对付”L，但实际上 H 的卖单把市场价格拉回来了——L 反而因此避免了以过高的价格成交。

H 为什么不愿意共享？如果 H 把真实价值 ṽ 告诉 L，L 就和 H 一样完全知情了——两个完全知情的投资者在市场里激烈竞争，结果是两败俱伤，利润被大幅压缩。

H 的占优策略：永远不共享。信息是 H 的护城河，共享等于主动拆墙。对 H 而言，”预测基本面效应”是主导效应——共享只有坏处没有好处。

但本文最违反直觉的结论是：H 额外获得了信息，但利润净减少了。为什么呢?

H 拿着更多信息，却活在更恶劣的市场环境里。L 的激进交易和随之而来的价格收陡，让 H 的处境比信息共享之前更差。

H 的困境在于他缺乏承诺能力（commitment problem）：信息一旦到手，事后不用是非理性的——H 当然会用。但”用”这个动作本身，触发了 L 的激进交易和做市商的收陡定价，最终让 H 的整体处境变差。H 想说”我不听”，但说了也没人信，因为信息到手之后，H 就没有理由不用。

三、市场结构的变化

把以上推演汇总，信息共享均衡（L 共享，H 不共享）与无信息共享基准相比，市场发生了什么变化, 测算结果为:

L 增加的利润（32.7%）大于 H 减少的利润（4.1%），投资者总体净收益 2.6%。信息共享是一个”L 赚大头，H 受损但损失有限”的重新分配过程。

基于不同的博弈情景,博弈结果不同:

• EXT.1

  H 也不完全知情——两者均有噪音时，更精确的投资者（H 角色）仍不共享，信息仍从精度更低的一方流向精度更高的一方。触发条件：两者精度差距需满足 ρ₁ ≥ 2(1+ρ₂)，即 H 的精度至少是 L 的两倍以上才触发共享。

• EXT.2

  事后信息共享——允许观察到信号之后再决定是否分享（现实中更常见）。结论不变：L 在所有信号实现值下都有激励共享；”双方沉默”甚至无法成为任何均衡——总有人被迫说话。

• EXT.3

  H 能否承诺不听？——引入多个 H 后，即使”集体沉默”对所有 H 都更好，每个 H 也有单独偏离的激励（收到信息后用掉更划算）。超过 3 个 H 时，”全部承诺不用”不成立，这是协调博弈中的囚徒困境。

• EXT.4

  多个 L 和 H——当 L 很多但 H 很少时，L 之间信息泄露顾虑压倒对抗误差效应，信息共享减少。但若 L 的信号含有大量共同噪音（如市场情绪），多个 L 形成协同，集体共享、对抗共同误差的均衡可以成立。

• EXT.5

  公开信息（做市商也能看到）——只要 H 解读共享信息的能力优于做市商（专业机构 vs 市场撮合方），L 仍愿意公开分享。L 的信息精度越高（噪音越少），获益越少，越不愿分享。

• EXT.6

  内生信息获取——信息共享让 L 利润增加，有钱了就能采购更多信息；但同时”对抗误差效应”让 L 即使信息差也能获利，减弱了 L 的信息采购激励。两力相抵，净效应取决于信息成本与噪声交易波动之比 c/σᵤ。

• 再比如一些博弈现象: 

• SumZero 是仅对专业买方开放的投资社区，成员可发布详细的投资报告。实证数据显示：非顶尖高校毕业、管理规模较小的基金经理更倾向于在 SumZero 上分享投资建议（Crawford et al., 2017）。这与论文预测完全吻合：信息较差的投资者（L 角色）更愿意公开想法，诱导信息更好的对手（H 角色）帮助对冲噪音下单。投资会议的路演也是同一逻辑：被公开推介的标的往往不是基金最好的持仓——真正的”好主意”没有分享的激励，拿出来说的通常是”好但不是最好的”信息。

这是一种非常成熟、反直觉的权力运用方式。它要求你足够清醒地知道：你的错误会被怎么利用，利用的方向是否反而对你有利。

• 你在公开分享的投资观点，可能正在被更精明的对手用来预判你的错误操作，并从中套利——这不是阴谋，这是纳什均衡的必然结果。
• 信息的”质量”与信息的”可见度”在金融市场天然负相关：真正高质量私有信息的持有者没有分享的激励，市场上流通的永远是次等信息。
• 市场效率的提升，不一定来自”最知情者说真话”，而可能来自”不够知情者暴露自己的噪音”，让聪明钱帮助纠偏——这是一种意外的市场自我修正机制。

• 参考文献: Goldstein · Xiong · Yang / 2024SSRN Working PaperKyle Model Extension