MFIN7049 模块 3 复习

主题鸟瞰

这一讲把前两讲的“给定折现率做估值”推进成“折现率和价格本身从哪里来”。

6 句顶层逻辑

第一条线：风险为什么要补偿

如果投资者 risk-averse，同样期望收益的 risky payoff 不如 certainty payoff 值钱，所以价格必须打折，对应未来 expected return 要更高。这个逻辑先在 certainty equivalent 里出现，再在 Grossman-Miller 和 BLW 里被模型化。

第二条线：价格不仅清算，还聚合信息

二级市场的社会角色不是“让人买卖股票”这么简单，而是把分散在不同投资者手里的信息变成一个 price signal。价格如果能吸收信息，就会反过来影响 uninformed agents 的需求。

为什么这一讲承前启后

模块 2 里你已经会用 fair return 折现；模块 3 进一步解释 fair return 的来源，也解释为什么 secondary market 对实体融资和资源配置真的重要。

考试最爱考什么

高频并不是“背定义”，而是比较：adaptive vs rational expectations、WE vs REE、fully revealing vs noisy price，以及信号进入 posterior variance 后为什么会压低 risk premium。

你最容易卡在哪

一是把 expected return、risk-free rate 和 risk premium 混在一起；二是知道 price contains information，但说不清 price 是如何被 agents 反过来用来更新 belief 的。

一句话抓住这讲

风险溢价来自风险厌恶，价格发现来自信息分散，二者一起决定“价格不只是数字，而是风险和信息的压缩表达”。

核心概念

以下 8 组概念按“定义 / 直觉 / 考试问法 / 易错点”展开。模块 3 的重点是把机制说完整，而不是只记结论。

详细概念展开 8 组

1. Risk Aversion vs Risk Neutrality

定义风险厌恶意味着面对同一期望 payoff，投资者更偏好确定收益；在效用层面对应 U'' < 0，即效用函数凹。

直觉坏状态下的一块钱比好状态下的一块钱更“值钱”，因为 marginal utility 在低消费状态更高。

考试问法常见问法是“为什么 risky asset 必须提供 premium 才有人持有”或“为什么 certainty equivalent 低于 expected payoff”。

易错点把 risk aversion 理解成“不买风险资产”。正确理解是：可以买，但要以更低价格买，也就是要求更高 expected return。

2. Certainty Equivalent vs Risk Premium

定义CE 是让投资者在效用上与随机 payoff 无差异的确定值；RP = E(x~) - CE(x~) 是为了承担风险而要求的补偿。

直觉你不是把 risky payoff 当成它的均值来看，而是先扣掉“风险折扣”，留下 certainty equivalent 再去折现。

考试问法常见于“先 remove risk，再用 Rf discount”的解释题，或者问 risk aversion 上升时 CE、price、premium 如何变。

易错点把 risk premium 当成纯 return 概念。课程里它既可能以 value 形式出现，也可能以 log return 形式出现。

3. Grossman-Miller Price Decomposition

定义在 Grossman-Miller 模型里，风险资产价格可写成“expected payoff 的折现值减去 risk discount”。风险折扣和供给、风险厌恶、方差都正相关。

直觉风险资产供给越多，市场必须吸收的 aggregate risk 越大；若投资者越怕风险或 payoff 越波动，价格就必须更低。

考试问法会让你解释价格为什么受 expected payoff、variance、risk aversion、supply 和 Rf 共同影响。

易错点只记“price decreases with variance”，但忘记这是一般 equilibrium 结果，不是机械公式；经济含义是持有风险需要补偿。

4. Expected Return vs Risk-Free Rate vs Risk Premium

定义Expected return 是风险资产的平均回报；Rf 是确定回报；risk premium 是二者差额，或者在讲义里用 log return 表达成 ln E(R~) - ln Rf。

直觉风险资产的 expected return 高，不是因为它“更好”，而是因为它更难持有。

考试问法会让你在 BLW 模型中分别求 E(R~)、Rf 和 premium，并解释 signal 出现后哪个环节变了。

易错点只会算一个数，不会分解。要先问：这是 conditional expectation 变了，还是 conditional variance 变了，还是两者都变了？

5. Adaptive Expectations vs Rational Expectations

定义adaptive expectations 主要靠过去数据慢慢修正；rational expectations 用所有可得信息形成 optimal forecast。

直觉金融市场里信息更新快、激励强，所以“只看过去”通常过慢；人们会立刻把新政策、新数据和新消息映射进预期。

考试问法常见题型是比较两者在政策 regime 改变或新闻冲击到来时，谁更快调整预期。

易错点把 rational expectations 误解成“永远预测正确”。正确说法是：给定 available information，它是最优预测，但仍然会有不可预见误差。

6. Walrasian Equilibrium vs Rational Expectations Equilibrium

定义WE 里 agents 把 price 只当预算约束的一部分；REE 里 agents 还会把 price 当作信息载体，用来反推别人掌握的 private signal。

直觉如果 informed trader 的 signal 会影响价格，那么 uninformed trader 看到价格后就不应该继续像“什么都不知道”那样下单。

考试问法常考“为什么 WE 在信息不对称下不够好”和“REE 比 WE 多考虑了什么”。

易错点以为两者只差一个名词。关键差别不在 market clearing，而在 uninformed 是否从价格学习。

7. Fully Revealing REE vs Noisy REE

定义无噪音时，价格可能 fully reveal informed signal；引入随机供给或 noise trader 后，价格同时反映 information shock 和 noise shock，于是变成 noisy REE。

直觉如果价格完全透明，uninformed 就能免费搭车，Grossman-Stiglitz 式的信息采集激励会出问题；noise 让价格不再完全说真话。

考试问法常见问法是“为什么要引入 noise”以及“noisy REE 如何缓解 free-riding / GS paradox”。

易错点把 noise 理解成“模型瑕疵”。这里的 noise 是必要机制，它让 informed 和 uninformed 的表现重新拉开。

8. Price Discovery vs Trend-Chasing

定义price discovery 是价格吸收分散信息的过程；但现实中 uninformed agents 面对不完全可识别的价格信号时，可能出现“买涨卖跌”的追价行为。

直觉价格上涨既可能是真消息，也可能只是噪音或流动性冲击。若你分不清，价格本身就会影响你的 demand。

考试问法会问“为什么金融资产需求曲线可能向上倾斜”或“为什么 uninformed 在 noisy price 下会顺着价格走”。

易错点用普通微观需求曲线直觉硬套金融市场。资产需求不一定向下斜，因为 price 本身带信息。

必会公式 / 推导

只保留这讲最常用的公式链。真正要会的是“每个式子在讲什么”。

核心公式链

风险厌恶与 certainty equivalent

Risk aversion:
U''(x) < 0

Certainty equivalent:
U(CE(x~)) = E[U(x~)]

Risk premium in value:
RP = E(x~) - CE(x~)

要点：CE < E(x~) 不是算术技巧，而是对风险的折扣。

Grossman-Miller 价格与 expected return

x~ ~ N(μ, σ²)

p = [μ - (y/n) α σ²] / Rf

E(R~) = μ / p
       = Rf + [y α σ² / (n p)]

结构解释：μ 拉高价格，σ²、α、y 压低价格，从而抬高 expected return。

BLW 无信号时

ln R~ = r~ ~ N(μ, σ²)
utility parameter: η < 1

E(R~) = exp(μ + 0.5σ²)

Rf = E(R~^η) / E(R~^(η-1))
ln Rf = μ + 0.5(2η - 1)σ²

Risk premium in log return:
ln E(R~) - ln Rf = (1 - η)σ²

结论：风险越大、风险厌恶越强，premium 越高。

BLW 加信号后

Signal:
θ~ = r~ + e~,  e~ ~ N(0, σ²_θ)

Posterior mean:
m(θ) = E[r~ | θ]
     = μ + β(θ - μ)
β = σ² / (σ² + σ²_θ)

Posterior variance:
v = Var(r~ | θ)
  = σ²σ²_θ / (σ² + σ²_θ)

Conditional expected gross return:
E(R~ | θ) = exp(m(θ) + 0.5v)

Conditional risk-free rate:
ln R_f(θ) = m(θ) + 0.5(2η - 1)v

Conditional risk premium:
ln E(R~ | θ) - ln R_f(θ) = (1 - η)v

关键信息：signal 通过降低 posterior variance v 来压低 premium。

信息模型中的 posterior 与 demand

Dividend signal:
s = d + ε
β_s = σ² / (σ² + σ²_ε)

E(d | s) = d̄ + β_s(s - d̄)
Var(d | s) = σ²σ²_ε / (σ² + σ²_ε)

Uninformed demand in WE:
x_U(p) = [d̄ - (1+r)p] / (ασ²)

Informed demand:
x_I(p) = [E(d|s) - (1+r)p] / [α Var(d|s)]

先验、posterior、demand 三步必须能连起来。

REE 的识别点

REE:
agents condition on private signal + price

WE:
agents condition on private signal only

Noisy REE:
price = information component + noise component

考试里往往不用你把 noisy REE 全推完，但一定要会解释 price 为什么不再 fully revealing。

1 道完整例题

下面这道题是 HW2 Q2 的压缩同构版，核心是“加 signal 后，posterior mean 和 posterior variance 同时变化，但 premium 只吃 variance”。

作业同构题

题目设定

设 ln R~ = r~ ~ N(μ, σ²)，其中 μ = 0.02、σ² = 0.04。投资者有参数 η = 0.7。现在投资者额外观察到信号 θ~ = r~ + e~，其中 e~ ~ N(0, 0.04)，并在本次 realizations 中看到 θ = 0.10。求 E(R~ | θ)、R_f(θ) 和 risk premium。

第 1 步：先做 Bayes 更新

先验方差和 signal noise variance 相同，所以

β = 0.04 / (0.04 + 0.04) = 0.5

m(θ) = 0.02 + 0.5(0.10 - 0.02)
     = 0.06

v = 0.04 × 0.04 / (0.04 + 0.04)
  = 0.02

解释：看见一个偏高的 signal 后，posterior mean 上调；同时因为多拿到了一条信息，posterior variance 从 0.04 降到 0.02。

第 2 步：算 conditional expected gross return

E(R~ | θ) = exp(m + 0.5v)
          = exp(0.06 + 0.01)
          = exp(0.07)
          ≈ 1.0725

这里 0.5v 来自 lognormal 的均值修正项，不要漏掉。

第 3 步：算 conditional risk-free rate

ln R_f(θ) = m + 0.5(2η - 1)v
         = 0.06 + 0.5(1.4 - 1) × 0.02
         = 0.06 + 0.004
         = 0.064

R_f(θ) = exp(0.064) ≈ 1.0661

风险厌恶通过 (1 - η) 进入 premium。η 越低，risk-free rate 就越被往下压。

第 4 步：算 risk premium，并与无信号情形比较

Conditional premium in log return:
ln E(R~ | θ) - ln R_f(θ)
= 0.07 - 0.064
= 0.006

No signal premium:
(1 - η)σ² = 0.3 × 0.04 = 0.012

比较结果：加 signal 后 premium 从 0.012 降到 0.006。原因不是投资者突然不怕风险了，而是信息让风险从“不可分辨”变成“更可分辨”，即 posterior variance 降低。

互动题组

先自己答，再展开答案。建议直接在纸上写出关键词，不要只在脑子里过一遍。

3 判断 + 1 填空 + 1 小算题 + 1 迁移题

判断题 1：若市场满足 rational expectations，就代表价格永远等于真实基本面，没有预测误差。

答案：错。

Rational expectations 的意思是“给定全部可得信息，预测是最优的”，不是“永远无误”。仍然会有不可预见的新冲击。

判断题 2：在信息不对称模型中，WE 的关键缺陷是 uninformed agents 没有利用价格去反推 informed agents 的信息。

答案：对。

这正是 REE 相比 WE 增加的核心：price 不仅进 budget constraint，也进 belief updating。

判断题 3：加入噪音后，价格一定更没有用，所以 noisy REE 只是更差的均衡概念。

答案：错。

噪音让价格不再 fully revealing，但也正因为如此，信息采集才重新有价值，uninformed 才不能完全免费搭车。noisy REE 更贴近现实，也缓解了信息市场的悖论。

推导填空：若 θ~ = r~ + e~，且 r~ ~ N(μ, σ²)、e~ ~ N(0, σ²_θ)，则 posterior mean 和 posterior variance 分别为？

E[r~ | θ] = μ + [σ² / (σ² + σ²_θ)](θ - μ)

Var(r~ | θ) = σ²σ²_θ / (σ² + σ²_θ)

先把权重 β = σ² / (σ² + σ²_θ) 单独写出来，后面更不容易错。

小算题：设无信号情形下 η = 0.6、σ² = 0.09。求 ln E(R~) - ln Rf。

Risk premium = (1 - η)σ²
             = 0.4 × 0.09
             = 0.036

这题最常见错误是把 η 直接当 risk premium 系数，而不是先做 1 - η。

迁移题：如果 signal 变得更精准，也就是 σ²_θ 下降，会先影响 posterior mean、posterior variance、还是两者都影响？risk premium 会怎样变？

答案：两者都受影响，但考试最重要的是看到 posterior variance 明确下降。

σ²_θ 下降时，权重 β 上升，posterior mean 对 signal 更敏感；同时 v = σ²σ²_θ/(σ² + σ²_θ) 下降。由于 premium 取决于 (1 - η)v，所以 risk premium 下降。

Hard Mode：更接近作业的高阶题

这组题开始把信息更新、风险补偿和均衡概念压在同一题里。作答时不要只给结论，至少写一句“变的是 mean、variance，还是 price aggregation 机制”。

Assignment-level

H1. 若 signal realization 很高，但 signal precision 很差，价格一定会大幅上升吗？

答案：不一定。

高 realization 只会通过 posterior mean 推高价格，但如果 precision 很差，则权重很低，posterior mean 上调有限；同时 posterior variance 下降也有限，所以 risk premium 压缩也有限。作业风格常用“好信号”三个字诱导你忽略 precision。

H2. 若从 WE 切换到 REE，但 fundamentals 与私有信号分布完全不变，uninformed trader 的 demand 一定不变吗？

答案：不一定，通常会变。

因为在 REE 中，价格本身会进入 belief updating。即便 primitives 没变，uninformed trader 对 payoff 的 posterior belief 会因价格含义改变而改变，因此最优 demand 也会变。

H3. 设两个制度下 prior variance 相同，但制度 A 有更多信息使 posterior variance 更低。若题目同时问 E(R~)、Rf 和 premium 哪个方向最稳，如何答？

答案：premium 更稳妥地下降，E(R~) 和 Rf 则还取决于 posterior mean 如何变。

因为在课程模型里 premium 直接吃的是 posterior variance；而 expected risky return 与 risk-free rate 还会一起受到 posterior mean 的影响。高阶题常故意让 mean 和 variance 同时变，逼你分开看。

即时反馈与错因

做完互动题后，先定位自己是卡在“概念层”还是“推导层”。

诊断模板

如果判断题错得多

大概率卡在 概念边界。重点回看 adaptive vs rational expectations、WE vs REE、fully revealing vs noisy，不要只记名词。

如果公式会背但填空写不完整

大概率卡在 变量映射。先把 prior mean、signal noise、posterior variance 三层写清，再代入回报公式。

如果计算方向对但最后数字错

大概率卡在 lognormal 修正项，尤其是漏掉 0.5v 或把 0.5(2η-1)v 算错。

如果会算但不会解释经济含义

大概率卡在 经济直觉。你要能说出：“signal 的作用不是直接让风险偏好变了，而是让 uncertainty 下降，所以 required compensation 下降。”

下轮连接

信息为什么能进价格，下一步就会变成：信息不对称为什么会改变融资合同的形状。

Bridge to Module 4

模块 4 会从这里直接进入 adverse selection、equity vs debt under asymmetric information、asset substitution 和 debt overhang。换句话说，模块 3 讲“市场如何处理信息”，模块 4 讲“融资合同如何被信息摩擦扭曲”。

风险定价、预期与价格发现