一、MD2C平台下的RfQ流程建模与因果框架 [page::0][page::2][page::4]

• 引入因果图模型解析RfQ流程中的关键变量及其相互依赖，涵盖请求、报价、竞争对手价格、客户异质性、信息不对称与成交结果等环节。

- 因果推断技术可用于形式化干预分析，如调价、客户呼叫等策略的效果评估，具有去偏和反事实推理能力。

• 重点处理混杂变量的影响，如债券特征、客户特征和市场波动率，确保因果效应的准确识别。

二、重点因果干预问题及模型公式解析 [page::6][page::7][page::9]

• 最优定价通过最大化报价半价与“成交概率”乘积的期望收益函数构建，涉及因果操作符do()明确区分历史观测与动作干预分布。

- 成交概率(hit probability)模型需满足“回门准则(back-door criterion)”，最小条件集包含市场波动率、RfQ特征、债券特征和客户特征，避免混淆变量影响。

• 进一步引入交易风险和多RfQ动态优化，参考Avellaneda-Stoikov模型，实现风险-收益平衡的定价策略。

三、关键业务模型详述：收益潜力与axe客户匹配 [page::10][page::11][page::12]

• 收益潜力（利润大于零概率）拆解成成交概率和成交后收益概率，利用正态分布模拟中价变化，考虑信息不对称对盈亏的影响。

- axe matcher通过度量客户被叫访（call）干预对促成成交的平均因果效应，辅助精准客户筛选，提升商业资源利用效率。

• 拆解模型结构，确认两项概率估计可分别条件独立建模，背靠贝叶斯定理和协同过滤等技术辅助冷启动和稀疏矩阵问题。

四、生成型与判别型模型对比及实证验证 [page::17][page::24][page::25]

• 生成模型基于Poisson、SEP分布等结构，直接刻画交易机制和参数，支持复杂后验推断；判别模型包括逻辑回归和LightGBM，侧重预测准确性。

- 评估使用BBVA欧洲政府债券RfQ数据，样本逾10万条，命中数约5700，采用AUC-ROC和BBSS两项指标全面评价性能。

• LightGBM ROC最高但校准较差，逻辑回归次之；生成模型保持较优平衡，校准最佳，体现内嵌结构合理性的价值。

- LightGBM存在成交概率估计非单调异常，生成模型及逻辑回归保证概率单调递减，符合经济理论预期。

五、结论与未来展望 [page::26][page::27]

• 因果图模型为MD2C报价交易流程的理解和干预提供了科学工具，支持最优定价、收益预估和客户推荐等实际应用。

- 生成模型优于纯判别模型的校准性能，强调结合领域知识与经济假设的重要性。

• 未来方向包括交叉机构验证、提升判别模型的结构合规性、融合多RfQ风险控制与动态调价的因果-控制框架拓展。

金融研究报告深度分析报告

报告标题：

Causal Interventions in Bond Multi-Dealer-to-Client Platforms

作者与机构：

• Paloma Marín（BBVA Corporate & Investment Banking，西班牙；Navarra大学数据科学与人工智能研究所）

- Sergio Ardanza-Trevijano（Navarra大学数据科学与人工智能研究所）

• Javier Sabio（BBVA Corporate & Investment Banking，西班牙）

报告发布背景与主题：

本报告由BBVA与Navarra大学联合发布，聚焦固定收益市场中多经销商-客户（MD2C）电子交易平台的因果干预分析，特别以欧洲政府债券（EGB）为样本，探讨在竞价请求（Request-for-Quote，RfQ）流程中，如何通过因果推断和概率图模型辅助做出更优定价和商业决策。报告结合严谨的概率图模型与因果推断方法，比较生成式与判别式模型在MD2C场景下的表现和适用性。

---

一、报告概览

本报告核心论点在于建立一套基于因果图模型和因果推断的通用框架，以分析和优化MD2C平台内的竞价请求流程（RfQ）。作者通过构建因果图模型，覆盖交易各阶段关键变量（客户特征、债券特征、价格报价、成交结果及隐藏变量等），围绕三大业务问题进行干预分析：

1. 优化定价策略以最大化期望收益；

2. 估计特定定价策略下的收益可能性；

1. 客户与交易“axe”的匹配（axe指经销商希望买卖的预先持仓）。

基于此框架，文章分别采用基于经济机制的生成模型与基于机器学习的判别模型进行建模和性能评估。数据来源为BBVA欧洲政府债券的专有历史成交记录。

报告重点强调，在面对复杂的竞价环境与信息不对称时，因果推断框架有助于避免传统机器学习方法中常见的混杂偏差，获得更稳健的商业洞察和决策依据。

---

二、逐章深度解读

1. 引言与背景

金融市场数字化推动交易渠道从语音转向电子平台。股票市场相对标准的委托簿机制并不适用于债券市场，因债券种类繁多流动性分散。于是，MD2C平台通过RfQ机制允许客户同时询价多个经销商，提升流动性和成交机会。

MD2C竞价环境中，经销商无法直接观察竞争对手报价，只能通过有限信息如成交结果和“cover price”推断。他们面临两个难点：（1）在不知竞争对手报价的情况下优化定价；（2）从历史数据识别具有潜在交易意向的客户以指导商业活动。

此背景下，报告提出利用概率图模型明确建模竞价交易的因果关系，结合因果推断方法，精确估计不同策略的影响，提升经销商利润与操作效率。

2. RfQ过程的因果图模型

报告构建了详尽的因果图（图1），节点划分为可观测和潜变量：

• 主要节点说明：

- RfQ：是否有报价请求，带有特征（时间、买卖方向、交易量、竞争经销商数等）；
- Axe：经销商想促成交易的持仓方向影响报价和客户行为；
- Call：销售主动联系客户的商业干预信号；
- CF（客户特征）、BF（债券特征）：反映客户类型、债券基本面和流动性信息；
- IA（信息不对称）：客户可能掌握短期市场资讯，影响成交及收益；
- PD（价格发现）：客户仅寻找市场参考价，无实质交易意图；
- $\delta$（dealer报价）, $\delta{dealer}$（竞争报价），$\delta{res}$（客户预期价差）；
- RS（RfQ状态）：成交（hit）、错失（missed）、放弃（passed）等状态划分；
- R（收益）：包括即期收益，回合收益，短期以及日终收益，衡量交易盈利性。

模型捕捉报价、成交决策和收益产生的复杂因果关系，并明确后续分析中的混杂因素和潜变量影响，为干预分析提供基础。

3. 因果干预在MD2C竞价中的应用

报告阐述价格设置等商业决策作为因果干预，通过Do算子处理，区别于传统关联性分析。

• 最优定价：

目标是选择半价差$\delta$使得期望收益最大化，核心路径为击中概率模型$f(\delta)$（成交概率随报价的函数），优化条件依赖于因果图中的混杂变量。

• 混杂因素控制：

仅利用历史条件概率$P(hit|\delta)$估计会带偏，必须匹配包括波动率$\sigma$、客户特征$CF$、债券特征$BF$和竞价特征$RF$的集合以满足back-door准则，从而实现因果效果识别。

• 引入风险偏好：

构建带风险厌恶参数$\gamma$的效用最大化模型，因果视角下价差调整含风险权衡。

• 多次RfQ策略：

引入多轮报价和库存风险考虑，将典型市场做市商模型（Avellaneda-Stoikov）纳入因果框架，价格优化关联未来市场动态和客户交互。

• 收益潜力估计与axe匹配：

通过因果干预分析报价和商业电话(call)对成交概率的影响，计算uplift模型和ACE（平均因果效应）用于客户精准营销和库存清理。

4. 因果定性分析与估计条件

详细检验因果图中的路径，明确哪些变量需纳入调整集合满足back-door准则以避免偏差，得出以下关键结论：

• 击中概率模型需调整波动率$\sigma$、客户特征$CF$、债券特征$BF$、竞价特征$RF$，同时排除收益$R$避免额外混杂。

- 收益模型中，信息不对称$IA$和价格漂移$\mu$为关键潜变量，估计需要对其进行积分或隐含处理。

• 客户商业干预（Call）的uplift估计通过控制axe变量，利用观察数据直接估计，无需额外调整。

5. 模型构建方法

• 生成模型：基于因果图结构全概率建模，采用经典分布（泊松过程模拟RfQ到达，正态分布拟合预期价差，偏指数幂分布拟合竞争者价差）模拟报价与交易过程，参数用最大似然估计（MLE）。该模型能体现价格单调性及结合后期成交信息，适合全面因果分析。

- 判别模型：直接拟合条件分布，多用机器学习技术（如逻辑回归、LightGBM等），更侧重预测性能和扩展性，但容易忽视经济约束如单调性。

6. 生成模型与判别模型性能比较

使用BBVA专有的欧洲政府债券交易数据（超过10万次RfQ，约5千成交），以以下指标评估模型表现：

• 预测指标：

- ROC-AUC（分类区分度）
- Balanced Brier Skill Score（BBSS，概率预测校准度）

• 结果一览表：

|模型|ROC-AUC|BBSS|
|-|-|-|
|生成模型|0.742|0.238|
|逻辑回归|0.684|0.446|
|LightGBM|0.743|0.406|
|多数类基准|0.5|0|

• 分析：

- LightGBM略优于生成模型的ROC-AUC，但BBSS明显不及生成模型，说明生成模型概率输出更校准、更可信。
- 逻辑回归虽符合单调性，但性能最差。
- 生成模型通过内嵌经济机制有效限制输出，提升模型解释力和实际应用中的决策依据。

• 图形解读：

- 图2展示了其他四家竞争经销商报价的分布与模型拟合相符，验证了偏指数幂分布的适用性。
- 图3显示生成模型在不同概率桶中的校准优于其他模型。
- 图4 ROC曲线确认生成模型与LightGBM性能接近，优于逻辑回归。
- 图5展示LightGBM在某RFQ条件下定价与成交概率的非单调行为，可能导致决策失败。

7. 结论与未来展望

本文提出的以因果推断和概率图模型为核心的通用框架，成功揭示了MD2C交易中竞争机制、客户异质性和价格策略的因果结构。通过基于BBVA专有数据的实证研究，证明了结合经济结构假设的生成模型在保持预测性能同时，显著提升了概率预测的可靠性和解释能力。

未来研究方向包括：

• 引入更多后交易信息（如cover价格）提升判别模型表现，促进生成与判别模型间的融合

- 跨机构数据验证框架的鲁棒性和泛化能力

• 深度探索多次RfQ优化与库存风险管理的动态因果模型

- 加强商业干预（如call推广）效果的因果估计与客户分类

---

三、图表详解

图1（第2页）—— RfQ过程因果图模型

• 展示了Md2C平台交易内所有关键变量间的因果关系。

- 实心（阴影）节点为可观测变量，如报价、成交状态；空白节点为潜变量，如客户保留价差、信息不对称状态。

• 箭头表示因果方向，合成反映报价、成交及收益等多层因果路径。

- 这一结构有助于因果推断中的变量调整与路径隔离策略制定。

图2（第18页）—— 竞争对手报价分布拟合

• 柱状图为实测cover价格频率分布，曲线为模型预测的最大报价分布。

- 良好拟合验证了生成模型中对竞争者报价采用的偏指数幂分布假设，强调基于结构化经济假设的建模可靠性。

图3（第24页）—— 校准曲线比较

• X轴为预测概率bucket，左Y轴为该bucket内实际交易百分比（绿色柱状），右Y轴为请求次数（蓝色柱状）。红色对角线为理想校准参考线。

- 生成模型的预测概率接近对角线，表明概率输出较好校准。逻辑回归和LightGBM则偏离明显，LightGBM尤为明显。

• 校准优劣直接影响基于概率决策制定的准确性。

图4（第25页）—— ROC曲线

• 显示三模型在不同阈值下的真阳性率与假阳性率权衡。

- 生成模型与LightGBM相近，均优于逻辑回归，证明结构模型在保持经济合理性的同时，不牺牲分类性能。

图5（第25页）—— 击中概率对价差的函数关系示例

• X轴为报价标准化价差，Y轴为成交概率。

- 逻辑回归与生成模型曲线单调递减，符合经济逻辑；LightGBM表现出明显的非单调、跳跃，可能导致模型在极端报价时决策不合理。

---

四、估值及风险分析

本报告主要聚焦交易定价与成交概率优化，隐含的估值分析体现在最优价差选择中，即权衡成交概率与报价利润的期望收益最大化。考虑风险厌恶引入效用函数，将交易收益转化为效用，从而估价策略兼顾风险与回报。多RfQ环境下，库存风险需纳入估价模型，以反映持仓对未来潜在订单和价格的影响，结合随机控制理论进一步优化。

风险因素主要包括：

• 信息不对称风险（客户掌握非公开市场信息，导致经销商承受价格漂移风险）；

- 流动性不足风险（债券市场碎片化，交易成本高）；

• 模型缺陷风险（混杂未完全控制，观测不全特征带来的估计偏误）；

- 商业行为风险（客户响应不确定性，商业推广效果无法完全预测）。

报告通过因果图明晰混杂源，提高估计精度，并提出通过商业干预模型（Axe matcher）有效分配资源，缓释商业推广风险。

---

五、审慎视角与细节点评

• 报告充分强调了在复杂交易环境下混杂因素对实证模型的影响，运用因果推断方法系统地揭示了传统关联分析的缺陷及可能导致的偏误，这一点相当前沿且有实际意义。

- 生成模型依赖严格假设和指定分布，可能受限于模型设定的准确性和计算成本，尤其在参数估计和积分计算上存在复杂性，实际推广应用需要权衡。

• 判别模型虽灵活、易扩展，但忽视经济合理性导致在极端报价区间预测异常跳跃，提示未来结合结构和机器学习模型的混合方法是重要方向。

- 信息不对称变量IA为潜变量，估计依赖于隐变量模型和集成方法，仍有较高不确定性，需要结合市场流动性和特定客户数据进一步验证。

• 数据仅限于BBVA特定客户和产品，且以欧洲政府债券为标的，模型泛化能力及不同市场结构下的表现需跨机构、多市场验证。

- 商业干预类模型依赖客户交互的详细记录（如call日志），该类数据业内普遍稀缺，是后续探索因果推断在商业推广中的瓶颈。

---

六、结论性综合

本报告建立了一个细致且科学的因果分析框架，结合概率图模型深刻揭示了多经销商请求报价过程中的竞价、成交及收益形成机制。通过控制混杂因素，报告清晰界定了有效估计因果影响所需的最小条件变量集合，为交易策略优化提供了理论支持。

两类建模策略的对比实证表明，生成模型在兼顾经济逻辑、概率校准和实际预测性能上表现卓越，尤其适用于因果干预所需的结构清晰推断，判别模型虽具灵活性，但存在重要经济约束违背的风险。

多维实证和理论探索支持，MD2C平台的定价与客户管理策略应纳入因果影响评价，避免仅凭历史相关性制定策略，从而提高交易效率和收益稳定性。

报告的框架和方法不仅适用于债券交易，也适合广泛的金融产品多对多竞价情境，构建了金融市场微观结构因果推断的理论基石。未来研究拟聚焦业务实践的升级拓展、泛化验证和多期动态风险调整，推动因果经济学在实务中的应用深化。

---

附：重要方程整理

• 优化价差公式（单次交易，期望收益最大化）：

$$
\delta{opt} = -\frac{f(\delta{opt})}{f'(\delta{opt})}
$$
其中$f(\delta)$为因果hit概率函数。

• 整合风险厌恶的定价：

$$
\delta{opt} = \frac{1}{\gamma v} \log \left(1 - \gamma v \frac{f(\delta{opt})}{f'(\delta{opt})}\right)
$$

• 多期Avellaneda-Stoikov定价特例：

$$
\delta{opt} = \gamma \sigma^2 (T-t) \left(s q + \frac{v}{2}\right) + \frac{1}{\gamma v}\log \left(1 - \gamma v \frac{f(\delta{opt})}{f'(\delta{opt})}\right)
$$

• 商业推广的平均因果效应（ACE）：

$$
ACE = P(hit|do(\delta), RfQ, CF, BF, \mathcal{Z}t) \times \left( P(RfQ|do(call=1), axe=1, CF, BF, \mathcal{Z}t) - P(RfQ|do(call=0), axe=1, CF, BF, \mathcal{Z}t) \right)
$$

---

关键词解释

• MD2C（Multi-Dealer-to-Client）平台： 多个证券经销商面向机构客户提供报价请求和交易的电子平台。

- RfQ（Request-for-Quote）： 机构客户询问多个交易商报价的请求。

• 因果推断（Causal Inference）： 研究如何从观察数据中识别并估计变量之间因果关系的统计方法。

- Do算子（do-operator）： Pearl提出的一种因果推断数学工具，用于模拟外部干预对变量的直接影响。

• 生成模型（Generative Model）： 模拟数据生成过程的概率模型，可计算联合概率分布。

- 判别模型（Discriminative Model）： 直接建模条件概率，通过输入预测输出。

• Hit概率模型： 给定价格报价，成交（赢得订单）的概率模型。

---

参考图片（部分）

生成的部分图片可通过markdown展示：

• 图1因果图模型：

• 图2竞争者报价分布拟合图：

• 图3模型校准曲线：

• 图4模型ROC曲线：

• 图5报价-击中概率曲线：

---

总结

本报告内容丰富、理论严谨，将现代统计因果推断与金融微观结构交易机制深度融合，提出了针对固定收益市场多经销商电子报价流程的创新建模方法和定价优化理论。生成模型与判别模型的对比实验凸显了结构化因果模型在金融应用中的价值，弥补了传统机器学习技术的不足，为金融机构在风险控制、销售管理和算法交易中提供了开创性工具和思路，极具学术与实务双重贡献。

[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27]

报告