金融市場（進階）：價格如何被造出、被套利紀律釘死、被風險標價

同一張股票，為什麼此刻有兩個價格？

你打開券商 App，看到台積電（TSMC）的報價：最佳賣出（ask）925 元、最佳買進（bid）924 元。市場明明那麼有效率，為什麼同一瞬間、同一檔股票，會同時存在兩個不同的價格？這 1 元的差距是誰收走的？它又從哪裡來？

入門篇我們把金融市場想成一場「無聲拍賣」，把焦點放在股票、債券「是什麼」。但真正讓研究所學生著迷的，是市場底層那台運轉的機器：價格不是憑空浮現的均衡點，而是在一套精密的撮合規則、套利紀律與風險定價邏輯下，被一筆一筆造出來的。這篇進階篇假設你已經懂得剩餘請求權、股利折現與「利率升、債價跌」，我們要往下挖三層：價格是怎麼被造出來的（微結構）、價格必須滿足什麼鐵律（無套利），以及在不確定的世界裡，風險本身如何被標價（風險中性定價與利率期限結構）。

微結構：價格是被「造」出來的

入門篇談的均衡價格，彷彿市場是一個無摩擦的理想拍賣場。但真實市場有一層被稱為市場微結構（market microstructure）的機制在運作，它決定了「成交價」這件事的細節。

回到開頭那 1 元的買賣價差（bid-ask spread）。市場上有一種角色叫造市者（market maker）或流動性提供者，他們同時掛出買單與賣單，隨時準備跟你交易。你想立刻買進，就吃掉他的賣價；你想立刻賣出，就賣給他的買價。這個價差是他們承擔風險、提供即時流動性（immediacy）的報酬。

但價差不只是服務費。市場微結構理論的奠基者 Glosten 與 Milgrom 指出，價差裡藏著一個更深的成分——逆選擇成本（adverse selection cost）。造市者面對的交易對手中，有些是純粹要調節現金的「雜訊交易者」（noise trader），有些卻是握有內線或更佳資訊的「知情交易者」（informed trader）。造市者無法分辨眼前是誰，但他知道：會主動跟我買的人，可能正是知道股票要漲的人。為了不在每次跟知情交易者對作時都吃虧，他必須把這個預期損失，平均攤進對所有人的價差裡。

這給我們一個深刻的反直覺結論：買賣價差的寬窄，是市場資訊不對稱程度的溫度計。冷門小型股、財報前夕、突發消息時，價差會明顯放大——不是因為造市者貪心，而是因為他面對知情交易者的機率上升了。理解這一點，你就懂了為什麼「流動性」在金融危機時會突然蒸發：當人人都怕對手知道得比自己多，造市者乾脆把價差拉到天大或直接收手，市場就「凍住」了。

看一個例子

假設某股票的「真實價值」可能是高（110 元）或低（90 元），各半機率，目前期望值 100 元。市場上有 20% 機率你遇到的是知情交易者（他一定往對的方向交易），80% 是雜訊交易者（隨機）。

一位風險中立的造市者，該把賣價（ask）設在哪？當有人來「買」時，造市者要更新他對價值的判斷。用貝氏定理（Bayes' theorem）思考：「來買」這個動作，更可能來自知道是高價值的知情者。粗略計算，造市者在「收到買單」的條件下，對價值的期望會上修到 100 元以上——假設算出來是 102 元，他就把 ask 設在 102；對稱地把 bid 設在 98。

於是價差 = 4 元，完全由逆選擇驅動，即使造市者一毛錢手續費都不賺、零庫存成本，價差依然存在。這就是 Glosten–Milgrom 模型的核心洞見：價差可以純粹是資訊的影子。

無套利：金融學的「能量守恆」

如果說微結構決定價格的「肌理」，那麼無套利原則（no-arbitrage principle）就是約束所有價格的「物理定律」。它的地位，相當於物理學裡的能量守恆。

套利（arbitrage）指的是：不投入任何自有資金、不承擔任何風險，卻能穩賺不賠。無套利原則說：在一個運作正常的市場，這種「免費的午餐」不可能持續存在——只要出現，套利者會瞬間湧入、把它吃掉，價格隨即被拉回。因此均衡價格必須是「無套利價格」。

這條原則威力驚人，因為它讓我們不需要知道任何人的偏好或效用函數，就能推出價格之間必須滿足的關係。最乾淨的範例是拋補利率平價（covered interest parity）。

動手試試

假設台幣一年期利率 $i_{\text{TWD}} = 2\%$，美元一年期利率 $i_{\text{USD}} = 5\%$，即期匯率 $S = 32$（1 美元換 32 台幣）。一年期遠期匯率 $F$ 應該是多少？

考慮兩條把 1 元台幣放一年的路徑：

• 路徑甲（國內）：直接存台幣，一年後得 $1 \times (1 + i_{\text{TWD}}) = 1.02$ 台幣。
• 路徑乙（國外）：先換成美元 $\tfrac{1}{32}$，存美元一年得 $\tfrac{1}{32}\times(1.05)$，再用「今天就鎖定」的遠期匯率 $F$ 換回台幣。

兩條路徑都零匯率風險（路徑乙的匯率已用遠期鎖死），起點同樣是 1 台幣。無套利要求兩者終點相等：

$$ 1 + i_{\text{TWD}} = \frac{1}{S}\,(1 + i_{\text{USD}})\,F $$

解出遠期匯率：

$$ F = S \cdot \frac{1 + i_{\text{TWD}}}{1 + i_{\text{USD}}} = 32 \times \frac{1.02}{1.05} \approx 31.09 $$

注意這個結果：利率較高的貨幣（美元），其遠期匯率反而貶值（從 32 跌到約 31.09）。很多人直覺以為「高利率貨幣比較強」，但無套利告訴我們，遠期市場必須把利差「吐回去」，否則就會有人借低利貨幣、換高利貨幣套利。如果你觀察到的真實 $F$ 偏離 31.09，套利機器就會啟動，直到它被推回為止。

這就是無套利的美妙之處：我們沒問任何人「喜不喜歡風險」，純靠「不能有免費午餐」，就釘死了兩個市場之間的價格關係。同樣的邏輯也撐起了買賣權平價（put-call parity）與整個衍生性商品定價的大廈。

風險中性定價：把不確定性「折算」掉

入門篇用股利折現模型 $P = D_1 / (r - g)$ 替股票定價，分母裡的 $r$ 把「風險」和「時間」混在一起。進階的做法，是把這兩件事拆開——這就是風險中性定價（risk-neutral pricing）。

考慮一個最簡單的單期模型。某資產今天值 $S_0$，一年後只有兩種結果：上漲到 $S_u$ 或下跌到 $S_d$。無風險利率為 $r_f$。我們想替一個「在上漲時付 $f_u$、下跌時付 $f_d$」的衍生商品（例如選擇權）定價。

關鍵手法是：用「股票 + 借貸」複製（replicate）這個衍生商品的未來收益。既然兩者未來收益完全一樣，無套利就逼使它們今天的價格也一樣。推導後會得到一個漂亮的公式：

$$ f_0 = \frac{1}{1 + r_f}\Big[\, q \cdot f_u + (1 - q)\cdot f_d \,\Big], \quad q = \frac{(1 + r_f) - d}{u - d} $$

其中 $u = S_u/S_0$、$d = S_d/S_0$。這裡的 $q$ 被稱為風險中性機率（risk-neutral probability）。

請務必看懂這條公式有多反常識：定價過程裡，完全沒有出現股票真實上漲的機率，也沒有出現任何人對風險的厭惡程度。$q$ 不是真實機率，而是一個「假裝所有人都不在乎風險」的人造機率。在這個虛構世界裡，所有資產的期望報酬都等於無風險利率，於是我們可以用最簡單的方式——期望值除以 $(1+r_f)$——來折現。

這套思想（其嚴格版本是資產定價基本定理，Fundamental Theorem of Asset Pricing：「無套利」等價於「存在風險中性機率測度」）是 Black–Scholes 選擇權定價公式背後的引擎。它告訴我們：只要市場無套利，我們就能把混亂的風險偏好，巧妙地「藏」進一組調整過的機率裡，讓定價回到簡單的折現。

利率不是一個數字，而是一條曲線

入門篇談「利率是資金的價格」，用了一個單一的 $r$。但真實世界裡，借 3 個月、借 2 年、借 10 年的利率並不相同。把不同到期期限（maturity）對應的利率畫出來，就是殖利率曲線（yield curve），它背後的學問叫利率期限結構（term structure of interest rates）。

正常情況下，殖利率曲線向右上方傾斜：借越久、利率越高（補償長期的不確定性與流動性犧牲）。但偶爾，曲線會倒掛（inversion）——短期利率反而高於長期利率。為什麼這值得全世界財經版頭條關注？

預期假說（expectations hypothesis）給了一個解釋：長期利率約等於市場對「未來一連串短期利率」的平均預期。

$$ (1 + r_{0,2})^2 = (1 + r_{0,1})\,(1 + \mathbb{E}[r_{1,2}]) $$

左邊是現在借 2 年的總報酬，右邊是「先借 1 年、到期再借 1 年」的預期總報酬。無套利（近似地）要求兩者相當。把它解開，2 年期利率就是今年短率與市場預期明年短率的幾何平均。

於是，當殖利率曲線倒掛，等於市場在說：「我預期未來的短期利率會比現在低。」而央行通常在經濟走弱、需要降息救市時才會調降短率。換句話說，倒掛是市場對「央行即將被迫降息」的集體下注——這正是為什麼殖利率曲線倒掛，被視為最可靠的經濟衰退領先指標之一（美國過去數十年的衰退前，幾乎都出現過倒掛）。

當然，完整的期限結構還要加上期限溢酬（term premium，補償長期持有的風險）與流動性因素，預期假說只是第一層近似。但它已足以讓你看懂：一條曲線的形狀，濃縮了整個市場對未來貨幣政策與景氣的判斷。

系統性風險：當分散投資集體失靈

入門篇說「分散投資」能降低風險。進階篇必須補上一句殘酷的補充：在系統性危機中，分散投資會集體失靈。

平時，不同資產的相關係數（correlation）不高，把雞蛋放在不同籃子確實有效。但在金融危機時，會出現一種致命現象：所有資產的相關性趨近於 1。當市場崩盤，投資人不分青紅皂白地拋售一切換現金，連原本不相干的資產也一起下跌。你精心建構的「分散」組合，在最需要它的時候反而一起沉沒。

更深的機制是流動性螺旋（liquidity spiral，Brunnermeier 與 Pedersen 的理論）：資產價格下跌 → 持有者的抵押品價值縮水、被追繳保證金（margin call）→ 被迫賤賣資產 → 價格進一步下跌 → 更多人被追繳……一個自我強化的死亡迴圈。2008 年的全球金融海嘯，本質上就是這樣一場由「市場流動性」與「融資流動性」互相拖垮的螺旋。

這解釋了一個重要的政策觀念：金融市場的風險，不只是「每個個體會不會出錯」的個體審慎（microprudential）問題，更是「整個系統會不會連鎖崩潰」的總體審慎（macroprudential）問題。中央銀行在危機中扮演最後貸款人（lender of last resort），正是為了在流動性螺旋啟動時，注入現金、斬斷迴圈。理解這一層，你才能看懂為什麼「太大不能倒」（too big to fail）與系統性風險，是後 2008 年金融監理的核心關鍵字。

重點回顧

• 市場微結構告訴我們，價格與買賣價差是被造市機制「造」出來的；價差中的逆選擇成本（Glosten–Milgrom）使它成為資訊不對稱程度的溫度計，這也是危機中流動性蒸發的根源。
• 無套利原則是金融學的「守恆律」：不需知道任何人的偏好，僅憑「沒有免費午餐」就能釘死價格關係，如拋補利率平價 $F = S\,(1+i_{\text{本國}})/(1+i_{\text{外國}})$。
• 風險中性定價用複製組合與人造的風險中性機率 $q$，把風險偏好「藏」進機率裡，讓定價回到單純折現——這是衍生品定價（Black–Scholes）的引擎。
• 利率期限結構把單一利率展開成殖利率曲線；由預期假說，曲線倒掛反映市場預期央行將降息，是著名的衰退領先指標。
• 在系統性危機中，資產相關性趨近 1、分散投資失效；流動性螺旋會自我強化，這是總體審慎監理與最後貸款人制度存在的理由。

深入探討（研究所視角）

若要把這幾個主題推向研究前沿，以下幾條值得深掘。

隨機折現因子（SDF）統一框架。 整個資產定價可濃縮成一條優雅的方程：$p_t = \mathbb{E}_t[m_{t+1}\, x_{t+1}]$，其中 $x_{t+1}$ 是資產未來收益、$m_{t+1}$ 是隨機折現因子（stochastic discount factor，又稱定價核 pricing kernel）。入門的 CAPM、本文的風險中性定價、消費基礎資產定價（CCAPM）都只是 $m_{t+1}$ 取不同形式的特例。風險中性測度的存在，等價於存在一個正的 $m_{t+1}$，這正是資產定價基本定理的核心。研究所的資產定價課，大半是在研究「$m_{t+1}$ 長什麼樣」以及它為何難以同時解釋股權溢酬之謎（equity premium puzzle）與無風險利率之謎。

連續時間與隨機微積分。 把單期二元樹推到連續時間，價格被建模為幾何布朗運動 $dS = \mu S\,dt + \sigma S\,dW$，套利定價導出 Black–Scholes 偏微分方程。這需要 Itô 引理與測度變換（Girsanov 定理把真實測度 $\mathbb{P}$ 轉成風險中性測度 $\mathbb{Q}$）。理解「為什麼波動率 $\sigma$ 進得了定價公式、而漂移率 $\mu$ 卻消失了」，是金融工程的入門關卡——答案again是無套利：$\mu$ 已被複製組合對沖掉。

市場微結構的計量前沿。 從 Kyle（1985）的策略性知情交易模型，到用高頻 tick 資料估計「資訊內含交易機率」（PIN）、價格衝擊（price impact）與已實現波動率（realized volatility），微結構已是計量金融的活躍領域。近年更延伸到高頻交易（HFT）與做市演算法對市場品質的影響，以及「閃崩」（flash crash）的微觀成因。

跨領域連結與 Uedu 的視角。 金融市場是一個大規模、即時、帶誘因的資訊聚合系統——個體的私有訊號透過交易被匯總成價格。這與機制設計（mechanism design）中的「預測市場」、與機器學習中的「群體智慧」共享同一個深層問題：如何設計一套規則，讓分散、可能有偏、甚至有策略動機的個體訊號，匯聚成可靠的集體判斷？ 對 Uedu 的教育情境而言，這恰好呼應學習分析（learning analytics）的核心關切——從成千上萬學習者分散的行為訊號中，提煉出群體層級、可供教學決策的知識。把金融市場的「無套利」與「資訊聚合」框架借來思考教育數據的定價與整合，是一個尚待開拓、值得跨域研究者深思的方向。