你去柜台换一件商品，店员只能看到经过模糊处理的需求信号，却必须按你的真实数量成交。报价若忠实反映那份模糊信号，店员就可能在真实成交上亏钱。这篇预印本研究的正是这种错位：隐私机制保护了订单，也可能让交易者获得一笔由做市商承担的“隐私补贴”。
作者 Yuki Nakamura 把隐私保护、价格的信息效率和做市商盈亏放进同一套市场微观结构框架。市场微观结构研究订单、报价与交易规则如何共同形成价格和交易成本。论文的核心判断很鲜明，但前提也很严格：做市商只能根据被严格粗化的订单流信号定价，同时还要按更精细的真实订单流结算。
本文所有结果均来自同一篇 arXiv 预印本，尚无独立信源交叉验证。结论应理解为模型内的机制分析，而非现实交易所已经测得的普遍规律。
关键不是“隐藏订单”，而是定价与结算看见了不同东西
订单流（order flow）就是买卖指令的方向、规模和到达过程。做市商通常借它判断交易者是否掌握私人信息。隐私型交易所则可能加入噪声、聚合订单，或用加密机制隐藏个体行为，让原本不同的订单看起来相同。
论文抓住了一个关键分离：做市商按粗化后的信号报价，系统却按真实净订单流完成结算。换句话说，报价依据是一张打了马赛克的账单，最后付款依据却是原始账单。
作者假设做市商采用后验均值定价（posterior-mean pricing）：看到信号后，更新对资产真实价值的判断，再按条件均值报价。在竞争性、风险中性的标准模型里，这通常被视为“信息有效”的价格。但问题在于，价格只对粗信号有效，做市商承担的成交头寸却包含粗信号没有揭示的信息。
论文据此提出一般性的不可能结论：只要信号确实比已结算订单流更粗，并满足文中规定的正协方差条件，做市商若坚持后验均值定价，就会把一笔可计算的福利转移让给交易者。作者称它为 privacy subsidy，即“隐私补贴”。反过来，任何只依赖粗信号的报价规则，都无法同时做到信息有效，并对真实结算流保持零利润。
这里的“必然”不能脱离条件。它不是说所有带隐私功能的交易所都会补贴用户。若系统定价和结算面对的是同一个经过扰动的数量，就不存在论文所说的信号—结算缺口，补贴也不会由这套机制自动出现。
三种经典市场，都出现同一道裂缝
论文把一般结论放进三个经典模型，并分别给出闭式刻画——也就是可以直接写成参数函数的解。
第一个是 single-period Kyle 模型。Kyle 模型把知情交易者、噪声交易者和做市商放在一起，用来解释订单流如何泄露私人信息并形成价格冲击。论文在做市商观察值中加入 Gaussian flow noise，也就是服从高斯分布的订单流隐私噪声；真实流照常结算。结果是，隐私越强，知情交易者越容易藏在噪声里，普通噪声交易者的预期损失也下降，成本则落在做市商身上。小噪声区间内，补贴按噪声尺度的二阶增长：噪声翻倍，领先阶成本约变为四倍；噪声很大时，增长逐渐接近线性。
第二个是 Glosten–Milgrom 模型。它把交易简化为买或卖两个方向。隐私通道以一定概率翻转做市商看到的方向，但成交仍按交易者的真实方向执行。信号越模糊，买卖价差越窄，做市商在真实方向上的损失越大。论文得到的补贴随翻转概率线性增加。知情与非知情交易者都受益，做市商承担全部毛成本。
第三个是 continuous-time Kyle–Back 模型，它把一次交易扩展成连续时间中的交易路径，并以 Brownian channel——由布朗运动驱动的连续噪声通道——遮蔽订单流。补贴在整个交易期内不断累积。论文还发现，只要时间平均噪声方差不变，把隐私噪声提前或推后投放都不会降低累计补贴。
三种模型的共同点不是具体噪声形式，而是同一条结构裂缝：做市商被要求对模糊信息作出有效报价，却要为更精细的成交结果负责。
“补贴”不是凭空增加的社会福利
这个名字容易让人误解。论文中的隐私补贴首先是一笔转移：交易者多得的，正是流动性层少得的。它不是社会净福利凭空增加，也不是协议免费提供隐私。
交易所可以征收 break-even fee——恰好弥补做市商损失的盈亏平衡费用——把转移收回来。如果交易量完全不变，这只是重新分配，整体福利并未减少。但费用会让一部分原本值得发生的交易消失，于是产生 deadweight loss，即无法由任何一方收回的无谓损失。
在论文明确设定的交易配置价值、线性需求和小噪声近似下，毛隐私补贴为噪声尺度的二阶：
收费导致的无谓损失则为四阶：
因此，在噪声很小时，补贴虽然可见，真正不可回收的社会损失却低一个量级。作者称隐私机制在领先阶上“福利中性”。这句话的准确含义是：二阶部分主要是交易者与做市商之间的转移；它不代表任何隐私强度都几乎没有社会成本。
它为何让人想到 AMM 的 LVR
论文把隐私补贴与 Loss-Versus-Rebalancing（LVR）联系起来。LVR 是自动做市商沿既定曲线报价时，相对及时再平衡所让渡的价值。两者发生在不同市场，不能直接比较金额，但结构相似：福利损失率都能拆成“噪声驱动项的平方”乘以“承诺对象因子”。
LVR 中，被承诺的是 AMM 曲线；隐私补贴中，被承诺的是只能依粗信号行动的定价规则。这个对应关系给协议设计提供了一个直观的偿付标准：累计费用收入至少要覆盖累计补贴，否则流动性层无法盈亏平衡。
隐私强度也可以成为协议参数
论文最后让协议自行选择噪声尺度。协议一边获得 differential privacy（差分隐私）的收益——它用一个可量化的隐私预算约束单笔数据对输出的影响——一边承担收费抑制交易造成的无谓损失。在作者采用的高隐私校准和领先阶近似下，两者的权衡产生一个有闭式解的内部最优噪声水平。
内生选择隐私后，Kyle 模型中的一个关系仍然保留：price impact（订单推动价格变化的幅度）与 informed intensity（知情交易的活跃程度）的乘积不变，两者仍互为消长。但价格冲击相对资产波动率的弹性，不再必然等于教科书基准中的 1，而会取决于协议如何回应隐私收益、交易需求等基础参数。论文同时指出，在其 CARA 风险厌恶交易者设定下，这种弹性放大可能消失，重新回到基准值。
为什么值得关注
这项工作的价值，不是证明某个现实协议已经“多付了多少钱”，而是给交易所设计加了一本以前容易漏掉的账。保护订单隐私时，工程讨论常聚焦加密、聚合与信息泄露；论文提醒我们，还要问价格根据什么形成、流动性提供者最终结算什么。
如果两者不是同一个对象，隐私就不只是技术属性，也会改变交易者与做市商之间的利益分配。费用可以修复做市商账面亏损，却会反过来改变交易量。于是设计问题不再是单纯地“隐私越强越好”，而是如何在信息效率、隐私、流动性偿付能力与真实交易需求之间找平衡。
局限与未知
- 论文把密码学层视为黑箱，没有验证这种“按粗信号定价、按真实订单结算”的分离能否以可接受成本在具体协议中实现。
- 四阶无谓损失与领先阶福利中性依赖小噪声渐近分析、特定交易价值和需求设定，不是无条件的实证结论。
- 材料未提供实证样本、现实协议测算或同行评审信息。三个经典模型中的闭式结果说明机制可能成立，不能直接给出现实市场中的补贴规模。