量子漫步替换了 Kyle 模型的高斯先验
Kyle 模型描述一个单资产、单次拍卖的市场，包含三类参与者：知道资产未来价格 z 的知情交易者，订单 u 服从高斯分布的噪声交易者，以及平均利润为零、按 p(y) = E[z | y] 清算订单的风险中性做市商，其中 y 是总订单量。在高斯假设下均衡是线性的，即 p(y) = p0 + lambda*y，lambda 就是衡量价格冲击的 Kyle lambda。
这篇论文保留上述结构，但改变了未来价格的生成方式。未来价格不再服从高斯分布，而是与一条直线上随机漫步者的位置绑定，节点用 j 编号，每个节点对应一个可能的未来价格 z_j = p0 + s*j。作者研究了两个版本：经典随机漫步，t 步后位于节点 j 的概率服从二项分布；以及连续时间量子漫步，其概率为贝塞尔函数的平方 J_j^2(t)。
经典漫步下策略线性、定价规则呈逻辑斯蒂形态
在经典随机漫步下，作者用带 Anderson 加速的不动点迭代器数值求解均衡，t 取 1 到 23，噪声方差 Sigma_u = 1，步长 s = 0.1。知情交易者的策略 x*(z) 关于 z 是线性的，对每个绘制的 t 做线性回归拟合，R^2 均高于 0.996。
做市商的定价规则在 y = 0 附近是线性的，但在 |y| 较大时趋于平缓，最终达到 Delta p*(y) = s*t，即模型中 z 能达到的最小值和最大值。t 从 2 到 23 时 Kyle lambda 呈次线性增长，可描述为 lambda(t) 约等于 0.0514*t^0.491 + 0.00167；t = 1 是异常值，约为 0.0100。知情交易者每轮平均利润同样呈次线性增长，按 t^0.69 缩放。
量子漫步带来聚簇订单与跳跃式价格
在连续时间量子漫步设定下，知情交易者的均衡策略形成若干明显聚簇，簇与簇之间存在很大间隙，做市商的清算价格也出现对应的跳跃。作者指出，这一清算价格与他们解析迭代得到的价格相似，其中价格冲击 dp/dy 等于 (s^2 / 2*lambda*Sigma_u) 乘以 Var(j | y)，也就是说，当做市商对资产未来价值的信心较低时价格冲击最大。
因此量子均衡是高度非线性的，与经典情形下知情交易者策略呈线性形成对比。作者还报告，在此设定下 Kyle lambda 随 t 线性增长，可描述为 lambda(t) 约等于 0.0517*t - 0.00905，R^2 约为 0.9999，他们将其归因于弹道输运与扩散输运之间的差异。
利润增长比策略形态更能区分两种机制
尽管均衡变得越来越非线性，量子设定下知情交易者每轮平均利润仍随 t 线性增长，拟合结果约为 0.0407*t + 0.0159，R^2 约为 0.9999。在经典设定下，同一量按 t^0.69 增长。论文讨论将此视为关键差异：量子设定下 Kyle lambda 随 t 的增长比经典设定（lambda 正比于 t^0.491）快一个二次方量级（lambda 正比于 t）。
这两个结果回答的是不同问题。Kyle lambda 衡量 y = 0 附近单位订单流带来的价格冲击，而每轮平均利润衡量知情交易者在 200,000 轮模拟中的实际收益。比较两种机制的读者应同时跟踪这两个量，因为量子设定让它们朝同一方向变化，但背后的机制不同。
量子均衡靠数值收敛而非闭式解确定
作者先尝试解析迭代，假设线性定价规则 p(y) = p0 + lambda*y 和知情订单 x(z) = (z - p0)/2*lambda，然后更新定价规则。他们表明这一方法会变得难以处理，于是转向数值方法。经典情形使用不动点迭代器，订单流网格从 -30 到 +30、步长 0.01，初始定价规则由 tanh 项构成，Anderson 加速取 m = 10、beta = 1.0。
量子情形更敏感：收敛质量高度依赖输入超参数，因此作者先运行基于 Optuna 的调参流程，共 100 次试验，用来选择离散化、初始定价规则、Anderson 参数以及终值上界 M，再把最优超参数输入不动点迭代器。此设定下他们取 Delta j = 1，并保持 Sigma_u = 1、s = 0.1。
该比较仅在 t 从 1 到 23 时成立
两种机制的结果都报告在 t 从 1 到 23 的范围内。作者指出，在量子机制下算法无法在较大的 t 上识别出均衡，因此把量子结果限制在该范围，并对经典情形施加相同范围以便两者可比。量子计算还把未来价格集合截断为有限窗口 {z_j}，从 -M 到 M，其选取标准是使求和概率在 t 从 1 到 23 的每个取值上都超过 1 - 10^-8，因为迭代器在 M 较大时无法收敛。
论文将其贡献描述为首次在量子设定下考虑金融内幕信息，并把量子均衡作为数值结果而非闭式解呈现。Kyle lambda 和利润的线性与次线性增长拟合，是对该有限时间范围内计算所得均衡的回归描述，而不是超出该范围的推断。
同时跟踪 Kyle lambda 与利润增长
这篇论文中最具决策意义的分野不是抽象的经典与量子之别，而是读者跟踪的是哪个量。如果问题是 y = 0 附近单位订单流带来多大价格冲击，量子漫步大致把增长指数翻倍，从约 t^0.491 变为约 t。如果问题是知情交易者每轮赚多少，量子漫步把缩放关系从约 t^0.69 变为约 t，同时均衡本身变得聚簇且跳跃。
因此，评估量子动力学是否对知情交易有影响的读者，应分别在 Kyle lambda 和每轮平均利润上比较两种机制，并且应把这两项比较都视为仅在 t 从 1 到 23 这一实际识别出数值均衡的窗口内有效。
本文引用的文献
Informed Trading model with quantum walks
用连续时间量子漫步而非经典随机漫步来建模资产未来价值，会使 Kyle 模型的均衡高度非线性，知情交易者订单聚簇、定价跳跃，同时 Kyle lambda 随 t 线性增长，知情交易者每轮平均利润也线性增长而非按 t^0.69 增长。