私人信息为什么会限制诚实、自愿的双边交易？

判断归属：AI 候选，尚未经过用户确认。 原文模型与机制注明来源；下面的代数、计数和非对称上界另标为 AI 推导，仅在明确假设内成立。

Question

#

一笔交易能创造正的总收益，为什么参与者仍可能隐瞒信息，甚至必须放弃部分有利交易？机制设计先问：参与者知道什么、能报告什么、按什么规则获得什么，而后判断真实报告能否成为均衡。这是独立的经济问题。

Model-and-timing

#

采用Myerson 讲义 §3的单物品例子。卖方拥有物品，估值 $s$ 为 0 或 80；买方估值 $v$ 为 20 或 100。类型相互独立，各取两值的概率均为一半。效用对金钱线性，成交价格 $p$ 时卖方收益为 $p-s$，买方为 $v-p$。

可信中介预先承诺执行规则，双方各自保密提交报告，没有一方在报告前得知对方报告。买方支付交给卖方，无外部补贴，不交易时没有支付；本解释进一步要求真实报告所诱导的每次成交双方都不受损，即 $s\le p\le v$；参与者可以拒绝亏损交易。这个约束不表示中介能观察真实估值并约束每种虚报结果；它是对诚实结果的逐次成交自愿约束，强于只按某个信息阶段考察期望收益的参与约束。

如果双方真实类型已知，$(0,20)$、$(0,100)$、$(80,100)$ 三种组合均有正交易收益；$(80,20)$ 的收益为负。完全信息下总交易概率为 $3/4$，预期总增益为 $(20+100+20)/4=35$。但中介看到的是报告，不能直接假定报告等于类型。

Why-midpoint-fails

#

原文 §3.1 讨论按报告中点成交。真实卖方 $s=0$ 若诚实报告，遇两种买方类型时分别得到 10 和 50，期望收益为 30；若报告 $s=80$，遇 $v=20$ 不成交，遇 $v=100$ 则得到 90，期望为 45。单方偏离有利，所以“报真值、按中点成交”不是诚实均衡。

失效原因不是交易本身没有价值，而是规则奖励了误报。判断激励相容需要比较同一真实类型在诚实与各种偏离下的收益，不能只计算所有人诚实时的总增益。

A-truthful-randomized-rule

#

§3.2–3.3 给出下列对称家族，表内按报告执行；$q$ 是成交概率，价格是成交条件下的价格，没有成交则零支付。以下限定 $0\le q\le1$、$0\le y\le20$。

低估值卖方（真实 $s=0$）诚实报告的期望收益为 $0.5qy+25$，谎报为 80 则为 $0.5q(100-y)$。诚实至少不差的条件是

高估值买方（真实 $v=100$）的约束与之对称。真实 $s=80$ 的卖方与 $v=20$ 的买方，在这个家族中诚实收益非负，误报不会获得正改进。提高 $y$ 会放宽前一约束，但成交自愿要求 $y\le20$，故家族最大 $q$ 在 $y=20$ 时为 $5/6$。

**AI 算术复核：**取 $y=20$、$q=5/6$，三个正增益组合的成交概率分别为 $5/6$、$1$、$5/6$，总交易概率为

有利却未成交的无条件概率是 $3/4-2/3=1/12$；条件于交易本来有利，漏单率是 $(1/12)/(3/4)=1/9$。预期总增益为 $100/3$，相较完全信息的 35 损失 $5/3$。这些是模型内计算，不是市场数据。

Equilibrium-boundary

#

这里的诚实是贝叶斯弱均衡：在独立类型的先验和对方诚实的条件下，单方谎报的期望收益不更高；它没有保证严格更差，更没有保证对每个对方类型都占优。当 $y=20$、$q=5/6$ 时，低估值卖方诚实与谎报的期望收益都为 $100/3$，高估值买方也有对应等收益。

p.10 脚注 3 强调分别私下报告。若真实 $s=0$ 的卖方在报告前已知道买方是 $v=100$，诚实收益为 50，而谎报 80 的期望收益为 $(5/6)\times80=200/3$，偏离重新变得有利。公开报告、提前透露类型或改变参与时点，都需要重算均衡。

Asymmetric-upper-bound

#

以下为 AI 独立推导，不冒充原文定理复证。 在前述独立等概率、风险中性、无外部补贴、不交易零支付、真实报告下每次成交自愿的条件下，即使不要求对称，也有相同上界。

令 $a,b,c$ 分别为报告组合 $(0,20)$、$(0,100)$、$(80,100)$ 的成交概率；此处 $b$ 是概率符号，不是买方估值。$(80,20)$ 因逐次自愿和无补贴不能成交。令 $A,B,C$ 为相应组合的期望支付，已把不交易时的零支付计入。自愿性给出 $A\le20a$、$C\ge80c$。

低估值卖方的贝叶斯诚实约束（双方期望均乘二）为 $A+B\ge C$。高估值买方的约束为

第一式给 $B\ge C-A$；代入第二式得到

所以总成交概率及总增益分别满足

上面的对称规则达到两个上界，因此在这组更强的逐次自愿条件内，损失不是强加对称性才产生的。没有借此证明原文 interim IR 的所有机制范围，也没有读取或复证 1983 年 Myerson–Satterthwaite 的一般定理。

Boundaries

#

外部补贴、强制参与、关联类型、不同分布、风险厌恶、声誉收益、重复交互与不同报告时序都可能改变可行集合。这里没有“任何私人信息都会阻止全部交易”的结论；例子只精确展示为什么必须把信息与激励纳入可实现性分析。

Links

#

• 组织入口：信息与激励地图先沿经济问题、报告规则、偏离比较、参与和预算约束阅读。
• 问题结构类比：声誉进入共识中的评分可验证仍需另问误报是否有利；要定义参与者效用、报告对象、信息时序、检测和惩罚。金钱不能直接替换成声誉，本交易模型没有裁定 rPoA 激励相容或安全。
• 模型边界区别：协同缓存与学习的团队目标优化没有覆盖私人目标与报告激励；现有笔记未给私人类型和支付，尚无两模型的等价性。
• 开放检验：应用评价与保证保留如何形式化评分效用及逐类型偏离的问题；Web3 地图仅把激励建模作为补充前置，协议安全仍需自己的证明。