adverse-selection-prior

逆向选择先验

目录

• 示例
• 工作流
• 常见模式
• 防护措施
• 快速参考

示例

场景：我们收到一份幻想体育交易提议。对手（归类为 active 原型）用一名明星击球手（对方一侧）换我们两名中档击球手（我方一侧）。表面上看，这笔交易大致公平——我们的自有预测模型认为这笔交易对我们有 +3% 的 EV。

输入：

• offer_type：trade
• proposer_archetype：active
• offer_symmetry_score：72（看起来公平，对我们略有利）
• proposer_info_asymmetry：55（中等——我们没有他们可能掌握的终结者消息，但也没有公开的重大消息）

步骤 1 —— 按提议类型设定基础先验：

• 收到的交易提议基础先验 = 0.40（低于 50%，因为是他们主动提出的）。

步骤 2 —— 对称性调整：

• offer_symmetry_score = 72 > 70 的阈值 -> +0.07。
• 当前先验：0.47。

步骤 3 —— 信息不对称调整：

• proposer_info_asymmetry = 55（低于 60 的阈值，但并非微不足道） -> -0.05。
• 当前先验：0.42。

步骤 4 —— 原型调整：

• active 原型 -> 他们在提出交易前做过分析 -> -0.05。
• 最终 prior_ev_probability：0.37。

步骤 5 —— 建议的调整（EV 折减）：

• 先验为 0.37（中性值为 0.50）。映射为乘法折减系数。
• recommended_adjustment = 0.88（对我们自己的预测应用 12% 的 EV 折减）。
• 我们的模型给出 +3% 的 EV；折减后：1.03 x 0.88 = 0.907 -> 实际预期收益为负 9.3%。

步骤 6 —— 贝叶斯推理： “这份提议由活跃交易者提出。他们可以提出任意交易，也可以不交易，但他们选择了这笔交易——这是对他们有利的 +EV 的有力证据。表面对称性（72）有所抵消，但中等程度的信息不对称（55）和善于分析的原型使先验降至 0.37。应用 12% 的 EV 折减。我们 +3% 的预测调整后变为 -9%；低于接受阈值。”

步骤 7 —— 覆盖提示：

• “如果终结者消息在过去 48h 内公布，而我们尚未查看新闻源，那么信息不对称程度实际上为 85+；请以 asymmetry=85 重新运行（先验降至约 0.22）。”
• “如果我们能独立确认这名明星击球手没有未公开的伤病或停赛情况，那么对称性实际上为 80+；请以 symmetry=85 重新运行（先验升至约 0.44）。”
• “如果这是一个重复博弈伙伴，我们已与其合作 5+ 次，且他们从未提出过 -EV 交易，那么其原型实际上会转向 'good-faith'，基础先验上调 +0.05。”

输出约定：

{
  "prior_ev_probability": 0.37,
  "recommended_adjustment": 0.88,
  "bayesian_rationale": "Active trader selected this offer from all possible offers they could have made -- strong signal it is +EV for them. Surface symmetry (72) partially offsets, but moderate info asymmetry (55) and analytical archetype push prior below 0.40.",
  "override_hints": [
    "If closer/injury news broke in last 48h, asymmetry jumps to 85+; re-run.",
    "If we can independently confirm the star has no hidden issue, symmetry rises to 85; re-run.",
    "If repeated-game partner with cooperation history, base prior rises by +0.05."
  ]
}

工作流

复制此清单并跟踪进度：

Adverse Selection Prior Progress:
- [ ] Step 1: Identify offer_type and set base prior
- [ ] Step 2: Collect proposer_archetype from opponent classifier
- [ ] Step 3: Score offer_symmetry (0-100) from surface analysis
- [ ] Step 4: Score proposer_info_asymmetry (0-100)
- [ ] Step 5: Apply adjustments to produce prior_ev_probability
- [ ] Step 6: Convert prior to recommended_adjustment (multiplicative haircut)
- [ ] Step 7: Write bayesian_rationale and override_hints
- [ ] Step 8: Validate against rubric

步骤 1：识别提议类型并设定基础先验

对收到的提议进行分类。不同提议类型的基础先验不同，因为对手受到的选择压力各不相同。基础先验表请参阅 resources/template.md。

• trade -> 基础先验 0.40（主动选择；由他们撰写提议）
• waiver_claim_dropped_by_other -> 基础先验 0.42（他们选择放弃该球员；其选择性弱于交易）
• free_agent_pickup_available -> 基础先验 0.48（无人认领；可能只是没人注意到，逆向选择较弱）
• counter_offer -> 基础先验 0.38（他们拒绝了我们的首次提议并拟定反提议——选择性更强）
• generic -> 基础先验 0.40（上下文未知）

步骤 2：收集提议方原型

从对手分类器中读取对手原型（如果可用），或自行估算。完整调整表请参阅 resources/methodology.md。

• active -> 在出价前已进行分析 -> archetype_delta = -0.05
• expert -> 选择压力最强 -> archetype_delta = -0.08
• dormant -> 可能未深入分析便点击 -> archetype_delta = +0.08
• frustrated -> 情况复杂（恐慌抛售还是暗中筹划） -> archetype_delta = 0.0（但标记出来，逐案审查）
• unknown -> 中性 -> archetype_delta = 0.0

步骤 3：评估报价对称性

使用我们自己的估值模型，计算 offer_symmetry_score（0-100），衡量从表面上看报价有多公平。

• 0-30：明显有利于对方（较少见；通常带有掠夺性）
• 30-70：不对称，但尚属合理
• 70-100：表面上看公平或略微有利于我们
• 应用调整：如果 offer_symmetry_score > 70，则加上 +0.05 到 +0.10（分数高于 85 时取较高值）
• 如果 offer_symmetry_score < 30（且仍未明显带有掠夺性），标记为“好得令人难以置信”——进行调查

步骤 4：评估提议方的信息不对称性

估算 proposer_info_asymmetry（0-100）——他们是否可能掌握我们不知道的信息？

• 检查近期消息（伤病、停赛、终结者角色变化、阵容调整、管理层评论）
• 检查公开信号（阵容构建是否暗示他们知道即将发生的交易、DFA 观察名单、左右打席安排变化）
• 0-30：公开信息对等（双方都了解所有相关信息）
• 30-60：差距较小（他们可能关注了我们漏看的球队随队记者）
• 60-100：差距显著（刚发布消息，时机近似知情人士）
• 应用调整：如果不对称性 > 60，则减去 0.10 到 0.20（分数高于 80 时减得更多）

步骤 5：应用调整，得出先验概率

将基础先验概率与所有增量合并。推导过程见 resources/methodology.md。

• 从步骤 1 的 base_prior 开始
• 应用步骤 3 的 symmetry_delta
• 应用步骤 4 的 asymmetry_delta
• 应用步骤 2 的 archetype_delta
• 将最终结果限制在 [0.10, 0.70] 范围内——超出此范围表示规范存在错误
• prior_ev_probability = 限制范围后的总和

步骤 6：将先验概率转换为建议调整值

将先验概率转换为乘数形式的 EV 折减值，下游使用方可将其应用于自己的 EV 计算。映射关系见 快速参考。

• 如果先验概率 >= 0.50：recommended_adjustment = 1.00（不折减；罕见情况）
• 如果先验概率 = 0.45：recommended_adjustment = 0.95
• 如果先验概率 = 0.40：recommended_adjustment = 0.90
• 如果先验概率 = 0.35：recommended_adjustment = 0.85
• 如果先验概率 <= 0.30：recommended_adjustment = 0.80（大幅折减；强烈的逆向选择信号）
• 下游使用方将自己的 EV 乘以此系数：adjusted_EV = own_EV x recommended_adjustment

步骤 7：撰写理由和覆盖提示

生成字符串输出，使先验概率可供审查。

• bayesian_rationale：用 2-4 句话说明基础先验概率、影响最大的两项调整和结论
• override_hints：提供 2-5 条条件语句，格式为“如果 X，则将 Y 调整为 Z 后重新运行”
• 提示必须可执行——每条都应指出一个具体输入，且调整后会使先验概率改变 >= 0.05

步骤 8：根据评分标准验证

依据 resources/evaluators/rubric_adverse_selection_prior.json 对输出进行评分。最低标准：平均分达到 3.5 或以上。

常见模式

模式 1：休眠经理的交易提议（先验概率升至 0.50 附近）

• 信号：对方过去 30 天内进行的阵容调整少于 3 次；类型 = dormant
• 解读：对方可能只是随手点击，没有经过分析；通常会导致对方主动提出的交易存在逆向选择的筛选压力较弱
• 调整：archetype_delta = +0.08；如果对称性较高，先验概率可接近 0.50
• 建议调整值：0.95（仅折价 5%）
• 领域示例：并购中不再投入精力的卖方（创始人退休，未做尽职调查）、不了解情况却大量发送工作邀约的招聘人员、以低于市场价出售二手商品的遗产清算人

模式 2：专家交易者的提议（先验概率降至 0.25 附近）

• 信号：对方是公认的精明交易者——能高效赢得拍卖，交易频繁且获利；类型 = expert
• 解读：选择压力最强。对方分析过这笔提议以及其他可能的提议；之所以选择这笔，正是因为它对他们来说最有利（+EV）
• 调整：archetype_delta = -0.08；即使没有明确消息，不对称性也很可能偏高
• 建议调整值：0.80-0.85（大幅折价）
• 领域示例：主动型投资者提出收购你的持仓（他们发现了你错过的价值）、量化基金竞购你的非流动性持仓、顶级招聘人员推荐一个职位（该职位很可能有隐藏的不利因素——你是他们的备选方案）

模式 3：沮丧/恐慌抛售者的提议（情况不一；需具体判断）

• 信号：对方损失惨重、交易受情绪影响；类型 = frustrated
• 解读：分两种情况——（a）确实因情绪失控而恐慌抛售（对我们有利，+EV），或（b）利用沮丧情绪作掩护的策略（对我们不利，-EV）
• 调整：archetype_delta = 0；需要额外信号（近期重大亏损 + 聊天/消息语气）来判断
• 建议调整值：默认 0.90；确认是恐慌抛售时可升至 1.05，怀疑是策略时可降至 0.80
• 领域示例：并购中的困境卖方（因破产而出售）、刚入职就“甩掉”工作的求职者（为何这么快离职？）、离婚期间按低价出售物品的车库甩卖

模式 4：主动发来的工作邀约或并购接洽

• 信号：你没有表示有意求职或出售，对方就发来了邀约
• 解读：他们从大量候选对象中选中了你。为什么偏偏是你？要么（a）你确实稀缺且匹配（+EV），要么（b）你是备选方案，而职位/交易存在缺陷
• 调整：base_prior 0.40；symmetry_delta 取决于表面匹配度；asymmetry_delta 取决于你能否对职位/收购目标开展尽职调查
• 建议调整值：0.85-0.95
• 覆盖规则：如果你能通过非正式渠道确认有首选候选人且对方已将其排除，先验概率还要进一步降低

模式 5：其他队伍放弃球员

• 信号：其他队伍放弃一名球员；该球员现在可以被认领
• 解读：与交易相比，选择性较弱（放弃球员的队伍并没有因为专门向我们提出交易而获得好处），但仍存在逆向选择——他们判断该球员不值得占用一个阵容名额。被放弃球员的平均水平低于同名球员的平均水平
• 调整：base_prior 0.42（略高于交易）；放弃球员一方的类型影响较小
• 建议调整值：0.92（轻微折价）
• 领域示例：二手车在经销商拍卖中被弃置、股票在强制清算中被抛售、进入求职市场的前员工

约束

1. 收到的报价的基础先验概率始终低于 0.50。这是柠檬市场洞见的核心。如果你的先验概率高于 0.50，说明你要么 (a) 错误指定了行为类型（例如，极为对称的休眠型可以接近但很少超过 0.50），要么 (b) 忽略了选择压力。请仔细检查。

2. “看起来公平” = “可能有问题”。提出交易的对手方，是从所有可能的交易中挑选了这笔交易。从逆向选择的角度看，表面公平的报价是最坏情况，因为他们有许多看起来公平的选项，却选了对自己最有利的那一个。

3. 不要重复计算调整。如果你已经根据已知信息调整了自己的 EV（例如，因为知道某位球员受伤而降低了对他的估值），就不要再把这条信息视为不对称信息并据此降低先验概率。不对称信息指的是对方知道而你不知道的信息。

4. 将先验概率限制在 [0.10, 0.70] 范围内。超出此范围的先验概率几乎总是规格错误。0.05 的先验概率意味着几乎可以确定这是一笔掠夺性报价，即使是专家也很少如此。0.75 的先验概率则意味着我们应该接受每一笔报价，这与选择论相矛盾。

5. 行为类型的信号来自行为，而不是自我描述。声称自己是“休闲玩家”的对手方，如果已经提出过 40 次弃用球员申请并赢得 3 次竞价战，那就不是休眠型。应根据观察到的行为判断类型。

6. 必须综合多个信号来判断恐慌抛售。“他们看起来很沮丧”不足以提高先验概率。至少需要以下信号中的两项：近期遭遇重大连败、消息语气方面的证据、明显的情绪化交易（对近期表现火热的球员出价过高）、公开抱怨联盟。

7. 重复博弈中的声誉会影响先验概率。如果你与这个对手方合作过 5 次以上，且对方从未发送过负 EV 报价，则与行为类型无关的基础先验概率会上调约 0.05。如果对方以前发送过掠夺性报价，则基础先验概率下调约 0.05。应跟踪每位对手方的历史记录。

8. 覆盖提示必须具体且可执行。“做更多研究”不是提示。“如果球队的终结者本周被撤下这一角色，请用 asymmetry=85 重新运行”才是可执行的提示。

9. 建议的调整方式是乘法，而非加法。下游使用方会应用 adjusted_EV = own_EV x recommended_adjustment。不要输出加法式折扣——当 own_EV 接近零或为负数时，这会导致问题。

10. 此技能生成的是先验概率，而不是结论。下游决策逻辑（接受／还价／拒绝）应由使用方技能（例如 mlb-trade-analyzer 或 M&A 决策 Agent）处理。此技能只输出先验概率和折扣系数。

快速参考

按报价类型划分的基础先验：

报价类型	基础先验	原因
trade	0.40	主动选择；对方提出了报价
waiver_claim_dropped_by_other	0.42	对方放弃了它；其选择性弱于有针对性的交易
free_agent_pickup_available	0.48	选择性较弱；可能只是疏忽而无人认领
counter_offer	0.38	选择性更强——对方拒绝了首个报价，并拟定了这份报价
generic	0.40	上下文未知时的默认值

类型调整：

类型	变化值	解释
expert	-0.08	选择性最强；对方从众多报价中选中了它
active	-0.05	提出报价前进行过分析
frustrated	0.0（标记）	情况复杂：恐慌抛售（+）与布局（-）；需要子信号
dormant	+0.08	对方可能未经分析就点击了
unknown	0.0	中性

对称性调整（基于 offer_symmetry_score）：

分数	变化值
85-100	+0.10
70-85	+0.05 至 +0.07
30-70	0.0
< 30	0.0（并标记为“好得令人难以置信”）

不对称性调整（基于 proposer_info_asymmetry）：

分数	变化值
0-30	0.0
30-60	-0.03 至 -0.05
60-80	-0.10 至 -0.15
80-100	-0.15 至 -0.20

先验到调整值的映射：

prior_ev_probability	recommended_adjustment	解释
>= 0.50	1.00	不折价；对收到的报价而言并不常见
0.45	0.95	轻度折价
0.40	0.90	标准折价
0.35	0.85	中度折价
0.30	0.80	大幅折价——强烈的逆向选择
<= 0.25	0.75	怀疑存在掠夺性行为——默认拒绝

输出约定：

prior_ev_probability: float in [0.10, 0.70]
recommended_adjustment: float in [0.75, 1.00]
bayesian_rationale: string (2-4 sentences)
override_hints: string[] (2-5 conditional statements)

关键资源：

• resources/template.md：先验调整决策树、示例（休眠型、专家型、受挫型）、输出约定模板
• resources/methodology.md：Akerlof 柠檬市场推导、贝叶斯更新数学、为什么“看起来公平”意味着“很可能有问题”、跨领域示例（金融、劳动力）
• resources/evaluators/rubric_adverse_selection_prior.json：10 项质量标准

所需输入：

• offer_type（枚举：trade | waiver_claim_dropped_by_other | free_agent_pickup_available | counter_offer | generic）
• proposer_archetype（枚举：active | dormant | frustrated | expert | unknown）
• offer_symmetry_score（整数，0-100）
• proposer_info_asymmetry（整数，0-100）

生成的输出：

• prior_ev_probability（浮点数，0-1，收到的报价基线 < 0.5）
• recommended_adjustment（浮点数，乘数因子）
• bayesian_rationale（字符串）
• override_hints（字符串数组）