本文构建了一个双边搜索和双边议价的动态结构模型，用于估计英国政府和企业债券市场的交易摩擦和福利损失。研究发现，英国政府债券市场的搜索摩擦相对较小，福利损失占基准水平的 2.38%；而英国企业债券市场的搜索摩擦更为显著，福利损失为 4.95%。值得注意的是，这两个市场中的福利损失大部分都来自搜索延迟，中介摩擦对政府债券市场的福利损失贡献微乎其微，对企业债券市场的福利损失贡献仅为 0.10%。在正常市场条件下，政府债券和企业债券市场的 OTC 交易摩擦导致的福利损失分别为 2.38% 和 5.05%。使用 COVID-19 危机期间的数据重新估计模型后，福利损失急剧上升至政府债券市场的 3.63% 和企业债券市场的 11.35%。这一增加，尤其是在企业债券市场中中介摩擦作用的增加，突出了 OTC 市场结构在压力时期的脆弱性。本文的实证分析使用了非匿名交易层数据，涵盖了英国政府和企业债券二级市场几乎所有交易。重要的是，我们能够识别出一组在两个市场中都活跃的常见客户，他们的交易量占两个市场客户交易量的主要部分。这种数据特征使我们能够利用三个主要市场流动性维度（交易频率、交易规模和交易成本）的跨市场差异来比较交易摩擦。比较不同市场的交易摩擦是一项艰巨的任务，因为客户构成是内生给定的。我们的方法是在两个市场中保持一组固定的客户，这有助于解决这些选择问题，并允许比较同一客户在两个不同市场中面临的交易摩擦。本文的理论贡献是开发一个可以使用具有客户身份的交易层数据进行估计的 OTC 交易结构模型。在 Lagos 和 Rocheteau (2009) 的平稳版本的基础上，我们沿着三个关键维度扩展了该框架，以更好地捕捉固定收益市场的现实情况。首先，我们模型中的客户持有两种 OTC 交易资产——政府债券和企业债券，这使我们能够分析跨市场互动并开展定量比较。其次，我们引入了一个“核心”中介，它与经销商在交易商市场中进行议价，产生内生的交易商价格差异，并使我们能够量化交易商市场摩擦对客户交易成本的影响。最后，我们纳入了客户特征的维度异质性，这受到我们在政府债券和企业债券市场都记录的 substantial 客户层面异质性的启发。我们引入了客户在偏好冲击频率和交易机会到达频率方面的异质性，这反过来又转化为客户内生交易频率的异质性，正如数据中那样。在动态模型中，客户对持有两种资产的边际效用具有异质性和时变性，导致他们倾向于不同的投资组合，并随着时间的推移调整其持有量。客户的边际效用类型是二元的，高或低，并随着时间的推移遵循客户特定的连续时间马尔可夫链而变化。因此，给定的客户在理想高型投资组合和理想低型投资组合方面都有一个想法。如果客户当前的品味与她的理想投资组合相匹配，客户就会很高兴，不需要交易。然而，客户从高到低或从低到高的品味转换，会使客户想要相应地更新她的投资组合。重要的是，这两个理想投资组合以及由此产生的客户想要交易的交易规模都受到客户预期转换到相反品味类型的频率以及客户能够与经销商交易这两种资产的频率的影响。这些特征代表了我们的模型相对于 Lagos 和 Rocheteau (2009) 的新颖客户异质性维度，并且它们与我们的双资产结构紧密联系。模型中的客户仅与经销商进行双边交易，并受搜索摩擦的约束。反过来，经销商可以无搜索摩擦但通过双边议价将不受欢迎的库存头寸（无论是多头还是空头）卸载到核心经纪商那里。然而，核心经纪商之间进行多边交易，并且没有摩擦。双边议价的存在既存在于交易商部门，也存在于客户-经销商部门，这导致了交易商价格差异以及客户特定的买入价和卖出价。当客户从低型投资组合切换到高型投资组合时，客户支付每单位资产的议价卖出价。反过来，当客户从高型投资组合切换到低型投资组合时，客户从经销商那里获得每单位资产的议价买入价。最终，我们的模型生成了与真实固定收益市场的交易层数据高度相似的客户特定交易频率、交易规模和价格。这种模型内生结果与真实世界固定收益市场的交易层数据的密切相似性使我们能够识别模型的深层参数。尽管模型中存在丰富的异质性，但在具有等弹性效用的模型特殊情况中，均衡可以封闭形式地描述。这使我们能够导出许多可以从数据中观察到的均衡对象，例如（分布或积分变换的）封闭形式表达式，包括来自每个市场的交易量、客户-经销商价格差异、交易商价格差异、平均客户交易成本、客户特定平均交易频率分布和客户特定平均交易规模分布。然后，我们使用这些数据矩来估计模型的一些深层参数。估计结果揭示了两个市场在交易延迟方面存在巨大差异。中位数客户在政府债券市场上搜索时间不到五分钟，而企业债券市场上大约需要 45 分钟。在 75 个百分点处，客户需要大约半天时间来完成政府债券交易，而企业债券交易需要将近 1.4 天。这些发现突出了这两个市场之间搜索摩擦的鲜明对比。此外，估计的损失交易盈余份额在政府债券市场和企业债券市场之间高出近九倍。然后，我们将这些客户损失分解为两个组成部分：经销商的市场力量和交易商市场摩擦的转售。在政府债券市场，几乎所有客户损失都来自交易商市场摩擦的转售。相比之下，在企业债券市场，大约三分之一的损失盈余可归因于经销商的市场力量，其余三分之二归因于交易商市场摩擦。为了充分利用我们数据粒度模型中丰富的客户异质性，我们非参数地估计了三个客户特定特征的联合分布：品味冲击频率、与政府债券经销商会面的频率以及与公司债券经销商会面的频率。我们首先正式证明，给定市场参数，观察客户的政府债券交易频率、企业债券交易频率和任一市场的交易规模足以唯一识别该联合分布。然后，我们将此识别结果嵌入到一个固定点算法中，该算法成为我们估计策略的核心组成部分，并能够非参数地恢复客户三个维度特征的联合分布。直觉上，让 χ0 表示客户的品味冲击频率，χ1 表示她与政府债券经销商会面的频率，χ2 表示她与公司债券经销商会面的频率。客户的政府债券交易频率随着 χ0 和 χ1 的增加而增加，但随着 χ2 的减少而减少；她的企业债券交易频率随着 χ0 和 χ2 的增加而增加，但随着 χ1 的减少而减少；并且她任一市场的交易规模随着 χ1 和 χ2 的增加而增加，但随着 χ0 的减少而减少。因此，这三个中的每一个都提供了关于底层向量 (χ0,χ1,χ2) 的独特信息。这种结构有效地产生了一个包含三个方程和三个未知数的系统，允许我们识别每个个体的品味冲击频率和在两个市场中的匹配效率。客户特定特征的识别构成了我们估计程序的内部循环。在外部循环中，我们使用未在内部循环中使用的市场层面和客户层面矩来恢复市场范围参数。有了客户层面的异质性和市场范围参数，我们接下来进行福利分析。为了比较这两个市场在 OTC 交易摩擦水平对其福利后果方面的情况，我们使用我们的参数估计并计算市场参与者在均衡、第一最优分配（无约束规划者问题的解）和第二最优分配（无约束规划者问题的解）中的福利。我们确认第一最优分配与无摩擦基准分配相一致，第二最优分配与如果中介机构不捕获任何交易盈余将获得的分配相一致。这种分析允许我们将总福利损失分解为一个由中介摩擦引起的组成部分和一个纯粹由搜索摩擦引起的组成部分。我们发现，政府债券和企业债券市场的总福利损失分别为 2.38% 和 5.05%，我们的分解表明这些损失几乎完全由这两个市场的搜索摩擦引起。为了评估我们福利损失估计的可靠性，我们计算了由我们基准参数估计的 95% 置信区间的最小值和最大值所隐含的福利损失。结果产生的界限是政府债券市场的 2.14% 和 3.00%，企业债券市场的 4.36% 和 6.31%。在论文的最后部分，我们重新估计模型参数以匹配 COVID-19 危机期间的交易活动。我们的参数估计表明，政府债券和企业债券市场的总福利损失分别为 3.63% 和 11.35%，我们的分解表明，这种损失几乎完全由政府债券市场的搜索摩擦引起，就像正常时期一样，而中介摩擦在企业债券市场中的福利损失份额从大约 2% 增加到 30%。总的来说，这些估计表明，来自 OTC 市场摩擦的福利损失在动荡时期尤其严重。我们进行了一个反事实练习，即如果 OTC 市场结构在动荡时期不是特别脆弱，那么由此产生的福利损失会是多少。为此，我们计算了福利损失，同时保持匹配效率和中介摩擦水平与正常时期完全相同，但适应了反映 COVID-19 冲击的客户偏好参数。我们发现，政府债券和企业债券市场的总福利损失将分别上升到 2.54% 和 5.24%。这个反事实分析表明，动荡时期的大部分额外福利损失是因为 OTC 市场结构在面临大规模负面冲击时的脆弱性。
