三、库存度量指标：库存周转率、库存天数、库存价值波动
做市商这行，说白了就是靠库存吃饭的。库存管得好不好，直接决定了你是赚钱还是亏钱。我见过太多团队，策略模型跑得漂亮，但库存管理一塌糊涂，最后利润全被库存风险吃掉了。
今天咱们聊聊三个核心指标：库存周转率、库存天数、库存价值波动。这三个指标，就像汽车的仪表盘——转速表、油表、速度表，缺一个你都开不稳。
3.1 库存周转率
先问个问题：你手里的币，多久能卖一轮？
库存周转率，就是衡量这个速度的指标。公式很简单：
库存周转率 = 期间成交量 / 平均库存价值举个例子。假设你一个月成交了1000万U，平均库存价值是200万U。那周转率就是5次。这意味着你一个月把库存"翻新"了5遍。
周转率高了，说明什么？
- 你的做市策略活跃，买卖频繁
- 库存占用资金少，资金效率高
- 但也要小心——周转太快，可能意味着你在频繁吃单，滑点成本高
周转率低了，又说明什么？
- 库存积压，资金被锁死
- 策略可能不够积极，或者市场流动性太差
- 嗯，还有一种情况——你故意囤货等涨，但那不是做市商的活
我的经验：我个人习惯把周转率控制在5-15次/月。低于5次，说明策略太保守；高于15次，交易成本会吃掉利润。当然，不同币种、不同市场环境，这个区间会变。你想想看，比特币和山寨币的周转率能一样吗？
3.2 库存天数
库存天数，是周转率的"亲戚"。它告诉你：按现在的交易速度，库存里的货要多少天才能卖完。
库存天数 = 30天 / 库存周转率还是刚才的例子。周转率5次，库存天数就是6天。也就是说，你手里的货，平均6天就能轮一遍。
这个指标有什么用？
- 判断库存压力。天数越长，风险越大
- 辅助仓位管理。比如，库存天数超过10天，我就考虑减仓
- 对比不同币种。有些币天生流动性差，库存天数自然高
避坑指南：我曾经犯过一个错——只看库存天数，不看市场深度。有一次某个币的库存天数只有3天，看起来挺健康。结果市场突然暴跌，深度瞬间消失，那3天的货硬是卖了2周才出完。所以，库存天数要结合订单簿深度一起看，别被数字骗了。
3.3 库存价值波动
这个指标，是我最看重的。它衡量的是：你的库存价值，一天之内能波动多少。
库存价值波动 = 库存价值 × 价格波动率更精确的做法，是用VaR（在险价值）来算：
VaR = 库存价值 × 价格波动率 × Z值 × √时间其中Z值取决于置信水平。95%置信度下，Z=1.65；99%置信度下，Z=2.33。
为什么要关注这个？
- 库存价值波动直接决定了你的风险敞口
- 波动太大，一个黑天鹅事件就能让你爆仓
- 波动太小，说明你做的币种太"死"，做市利润也薄
实战案例：我记得有一次，团队做ETH的做市。库存价值500万U，ETH日波动率4%。算下来，一天之内库存价值可能波动20万U。这个数字，已经超过了我们当天的做市利润。我建议立即减仓，同时加了对冲。结果第二天ETH真的跌了6%，但因为提前做了对冲，库存损失被控制住了。要是没管这个指标，那天就得亏掉一个月的利润。
3.4 三个指标怎么配合用？
单独看一个指标，意义不大。三个指标放一起，才能看出门道。
| 场景 | 周转率 | 库存天数 | 价值波动 | 建议操作 |
|---|---|---|---|---|
| 健康状态 | 高 | 低 | 适中 | 维持现状 |
| 库存积压 | 低 | 高 | 高 | 立即减仓+对冲 |
| 过度交易 | 极高 | 极低 | 低 | 降低频率，减少滑点 |
| 风险暴露 | 适中 | 适中 | 极高 | 加对冲，或换币种 |
说白了，这三个指标就是帮你回答三个问题：
- 我的资金效率高不高？（周转率）
- 我的库存压力大不大？（库存天数）
- 我的风险敞口能不能承受？（价值波动）
我的习惯：每天开盘前，我会花5分钟扫一眼这三个指标。如果任何一个指标偏离了正常范围，我就知道今天得盯紧点。你想想看，做市商最怕什么？不是亏钱，而是亏了钱还不知道怎么亏的。这三个指标，就是你的"预警雷达"。
3.5 代码实现
最后，给一个简单的Python代码，帮你自动计算这三个指标。我建议你把它集成到你的监控系统里。
import pandas as pd
import numpy as np
def inventory_metrics(trades_df, inventory_df, confidence=0.95):
"""
计算库存管理核心指标
参数:
trades_df: 交易记录DataFrame，包含'time', 'volume', 'price'
inventory_df: 库存快照DataFrame，包含'time', 'value'
confidence: VaR置信水平，默认95%
返回:
dict: 包含周转率、库存天数、价值波动
"""
# 1. 库存周转率
total_volume = trades_df['volume'].sum()
avg_inventory = inventory_df['value'].mean()
turnover = total_volume / avg_inventory if avg_inventory > 0 else 0
# 2. 库存天数
days = 30 / turnover if turnover > 0 else float('inf')
# 3. 库存价值波动 (VaR)
# 计算日收益率
inventory_df = inventory_df.sort_values('time')
inventory_df['return'] = inventory_df['value'].pct_change()
vol = inventory_df['return'].std()
# Z值
z = 1.65 if confidence == 0.95 else 2.33
# 当前库存价值
current_value = inventory_df['value'].iloc[-1]
# 日VaR
var_daily = current_value * vol * z
return {
'turnover': round(turnover, 2),
'days': round(days, 1),
'var_daily': round(var_daily, 2),
'volatility': round(vol, 4)
}
# 使用示例
# metrics = inventory_metrics(trades, inventory)
# print(f"周转率: {metrics['turnover']} 次/月")
# print(f"库存天数: {metrics['days']} 天")
# print(f"日VaR: {metrics['var_daily']} U")嗯，代码不长，但很实用。我建议你跑一下历史数据，看看自己的库存管理到底怎么样。很多时候，数据会告诉你一些你没想到的东西。
好了，这一章就到这里。下一章咱们聊聊库存对冲的具体策略——怎么用期货、期权来保护你的库存。到时候我会分享几个我踩过的坑，保证让你少走弯路。