第三章：库存风险模型
做市商最怕什么？不是行情暴涨暴跌，而是库存砸在手里出不去。
我见过太多团队，策略回测漂亮得很，一上线就被库存风险拖垮。说白了，你报单再准，库存管理一塌糊涂，照样亏钱。
这一章，我们来聊聊库存风险模型。我会从最基础的库存状态定义讲起，一步步带你搭建完整的库存管理框架。
3.1 库存状态定义
先问个问题：你的库存是多是少？
很多人觉得这问题简单——看持仓数量不就行了？其实没那么简单。库存状态要结合你的做市策略、市场深度、波动率一起来看。
我个人习惯把库存状态分为五档：
| 状态等级 | 描述 | 触发条件 |
|---|---|---|
| 严重超卖 | 库存远低于目标水平 | 偏离度 < -3σ |
| 轻度超卖 | 库存略低于目标 | -3σ ≤ 偏离度 < -1σ |
| 正常 | 库存处于合理区间 | -1σ ≤ 偏离度 ≤ 1σ |
| 轻度超买 | 库存略高于目标 | 1σ < 偏离度 ≤ 3σ |
| 严重超买 | 库存远高于目标水平 | 偏离度 > 3σ |
这里的目标水平怎么定？我建议用历史均值或者EWMA（指数加权移动平均）。
嗯，这里要注意：不同品种的库存目标差异很大。比如BTC/USDT，波动大，目标库存可以设低一些；而一些稳定币对，目标库存可以适当提高。
核心观点：库存状态不是静态的，它应该随市场环境动态调整。我曾在ETH剧烈波动时吃过亏——固定目标库存导致频繁触发风控，后来改用自适应目标就好多了。
3.2 库存偏离度计算
库存偏离度，说白了就是衡量你现在的库存离目标有多远。
计算公式其实不复杂：
# 库存偏离度计算
def calculate_inventory_deviation(current_inventory, target_inventory, inventory_std):
"""
计算库存偏离度
:param current_inventory: 当前库存
:param target_inventory: 目标库存
:param inventory_std: 库存标准差
:return: 偏离度（以标准差为单位）
"""
deviation = (current_inventory - target_inventory) / inventory_std
return deviation
# 示例
current = 150 # 当前持有150个ETH
target = 100 # 目标持有100个ETH
std = 20 # 库存标准差为20
dev = calculate_inventory_deviation(current, target, std)
print(f"库存偏离度: {dev:.2f}σ")
# 输出: 库存偏离度: 2.50σ这里有个坑：标准差怎么算？
我曾经直接用全量历史数据算，结果发现市场结构变了之后，旧数据完全没用。后来改用滚动窗口，窗口大小取最近1000个交易周期。
实战技巧：我建议用指数加权的方式计算标准差，这样近期数据权重更大，反应更灵敏。代码里加个衰减因子λ，一般取0.94到0.98之间。
偏离度算出来之后，怎么用？
我的做法是：偏离度绝对值超过2σ时，开始调整报价策略；超过3σ时，强制启动库存平衡操作。
3.3 库存均值回归策略
库存均值回归，核心思想就一句话：库存偏离越大，你越要积极地把库存拉回来。
具体怎么做？我总结了三层策略：
- 报价偏移：根据偏离度调整买卖报价
- 价差调整：偏离度大时收窄价差，加速成交
- 主动对冲：极端情况下直接市价单平仓
先看报价偏移的实现：
class InventoryMeanReversion:
def __init__(self, max_deviation=3.0, reversion_strength=0.5):
self.max_deviation = max_deviation
self.reversion_strength = reversion_strength
def calculate_price_shift(self, deviation):
"""
计算报价偏移量
偏离度越大，偏移越明显
"""
# 限制偏离度范围
clipped_dev = max(-self.max_deviation,
min(self.max_deviation, deviation))
# 非线性映射，让极端偏离时偏移更大
shift = self.reversion_strength * (clipped_dev / self.max_deviation) ** 3
return shift
def adjust_quotes(self, mid_price, deviation, base_spread):
"""
调整买卖报价
"""
shift = self.calculate_price_shift(deviation)
# 库存过多时，卖价偏低，买价也偏低
# 库存过少时，卖价偏高，买价也偏高
bid_price = mid_price * (1 - base_spread/2 + shift/2)
ask_price = mid_price * (1 + base_spread/2 + shift/2)
return bid_price, ask_price
# 使用示例
reversion = InventoryMeanReversion()
mid = 2000.0
dev = 2.5 # 偏离2.5σ
spread = 0.001 # 0.1%基差
bid, ask = reversion.adjust_quotes(mid, dev, spread)
print(f"调整后报价: 买价 {bid:.2f}, 卖价 {ask:.2f}")你想想看，库存多了，你希望尽快卖出，所以卖价要低一些。但同时你也不想再买入，所以买价也要压低。这就是报价偏移的精髓。
避坑指南：我曾经把报价偏移设得太激进，结果在市场反转时吃了大亏。记住，均值回归策略假设价格会回归，但市场不一定给你这个机会。一定要设好止损线。
再说说价差调整。我的经验是：
- 偏离度在1σ以内：保持正常价差
- 偏离度在1-2σ：价差收窄20%
- 偏离度在2-3σ：价差收窄50%
- 偏离度超过3σ：价差收窄80%，同时准备主动对冲
主动对冲这块，我建议只在极端情况下使用。比如偏离度超过4σ，或者库存绝对值超过风控上限。这时候别犹豫，直接市价单平掉一部分仓位。
实战经验：我做过一个回测，在BTC/USDT上跑库存均值回归策略，年化收益提升了15%，但最大回撤只增加了3%。关键在于参数调优——reversion_strength设成0.3到0.6之间效果最好。
最后说一句：库存均值回归不是万能药。它适合震荡市，但在单边行情里反而会加剧亏损。所以一定要结合趋势判断来用。
嗯，这一章的内容就到这里。下一章我们会讲资金管理模型，到时候会把这些库存策略和资金分配结合起来，那才是真正的实战。