一、做市引擎概述
做市引擎，说白了就是一套自动报价系统。它不停地向市场挂买单和卖单，赚取中间的价差。我刚开始接触这个领域时，觉得这不就是低买高卖嘛，有什么难的？后来真正上手才发现，这里面的门道深着呢。
你想想看，一个合格的做市引擎，每秒要处理成千上万笔订单，同时还要管理风险、控制库存、预测价格走势。这可不是简单的买卖逻辑能搞定的。
什么是做市引擎
做市引擎是一套自动化交易系统。它的核心任务是在交易所同时挂出买单和卖单。比如比特币现价30000美元，做市引擎可能在29990挂买单，在30010挂卖单。只要市场波动，就能赚到这20美元的差价。
我在项目中遇到过最典型的情况：一个客户想给自家交易所做流动性。他们之前用手工做市，三个人轮班，每人盯8小时。结果呢？经常漏单、报价延迟、甚至挂错价格。后来换成做市引擎，这些问题全解决了。
核心要点：做市引擎不是简单的买卖机器人。它需要实时分析市场深度、订单簿状态、历史波动率，然后动态调整报价策略。
做市引擎的核心功能
一个完整的做市引擎，至少包含以下五个功能模块。我按重要程度排了个序：
- 订单管理 - 负责创建、修改、撤销订单。嗯，这里要注意，交易所的API限频很严格，我曾经因为没处理好限频，被交易所封了半小时。
- 风险管理 - 控制库存、设置最大亏损、监控异常波动。说白了就是保命用的。
- 报价策略 - 决定挂什么价格、挂多少量。这是做市引擎的大脑。
- 市场数据 - 实时获取行情、深度、成交记录。数据慢了，报价就废了。
- 性能监控 - 跟踪延迟、成交率、盈亏情况。我习惯每5秒输出一次性能指标。
这五个模块缺一不可。你想想看，如果风险管理没做好，一次黑天鹅事件就能让你爆仓。我见过太多这样的案例了。
做市引擎在量化交易中的角色
做市引擎在量化交易体系里，扮演着「流动性提供者」的角色。它不像趋势策略那样追涨杀跌，也不像套利策略那样寻找价差。做市引擎的核心价值在于：
- 稳定市场 - 通过持续报价，缩小买卖价差，降低交易成本
- 赚取价差 - 每笔交易赚一点点，积少成多
- 降低冲击成本 - 大单交易时，做市引擎可以帮忙消化
我记得有一次，一个朋友问我：「做市引擎和普通量化策略有什么区别？」我打了个比方：普通策略像猎人，找到猎物就出击；做市引擎像农夫，每天耕耘，稳定收获。两者没有好坏之分，只是赚钱的逻辑不同。
个人经验：做市引擎最适合波动率适中的市场。波动太小，价差赚不到钱；波动太大，风险控制不住。我一般选择日均波动率在1%-3%之间的品种。
做市引擎的核心架构
下面这张图展示了一个典型做市引擎的架构。我画了不下十版才定下来这个结构：
这张图我用了很多年。每次给团队新人讲解，我都会指着它说：「记住这个结构，做市引擎就这些东西。复杂的是每个模块里的细节。」
避坑指南：我曾经犯过一个错误——把策略引擎和订单管理混在一起写。结果每次改策略都要动订单管理的代码，出了好几次生产事故。后来我强制要求：策略引擎只负责计算报价，订单管理只负责执行。职责分离，这是血的教训。
做市引擎的技术选型
说到技术选型，我个人习惯用Python做原型开发，用C++做核心引擎。为什么？Python开发快，适合快速迭代；C++性能好，适合高频场景。
下面是我常用的技术栈：
| 模块 | 技术选型 | 说明 |
|---|---|---|
| 市场数据 | WebSocket + asyncio | 实时性要求高，必须用异步IO |
| 策略引擎 | Python + NumPy | 计算密集型，用NumPy加速 |
| 订单管理 | C++ | 延迟敏感，必须用底层语言 |
| 数据存储 | InfluxDB + PostgreSQL | 时序数据用InfluxDB，业务数据用PG |
| 监控告警 | Prometheus + Grafana | 开源方案，够用 |
你可能会问：为什么不用Go？Go的并发确实好，但生态不如Python丰富。我试过用Go重写策略引擎，结果发现很多量化库都没有Go版本，最后还是换回Python了。
做市引擎的常见误区
这些年我带过不少团队，发现新手做市引擎时容易犯几个错误：
- 过度优化 - 一上来就追求微秒级延迟。其实对于大多数品种，毫秒级就够了。先跑起来，再优化。
- 忽视风控 - 只想着赚钱，没想过亏钱。我见过有人一天赚了10万，第二天亏了50万。风控不是摆设。
- 策略太复杂 - 一个策略里塞了十几个参数。参数越多，过拟合风险越大。我一般控制在3-5个核心参数。
我的建议：刚开始做做市引擎，先跑模拟盘。模拟盘跑一个月，把各种边界情况都测一遍。我曾经在模拟盘上发现过一个bug——订单簿深度为0时程序会崩溃。这个bug要是上了实盘，后果不堪设想。
做市引擎这个领域，说难不难，说简单也不简单。核心就三点：报价要快、风控要严、策略要稳。把这三点做好了，你的做市引擎就能稳定盈利了。