第3章库存管理模型

3. 库存管理模型：库存风险度量、库存均值回归模型、库存惩罚函数

做市交易里，库存管理是个绕不开的话题。说白了，你手里有多少货，决定了你晚上能不能睡好觉。我刚开始做做市的时候，总觉得只要买卖价差够大就能赚钱，结果有一次库存积压，市场突然反转，一天亏掉了之前三天的利润。嗯，从那以后，我才真正开始重视库存管理。

这一节，我们来拆解库存管理的三个核心模块：风险度量、均值回归模型、惩罚函数。这三者环环相扣，构成了库存管理的完整闭环。

库存风险，说白了就是你手里持仓的不确定性。你想想看，如果库存是零，那市场涨跌跟你没关系。但一旦有了库存，你就暴露在市场波动里了。

我个人习惯用两个指标来度量库存风险：

举个例子，假设你持有1000股某股票，当前价格是50元，那么库存价值就是5万元。如果该股票的日波动率是2%，那么一天内你的库存可能波动1000元。这个数字，就是你的风险敞口。

核心公式：

库存风险 = 库存价值 × 波动率 × √(持有时间)

这个公式来自经典的VaR模型，但做市场景下，我们更关注短期（分钟级）的风险暴露。

我在项目中遇到过一个问题：用日波动率去衡量分钟级的库存风险，结果严重高估了风险，导致频繁调整报价，反而损失了价差收益。后来我改用5分钟K线计算的实时波动率，效果好了很多。

避坑指南：我曾经用历史波动率直接套用，结果市场突然放量，波动率瞬间翻倍，库存风险完全失控。建议加入实时波动率更新机制，至少每5分钟重新计算一次。

做市商的库存，天然具有均值回归的特性。为什么？因为你的报价策略会吸引反向订单。比如你库存多了，就会下调卖价、上调买价，吸引买家来消化库存。这个过程，本质上就是均值回归。

我常用的均值回归模型有两种：

模型类型	核心思想	适用场景
Ornstein-Uhlenbeck 过程	库存围绕目标水平波动，偏离越大，回归力越强	流动性较好的标的
简单移动平均回归	库存偏离移动平均线时，预期会向均值回归	流动性一般的标的

我个人更偏爱OU过程，因为它有明确的数学形式：

dI(t) = θ(μ - I(t))dt + σdW(t)

其中：

你想想看，这个模型告诉我们什么？当库存偏离目标时，下一时刻的库存变化方向大概率是回归的。这个信息，可以直接用来调整报价策略。

实战技巧：我在实盘中，会把θ参数动态化。当市场波动率上升时，θ调大，加快回归速度；波动率低时，θ调小，给库存更多时间消化。这个调整逻辑，来自我一次惨痛的教训——波动率飙升时还保持慢回归，库存直接爆仓。

惩罚函数，是库存管理的“刹车片”。它告诉你，当库存偏离目标时，你的报价应该做多大调整。

我常用的惩罚函数形式是：

P(I) = α × |I - I_target|^γ

其中：

γ=1 时是线性惩罚，γ=2 时是二次惩罚。我个人习惯用二次惩罚，因为库存偏离越大，惩罚力度增长越快，能有效防止极端库存积累。

惩罚函数最终会体现在报价偏移上：

bid_shift = -P(I)   # 库存多，买价下调
ask_shift = +P(I)   # 库存多，卖价上调

举个例子：假设α=0.001，γ=2，当前库存是1000股，目标库存是0。那么惩罚值P=0.001×1000²=1000。这意味着买价要下调1000个基点，卖价要上调1000个基点。库存越多，价差越大，吸引反向订单的力度越强。

核心逻辑：惩罚函数不是越大越好。我见过有人把α设得很大，结果报价频繁跳动，反而吓跑了流动性。建议α的初始值设为0.0001，然后根据回测结果逐步调优。

这三个模块不是孤立的。它们的关系，可以用下面这张图来概括：

这张图展示了完整的流程：

这个流程，我建议每秒钟执行一次。为什么？因为市场变化太快，库存状态每秒都在变。我曾经用5秒的更新频率，结果在快市行情下，报价严重滞后，库存直接失控。

个人经验：这三个模块的参数，不要一次性全部调优。我习惯先固定均值回归模型和惩罚函数的参数，只调风险度量的波动率参数。等风险度量稳定了，再调回归速度。最后才动惩罚系数。这样一步步来，不容易出问题。

好了，库存管理的核心逻辑就这些。你想想看，其实做市商的库存管理，本质上就是一个负反馈控制系统。风险度量是传感器，均值回归模型是控制器，惩罚函数是执行器。三者配合好了，库存就能稳定在目标附近。