4、Avellaneda-Stoikov模型：经典做市模型的数学推导与参数含义
做市策略里，Avellaneda-Stoikov模型是个绕不开的经典。说实话，我最早接触这个模型是在2015年，当时团队要做一个期权做市系统，翻遍了文献发现这个模型最接地气。它不像有些模型那样纯理论，而是给出了你能直接用的报价公式。
今天我们就把它掰开揉碎，看看数学推导和每个参数到底在说什么。
4.1 模型的核心思想
Avellaneda-Stoikov模型解决什么问题？简单说：你作为做市商，手里有库存，怎么定价才能既赚到价差，又不让库存风险失控？
模型假设市场上有两类订单：
- 限价单：你挂的买一卖一，等着被吃
- 市价单：对手方直接吃掉你的挂单
你的目标是在一个时间区间 [0, T] 内，最大化期望收益，同时惩罚库存风险。嗯，这里要注意，模型假设你的效用函数是指数型的，也就是对风险极度厌恶。
核心公式：
最优买价：p_b = S - (γσ²T + 1/γ) · (1 - e^{-κ(T-t)})
最优卖价：p_a = S + (γσ²T + 1/γ) · (1 - e^{-κ(T-t)})
其中 S 是中间价，γ 是风险厌恶系数，σ 是波动率，κ 是订单到达强度。
4.2 数学推导：从目标函数到报价公式
推导过程其实不复杂，但有几个关键跳跃点。我当年第一次看论文时，卡在HJB方程那里好几天。咱们一步步来。
4.2.1 定义状态变量
设你的库存为 q(t)，现金为 x(t)。中间价 S(t) 服从几何布朗运动：
dS = μ dt + σ dW你的限价单在买价 p_b 和卖价 p_a 处挂着。对手方市价单到达是泊松过程，到达率 λ 与你的报价偏离中间价的程度有关：
λ_b = A · exp(-κ · (S - p_b))
λ_a = A · exp(-κ · (p_a - S))这里 A 是基础到达率，κ 是敏感度系数。说白了，你报价越激进（离中间价越近），被吃的概率越大。
4.2.2 目标函数
你的目标是最大化终端时刻的期望效用：
max E[ -exp(-γ · (x_T + q_T · S_T)) ]这个指数效用函数，γ 越大表示越怕风险。我在实盘中发现，γ 取 0.1 到 1.0 之间比较合理，具体要看你的资金规模和风险偏好。
4.2.3 HJB方程求解
通过动态规划，得到值函数 V(t, x, q, S) 满足的HJB方程。这里省略中间推导，直接给解的形式：
V(t, x, q, S) = -exp(-γ · (x + q · S + θ(t, q)))其中 θ(t, q) 是时间调整项，形式为：
θ(t, q) = - (γσ²/2) · q² · (T - t) + (1/γ) · ln( ... )最终得到最优报价偏移量：
δ_b = (γσ²T + 1/γ) · (1 - e^{-κ(T-t)}) // 买价偏移
δ_a = (γσ²T + 1/γ) · (1 - e^{-κ(T-t)}) // 卖价偏移注意，买价和卖价的偏移量是对称的，但方向相反。
我的经验：实际应用中，很少有人直接用这个对称公式。因为市场买卖压力往往不平衡，我会在偏移量上加一个偏置项，比如根据订单簿 imbalance 调整。
4.3 参数含义详解
每个参数都有明确的物理意义。我列个表，方便你对照：
| 参数 | 符号 | 含义 | 典型取值范围 | 影响 |
|---|---|---|---|---|
| 风险厌恶系数 | γ | 你对库存风险的厌恶程度 | 0.01 - 1.0 | γ越大，报价越宽，库存变化越慢 |
| 波动率 | σ | 标的资产的年化波动率 | 0.1 - 0.5 | σ越大，报价越宽，防止被波动吃掉 |
| 订单到达强度 | κ | 对手方对报价的敏感度 | 0.5 - 5.0 | κ越大，报价越靠近中间价 |
| 时间区间 | T | 策略的持有期限 | 1秒 - 1天 | T越大，报价越宽，因为风险暴露时间长 |
| 当前时间 | t | 策略已运行时间 | 0 ≤ t ≤ T | 越接近T，报价越窄，因为快结束了 |
4.3.1 风险厌恶系数 γ
这是最关键的参数。γ 决定了你愿意承担多少库存风险。我见过一些新手把 γ 设得特别小，结果库存堆积如山，一波行情就亏回去了。
为什么会这样？因为 γ 小意味着你不在乎库存，报价很窄，频繁成交，库存快速积累。一旦方向判断错误，亏损远超赚到的价差。
避坑指南：我曾经在回测时把 γ 设为 0.001，结果夏普比率看起来很高。但实盘一周就亏了5%。后来发现，回测数据没有包含滑点和冲击成本。γ 太小，实盘里你的挂单会被高频交易者反复收割。
4.3.2 波动率 σ
波动率直接影响报价宽度。高波动时，你需要更宽的价差来保护自己。我习惯用5分钟级别的已实现波动率，而不是日频数据。因为做市是高频行为，日波动率太粗糙。
4.3.3 订单到达强度 κ
κ 反映市场深度。如果 κ 很大，说明对手方对价格很敏感，你稍微偏离中间价，订单就没了。这种情况下，报价要尽量贴近中间价。
我在实盘中观察到，κ 在开盘和收盘时差异很大。开盘时 κ 小，因为流动性还没起来；收盘时 κ 大，大家都在抢着平仓。
4.4 模型的实际应用
理论讲完了，咱们看看怎么用。下面是一个简化版的 Python 实现：
import numpy as np
class AvellanedaStoikov:
def __init__(self, gamma=0.1, sigma=0.2, kappa=1.5, T=3600):
self.gamma = gamma
self.sigma = sigma
self.kappa = kappa
self.T = T # 总时间，单位秒
def get_quotes(self, mid_price, inventory, t):
"""
计算最优买价和卖价
:param mid_price: 当前中间价
:param inventory: 当前库存（正数表示多头）
:param t: 当前时间（秒）
"""
# 剩余时间
tau = self.T - t
# 风险调整项
risk_adj = (self.gamma * self.sigma**2 * tau +
1.0 / self.gamma) * (1 - np.exp(-self.kappa * tau))
# 库存偏移（不对称项）
inventory_adj = -self.gamma * self.sigma**2 * tau * inventory
# 最终报价
bid = mid_price - risk_adj + inventory_adj
ask = mid_price + risk_adj + inventory_adj
return bid, ask这段代码里，我加了一个库存偏移项 inventory_adj。这是原模型没有的，但实盘中非常必要。如果你持有多头，买价要更低，防止继续加仓；卖价也要更低，鼓励平仓。
关键点：Avellaneda-Stoikov模型给出了一个理论框架，但实盘必须根据市场微观结构做调整。我个人习惯在模型输出上再加一个「流动性过滤器」——如果买卖价差小于某个阈值，就不挂单，防止被套利者盯上。
4.5 模型的局限性
没有模型是完美的。Avellaneda-Stoikov有几个假设需要注意：
- 中间价服从几何布朗运动：实际市场有跳跃、有自相关，不是简单的随机游走
- 订单到达是泊松过程：实际有聚集效应，大单来了会引发一连串订单
- 不考虑对手方策略：假设对手方是随机到达的，但实际有HFT在盯着你的挂单
嗯，这些局限不是让你不用这个模型，而是提醒你：模型是拐杖，不是腿。用它来理解市场结构，但最终决策要结合实盘数据。
我的建议：先用这个模型做回测，观察参数敏感性。然后逐步加入自己的修正项，比如订单簿 imbalance、历史波动率曲面、甚至新闻情绪。做市策略的竞争力，往往体现在这些「非标准」的细节里。
这张图把整个模型的输入、计算、输出串起来了。你写代码时，就按这个流程来组织逻辑。先读市场数据，再算参数，最后输出报价。
好了，Avellaneda-Stoikov模型的核心内容就这些。记住，理论是基础，但实盘才是检验真理的唯一标准。多跑回测，多观察参数变化对结果的影响，慢慢你就能找到感觉。