4、库存动态平衡的数学建模
做市策略的核心，说白了就是跟库存风险打交道。你赚的那点价差，可能一次库存失控就全赔进去了。所以这一章，我们来聊聊怎么用数学工具把库存风险管起来。
我个人习惯把库存模型分成五块：随机过程模型、均值回归模型、VaR模型、ES模型，最后是优化目标函数。咱们一个一个来。
4.1 库存随机过程模型
做市商的库存变化，本质上是个随机过程。你想想看，每笔订单的到达时间、买卖方向、数量，都是随机的。我刚开始做的时候，总想预测下一秒的库存，后来发现——别费那个劲了，用随机过程建模更靠谱。
最常见的假设是：库存变化服从布朗运动。公式长这样：
dI(t) = μ dt + σ dW(t)其中 I(t) 是 t 时刻的库存，μ 是漂移项（你主动调整库存的趋势），σ 是波动率，dW(t) 是标准布朗运动增量。
嗯，这里要注意：实际交易中，μ 往往不为零。因为做市商不是被动接单，你会主动报价来引导库存回归。所以 μ 其实是你的策略参数。
4.2 均值回归模型
做市商的库存，天然有均值回归的特性。为什么？因为你的报价策略会迫使库存往目标水平靠。比如库存多了，你就压低买价、抬高卖价，自然就卖出去了。
我常用的模型是 Ornstein-Uhlenbeck 过程：
dI(t) = θ (μ_target - I(t)) dt + σ dW(t)这里 θ 是回归速度，μ_target 是目标库存水平（通常是0，或者某个安全区间中值）。θ 越大，库存回归越快，但交易成本也越高。
我曾经踩过一个坑：把 θ 设得太大，结果频繁调价，手续费吃掉了一大半利润。后来学乖了，θ 值用历史数据拟合，别拍脑袋定。
- θ：回归速度，建议 0.1~0.5 之间
- μ_target：目标库存，一般设为 0
- σ：波动率，根据品种调整
4.3 库存风险价值(VaR)模型
VaR 是个老生常谈的东西了。但在做市场景下，它的用法有点不一样。我们关心的是：在未来 Δt 时间内，库存可能的最大亏损是多少？
公式很简单：
VaR(α) = - (μ * Δt + σ * √Δt * z_α) * |I|其中 z_α 是标准正态分布的 α 分位数，|I| 是当前库存的绝对值。α 通常取 95% 或 99%。
举个例子：假设你持有 1000 个 ETH，日波动率 2%，95% VaR 就是：
VaR(95%) = - (0 + 0.02 * √1 * 1.645) * 1000 = -32.9 ETH也就是说，有95%的把握，一天内亏损不超过 32.9 个 ETH。
4.4 库存预期短缺(ES)模型
ES 模型，也叫条件 VaR。它回答的是：如果亏损超过了 VaR 阈值，平均会亏多少？
公式：
ES(α) = - (μ * Δt + σ * √Δt * φ(z_α) / (1-α)) * |I|其中 φ 是标准正态分布的密度函数。对于正态分布，ES 大约是 VaR 的 1.2~1.5 倍。
我个人习惯同时看 VaR 和 ES。如果 ES 远大于 VaR，说明尾部风险很大，这时候我会主动减仓。记得有一次做比特币做市，VaR 显示风险可控，但 ES 高得吓人。我没在意，结果第二天暴跌，直接亏了三个月的利润。从那以后，我再也不敢只看 VaR 了。
| 指标 | 含义 | 适用场景 |
|---|---|---|
| VaR | 最大可能亏损（给定置信水平） | 日常风控阈值 |
| ES | 尾部平均亏损 | 极端行情预警 |
4.5 库存优化目标函数
好了，前面都是铺垫。现在我们来解决核心问题：怎么在控制风险的同时，最大化做市收益？
目标函数长这样：
max E[∫(spread * trade_rate - cost) dt] - λ * risk_penalty其中：
- spread：买卖价差
- trade_rate：成交速率
- cost：交易成本（手续费、滑点等）
- λ：风险厌恶系数
- risk_penalty：风险惩罚项（可以用 VaR 或 ES）
这个优化问题，说白了就是在「多赚钱」和「少担风险」之间找平衡。λ 越大，策略越保守。
我一般用动态规划来解。把库存离散化成网格，每个网格点计算最优报价。代码大概长这样：
def optimize_inventory(I, params):
# I: 当前库存
# params: 市场参数、风险偏好等
V = np.zeros((max_I+1, T+1)) # 价值函数
for t in range(T-1, -1, -1):
for i in range(max_I+1):
# 计算每个库存水平下的最优报价
best_value = -np.inf
for bid, ask in possible_quotes:
next_inv = i + trade_flow(bid, ask)
reward = spread_profit(bid, ask) - risk_cost(i)
value = reward + discount * V[next_inv, t+1]
if value > best_value:
best_value = value
V[i, t] = value
return V[I, 0]最后说一句：这些模型都是工具，不是真理。市场变了，参数就得调。我每周都会重新拟合一次模型参数，别偷懒。