4、经典做市模型：Avellaneda-Stoikov模型、基于库存的做市模型、基于信号的自适应模型

做市策略的核心，说白了就是回答三个问题：报什么价？报多少量？什么时候调整？

不同的模型给出了不同的答案。我个人习惯把经典模型分成三代：第一代是理论最优解（Avellaneda-Stoikov），第二代是工程实用解（基于库存），第三代是实战进化解（基于信号）。

嗯，咱们一个一个来看。

4.1 Avellaneda-Stoikov模型：理论界的扛把子

这个模型是2008年由Avellaneda和Stoikov提出的。我第一次读这篇论文时，差点被数学公式劝退。但后来在实际项目中拆解后发现，它的核心思想其实很朴素：做市商应该根据库存风险动态调整报价。

模型的核心公式长这样：

# 最优 bid 和 ask 价格偏移量
δ_bid = (1/2) * γ * σ² * T + (q * γ * σ² * T) / (2 * (1 - q))
δ_ask = (1/2) * γ * σ² * T - (q * γ * σ² * T) / (2 * (1 + q))

# 其中：
# γ: 风险厌恶系数（越大越保守）
# σ: 波动率
# T: 做市时间窗口
# q: 当前库存（标准化为[-1, 1]）

公式看着复杂，但你可以这样理解：

• 库存 q 为正（手里有多头仓位）：bid 价要压低，ask 价也要压低。目的是尽快把货出掉。
• 库存 q 为负（手里是空头仓位）：bid 价抬高，ask 价抬高。目的是尽快补货。
• 风险厌恶 γ 越大：报价偏移越激进，因为怕死。

我在项目中遇到过一个问题：直接用这个模型跑实盘，在低波动行情下表现还行，但一遇到大单冲击，库存瞬间爆仓。为什么？因为它没有考虑订单簿的深度信息。

4.2 基于库存的做市模型：工程师的务实选择

既然理论模型有局限，那我们就自己动手造轮子。基于库存的模型，核心逻辑就一句话：库存偏离目标位置越远，报价越激进。

它的数学表达更简单：

# 库存偏移量计算
inventory_skew = -k * (current_inventory - target_inventory)

# 调整后的报价
adjusted_bid = mid_price + spread_bid + inventory_skew
adjusted_ask = mid_price + spread_ask + inventory_skew

# k: 库存调整系数（经验值通常在0.01~0.1之间）

这里有个工程上的坑，我曾经踩过：k 值不能设得太大。有一次我把 k 设成 0.5，结果库存稍微偏离一点，报价就跑到离谱的位置，直接被套利机器人收割了。嗯，血的教训。

基于库存的模型还有一个变种：区间做市。设定一个库存容忍区间 [q_min, q_max]，在区间内正常报价，超出区间则强制平仓式报价。这其实是一种风险控制的思路。

模型类型	核心参数	优点	缺点
Avellaneda-Stoikov	γ, σ, T	理论最优，有闭式解	假设太强，实盘需调整
基于库存	k, 目标库存	简单直观，易实现	参数敏感，需调参
基于信号	信号权重, 阈值	能捕捉市场微观结构	信号质量决定成败

4.3 基于信号的自适应模型：实战进化的产物

你想想看，如果市场突然出现大买单，你还按库存模型慢慢调整报价，那黄花菜都凉了。基于信号的自适应模型，就是来解决这个问题的。

它的核心思路是：把市场微观结构信号作为报价调整的前馈输入。

常用的信号包括：

• 订单簿不平衡：(bid_volume - ask_volume) / (bid_volume + ask_volume)
• 成交速度：过去N秒的成交笔数/成交量
• 价差变化率：spread 的短期趋势
• 大单检测：单笔成交量超过阈值

我一般这样组合使用：

# 信号合成
signal = w1 * order_imbalance + w2 * trade_speed + w3 * spread_trend

# 自适应报价偏移
adaptive_skew = -k * inventory + alpha * signal

# alpha: 信号权重（通常0.2~0.5）

这里有个细节：信号要归一化。不同信号的量纲差异很大，订单簿不平衡在[-1,1]之间，成交速度可能是几百笔/秒。不归一化的话，权重根本没法调。

4.4 三种模型的对比与选择

说了这么多，到底该用哪个？我的经验是：

• 新手入门：先用基于库存的模型。简单、可控、容易 debug。
• 有一定经验：在库存模型基础上，叠加 Avellaneda-Stoikov 的理论偏移作为基准线。
• 高阶玩家：用基于信号的自适应模型，但一定要做好信号质量监控和回测验证。

我个人现在的做法是：三层架构。底层用库存模型做基础报价，中层用 Avellaneda-Stoikov 做理论校准，上层用信号模型做动态调整。这样既有理论支撑，又有工程稳健性，还能捕捉市场机会。