第四章 经典定价模型：Avellaneda-Stoikov、Ho-Stoll与Glosten-Milgrom
做市商定价模型，说白了就是回答一个问题：我该用什么价格买卖？
这章我们聊三个经典模型。它们分别从不同角度切入，各有各的脾气。我个人习惯把它们看作做市商定价的「三根柱子」——理解了它们，你就能看懂市面上90%的做市策略逻辑。
4.1 Avellaneda-Stoikov模型：库存风险的「温度计」
这个模型是我最早接触的做市模型之一。当时我在做期权做市系统，发现一个现象：持仓多了，报价就会不自觉往中间收。为什么？因为怕库存砸手里。
Avellaneda-Stoikov模型（简称AS模型）就是干这个的。它把做市商的报价决策拆成两部分：
- 基准价格：通常是中间价，或者你预测的资产真实价值
- 报价偏移：根据当前库存和风险偏好，动态调整买卖价
核心公式长这样：
# Avellaneda-Stoikov 报价偏移计算
def compute_spread_adjustment(inventory, gamma, sigma, T):
"""
inventory: 当前库存（正数表示多头，负数表示空头）
gamma: 风险厌恶系数（越大越保守）
sigma: 波动率
T: 做市时间窗口
"""
# 库存项：库存越大，报价越往反方向偏移
inventory_term = -gamma * sigma**2 * inventory * T
# 价差项：波动越大，价差越宽
spread_term = gamma * sigma**2 * T / 2
return inventory_term, spread_term嗯，这里要注意：gamma这个参数很关键。我见过有人把它设成0.1，结果库存稍微大一点，报价就飞到天上去了。后来我学乖了——gamma值一般取0.01到0.1之间，具体要看你的风险承受能力。
核心思想：AS模型本质上是一个「库存厌恶」模型。库存越多，你越不愿意继续吃进同方向的单子，所以报价会往反方向偏移。
我的经验：在实际项目中，我会把AS模型和实时波动率估计结合起来。波动率飙升时，自动调宽价差；波动率平稳时，收窄价差赚更多。这个组合拳效果不错。
4.2 Ho-Stoll模型：订单流与逆向选择的博弈
Ho-Stoll模型比AS模型更早出现。它关注的是另一个问题：对手方为什么愿意跟我交易？
你想想看，如果市场上所有人都知道你是做市商，他们就会专门挑你报价有漏洞的时候来打。这就是逆向选择（adverse selection）。
Ho-Stoll模型把做市商的决策建模成一个动态优化问题。它假设：
- 订单到达是随机的（泊松过程）
- 做市商可以调整买卖报价
- 目标是最大化期望收益，同时控制库存风险
模型给出的结论很直观：
- 价差与波动率正相关——波动越大，价差越宽
- 价差与交易频率负相关——交易越频繁，价差可以收窄
- 库存水平影响报价偏移——和AS模型类似
避坑指南：我曾经在实盘环境中直接套用Ho-Stoll模型的原始参数，结果亏了一周。后来发现，模型假设订单到达是独立的，但实际市场中订单是聚集的——大单后面往往跟着更多大单。所以，一定要对模型做适应性调整，不能生搬硬套。
4.3 Glosten-Milgrom模型：信息不对称的「照妖镜」
Glosten-Milgrom模型（简称GM模型）是我个人最喜欢的。它从信息经济学的角度切入，回答了一个根本问题：做市商如何应对知情交易者？
模型假设市场上有两类交易者：
- 知情交易者：知道资产的真实价值，只在有利可图时交易
- 不知情交易者：随机交易，可能是流动性需求
做市商不知道对手方是哪一类，只能通过订单流来推断。结果就是：价差必须足够大，才能弥补知情交易者带来的损失。
GM模型给出了一个简洁的价差公式：
# Glosten-Milgrom 价差计算
def compute_gm_spread(alpha, V_H, V_L, sigma_noise):
"""
alpha: 知情交易者比例
V_H: 资产高估值
V_L: 资产低估值
sigma_noise: 噪声交易者波动
"""
# 信息不对称程度
info_asymmetry = alpha * (V_H - V_L)
# 最优价差
spread = info_asymmetry / (1 + sigma_noise)
return spread说白了，知情交易者比例越高，价差就得越宽。这就是为什么财报发布前后，做市商都会大幅调宽价差——因为这时候知情交易者最多。
关键洞察：GM模型告诉我们，做市商本质上是在和「信息」博弈。你赚的钱，大部分来自不知情交易者的流动性需求；你亏的钱，几乎都来自知情交易者的信息优势。
4.4 三个模型的对比与选择
这三个模型各有侧重，我整理了一张对比表：
| 模型 | 核心关注点 | 输入参数 | 适用场景 |
|---|---|---|---|
| Avellaneda-Stoikov | 库存风险 | 库存量、波动率、风险厌恶系数 | 高频做市、期权做市 |
| Ho-Stoll | 订单流动态 | 订单到达率、波动率、库存 | 股票做市、ETF做市 |
| Glosten-Milgrom | 信息不对称 | 知情交易者比例、资产价值区间 | 事件驱动做市、低流动性市场 |
我个人习惯这样选：
- 如果做的是高频做市，AS模型最实用——计算简单，反应快
- 如果做的是股票或ETF做市，Ho-Stoll模型更合适——能捕捉订单流模式
- 如果市场信息不对称严重（比如财报季、并购消息），GM模型是必选项
我的建议：别只用一个模型。我在实盘系统中，通常把AS模型作为基础框架，然后用GM模型动态调整价差，最后用Ho-Stoll模型做订单流预测。三个模型配合使用，效果远好于单独用任何一个。
4.5 知识体系总览
下面这张图展示了三个模型的核心逻辑和相互关系：
这张图把三个模型的核心关注点、关键参数和适用场景都串起来了。你想想看，做市商定价其实就是在库存风险、订单流动态和信息不对称这三者之间找平衡。没有哪个模型是万能的，关键是要理解每个模型的假设和局限。
最后提醒一句：模型再好，也要结合市场微观结构来用。我曾经在某个交易所直接套用AS模型，结果发现那个交易所的订单簿结构和模型假设完全不一样——吃了大亏。所以，先理解市场，再套模型，顺序不能搞反。
公众号:蓝海资料掘金营，微信deep3321