4. 库存管理基础：库存风险的定义、库存与报价的关系、库存均值回归策略
做市商的核心工作，说白了就是「低买高卖」赚差价。
但这里有个坑——你买进来的货，不一定能马上卖出去。
这些暂时砸在手里的货，就是库存。库存管理，是做市策略里最容易被忽视、却又最致命的一环。我见过不少团队，策略回测时收益曲线漂亮得不行，一上实盘就亏，十有八九是库存管理出了问题。
4.1 库存风险的定义
库存风险，简单讲就是「你手里持有的资产，价格朝不利方向变动的风险」。
举个例子：你以100块的价格买入了1000股，准备在100.1块卖出。结果市场突然跳水，跌到99块。你手里的货瞬间贬值了1000块。这1000块的潜在亏损，就是库存风险。
库存风险的量化指标：
- 库存价值：当前持仓数量 × 当前市场价格
- 库存敞口：库存价值 / 总资产净值（百分比）
- 库存波动率：持仓资产的历史日波动率
- VaR（在险价值）：给定置信水平下，未来一段时间内的最大可能亏损
我个人习惯用「库存敞口」作为核心监控指标。敞口超过30%，我就会开始紧张。为什么？因为一旦市场出现黑天鹅，30%的敞口意味着你可能一天亏掉总资产的10%以上。做市赚的那点差价，根本扛不住这种级别的回撤。
⚠️ 注意：库存风险不是线性的。当市场波动率突然放大时，库存风险会成倍增加。我曾经在实盘中遇到过，平时波动率1%的品种，一天内波动率飙到5%，库存敞口瞬间失控。所以，一定要给库存风险加上「波动率乘数」。
4.2 库存与报价的关系
库存状态直接影响你的报价策略。这个逻辑其实很直观：
- 库存为正（多头）：你手里有货，更希望卖出去。所以卖价应该比正常价更低一些，买价也应该比正常价更低一些——目的是减少买入，增加卖出。
- 库存为负（空头）：你欠着货，更希望买回来。所以买价应该比正常价更高一些，卖价也应该更高一些——目的是减少卖出，增加买入。
- 库存为零：两边均衡，按正常价差报价。
这里有个关键点：库存对报价的影响，不是「有或无」，而是「程度」的问题。
我一般用一个简单的线性公式来调整报价：
# 库存调整因子
inventory = current_position # 当前持仓（正数为多，负数为空）
max_inventory = 1000 # 最大允许持仓
# 调整系数，范围 [-1, 1]
adjustment = inventory / max_inventory
# 调整后的买价和卖价
base_bid = mid_price - spread / 2
base_ask = mid_price + spread / 2
adjusted_bid = base_bid - adjustment * skew_factor
adjusted_ask = base_ask - adjustment * skew_factor
# 当库存为正时，adjustment > 0，买价和卖价都降低
# 当库存为负时，adjustment < 0，买价和卖价都提高你看，库存为正时，两边报价都往下压。这样做的效果是：你更可能卖出（因为卖价低了），同时更不可能买入（因为买价也低了）。库存自然慢慢降下来。
💡 实战技巧：skew_factor（偏移因子）这个参数很关键。设得太小，库存调整效果不明显；设得太大，报价会偏离市场太远，导致成交率下降。我一般用历史数据回测来调这个参数，目标是在「库存回归速度」和「成交率」之间找到平衡点。
4.3 库存均值回归策略
库存均值回归，核心思想就一句话：让库存围绕零轴波动，不要偏离太远。
为什么是零轴？因为做市商不是投机者。我们的利润来源是买卖价差，不是方向性押注。库存偏离零轴越远，方向性风险越大，做市策略就越像在赌博。
库存均值回归策略，通常包含以下几个要素：
- 目标库存：一般设为0，也可以根据市场情况动态调整
- 回归速度：库存偏离目标后，多快回到目标位置
- 回归触发条件：库存偏离到什么程度开始启动回归
- 回归执行方式：通过调整报价、主动对冲、还是等待被动成交
我常用的一个策略框架是这样的：
class InventoryMeanReversion:
def __init__(self, target=0, threshold=500, speed=0.1):
self.target = target # 目标库存
self.threshold = threshold # 触发阈值
self.speed = speed # 回归速度
def calculate_skew(self, current_inventory):
# 计算库存偏离程度
deviation = current_inventory - self.target
# 如果偏离在阈值内，不做调整
if abs(deviation) < self.threshold:
return 0.0
# 超出阈值，启动回归
# 偏离越大，调整力度越大
skew = deviation * self.speed
return skew
def adjust_quotes(self, mid_price, spread, inventory):
skew = self.calculate_skew(inventory)
bid = mid_price - spread/2 - skew
ask = mid_price + spread/2 - skew
return bid, ask这个策略的核心逻辑是：库存偏离目标越远，报价偏移越大，从而加速库存回归。
嗯，这里要注意一个细节：阈值不能设得太小。否则市场稍微波动一下，你的报价就来回跳，成交率会很低，而且容易产生不必要的交易成本。
库存均值回归的三种执行方式：
| 方式 | 描述 | 适用场景 |
|---|---|---|
| 被动回归 | 通过调整报价，等待对手方成交 | 流动性好、价差小的市场 |
| 主动对冲 | 在市场上主动下单，平掉库存 | 库存偏离过大、需要快速回归 |
| 组合对冲 | 用相关品种的对冲头寸来抵消库存风险 | 单一品种流动性不足时 |
我个人的经验是：优先用被动回归。因为主动对冲会产生额外的交易成本，而且容易暴露你的意图。只有在库存偏离到危险水平（比如超过最大敞口的80%）时，才启动主动对冲。
曾经有一次，我在做某个小币种的做市，流动性很差。库存偏离后，被动回归根本回不来——因为市场上根本没有对手盘。最后只能硬着头皮用主动对冲，亏了不少手续费。那次之后，我学到一个教训：在做市之前，先评估市场的流动性深度。流动性差的市场，库存管理策略要更激进，阈值要设得更小。
💡 进阶技巧：库存均值回归可以和波动率联动。当市场波动率低时，库存回归可以慢一些，因为风险小；当波动率高时，库存回归要快，因为风险大。我一般用「波动率乘数」来动态调整回归速度：
volatility = get_current_volatility()
base_speed = 0.1
adjusted_speed = base_speed * (1 + volatility * 10)知识体系总览
下面这张图，把库存管理的核心逻辑串起来了：
库存管理，说白了就是做市商的「安全带」。没有它，你赚再多差价，一次黑天鹅就能让你回到解放前。我建议你在实盘之前，先用历史数据把库存管理策略跑一遍，看看在不同市场环境下，库存偏离的幅度和回归的速度是否合理。
记住一句话：做市商赚的是流动性管理的钱，不是方向性投机的钱。库存管理，就是帮你守住这条底线。