做市商核心KPI与报价逻辑：买卖价差、库存周转率、风险调整后收益、报价引擎的基本原理
做市商这活儿，说白了就是「低买高卖，赚个差价」。但真干起来，你会发现这行当没那么简单。我做了十几年利率互换做市，见过太多人盯着报价屏幕，却看不懂背后的KPI。
今天咱们就聊聊做市商的核心指标和报价逻辑。嗯，这些东西，你理解了，才算真正入了门。
一、买卖价差：你的饭碗有多厚
买卖价差（Bid-Ask Spread）是做市商最直接的收入来源。你报一个买价（Bid），再报一个卖价（Ask），中间的差价就是你的利润空间。
但问题来了——价差设多大合适？
我个人习惯用这个公式来估算：
Spread = (Ask - Bid) / MidPrice × 10000 (单位：bps)举个例子：
- 某5年期IRS，Bid = 2.50%，Ask = 2.52%
- MidPrice = (2.50% + 2.52%) / 2 = 2.51%
- Spread = (2.52% - 2.50%) / 2.51% × 10000 ≈ 0.80 bps
0.8个基点，看着不大吧？但你要知道，一笔名义本金1亿的IRS，这0.8bps就是8000块的收入。一天做几十笔，收入就上来了。
关键点：价差不是越大越好。价差大了，客户就跑了。价差小了，你扛不住风险。我见过有些新手做市商，上来就报1bps的价差，结果被高频交易者来回收割，一天亏了几十万。
我在项目中遇到过一件事：有个客户专门盯着我们报价，只要价差超过0.5bps，他就去别家做。后来我调整了策略，把活跃期限的价差压到0.3bps，虽然单笔赚得少了，但量上来了，总利润反而更高。
二、库存周转率：你的资金效率有多高
库存周转率，说白了就是你手里的头寸多久能换一轮。做市商不是投资者，我们不靠方向性交易赚钱，靠的是「快进快出」。
库存周转率的计算公式：
库存周转率 = 一定时期内成交的名义本金总额 / 平均库存头寸举个例子：
- 一天成交了50亿名义本金的IRS
- 平均库存头寸（净敞口）是5亿
- 库存周转率 = 50 / 5 = 10次/天
周转率越高，说明你的资金利用效率越高。我一般要求团队做到每天至少5-8次的周转率。低于3次，说明你持仓时间太长，风险敞口暴露太大。
我的经验：库存周转率不是越高越好。太高了说明你频繁交易，交易成本（手续费、滑点）也会上去。我建议控制在5-10次/天比较合适。
你想想看，如果一笔IRS你持有了3天还没平掉，中间利率波动了10bps，你可能就把之前赚的价差全赔进去了。所以，做市商的核心就是「快」。
三、风险调整后收益：你到底赚没赚钱
这个指标，我把它叫做「做市商的照妖镜」。很多做市商看着账面利润很高，但一算风险调整后收益，发现其实是在刀尖上跳舞。
常用的指标是夏普比率（Sharpe Ratio）和索提诺比率（Sortino Ratio）。
夏普比率公式：
Sharpe Ratio = (策略收益率 - 无风险利率) / 收益率标准差举个例子：
- 你的做市策略年化收益率是15%
- 无风险利率是3%
- 收益率标准差是8%
- Sharpe Ratio = (15% - 3%) / 8% = 1.5
夏普比率大于1，说明你的收益对得起你承担的风险。大于2，那就是顶级水平了。
注意：夏普比率有个坑——它对上行波动和下行波动一视同仁。但做市商最怕的是下行风险。所以我更推荐用索提诺比率，它只考虑下行波动。
我曾经见过一个团队，账面利润一年做了2000万，但夏普比率只有0.3。一查原因，原来是他们重仓赌方向，运气好赚了钱。这种收益是不可持续的。后来市场一反转，一个月就把一年的利润全吐回去了。
四、报价引擎的基本原理
报价引擎，就是做市商的「大脑」。它负责实时计算买卖报价，并推送到交易终端。
一个典型的报价引擎包含以下几个模块：
- 市场数据模块：接收实时行情（收益率曲线、信用利差、波动率等）
- 定价模型模块：计算IRS的合理价格（通常用贴现现金流模型）
- 风险计算模块：计算当前库存的DV01、凸性、信用风险等
- 报价生成模块：根据定价和风险，生成Bid/Ask报价
- 订单管理模块：处理成交、撤单、修改等
下面我画了一张报价引擎的流程图，帮你理解整个逻辑：
报价引擎的核心逻辑其实不复杂：
# 伪代码示例
def generate_quote(market_data, inventory):
# 1. 计算合理价格
fair_price = pricing_model(market_data)
# 2. 计算风险敞口
risk = calculate_risk(inventory)
# 3. 根据风险调整价差
if risk > threshold:
spread = base_spread * 1.5 # 风险大，价差扩大
else:
spread = base_spread
# 4. 生成买卖报价
bid = fair_price - spread / 2
ask = fair_price + spread / 2
return bid, ask嗯，这里要注意：实际生产环境中的报价引擎比这个复杂得多。比如要考虑：
- 不同期限的流动性差异（2年期比10年期流动性好，价差可以更窄）
- 交易对手信用风险（对手方信用差，价差要加宽）
- 市场波动率（波动大时，价差要扩大）
- 库存集中度（某个期限持仓过多，报价要偏向平仓方向）
我的建议：刚开始搭建报价引擎时，不要追求完美。先跑通一个简单的版本，然后逐步迭代。我见过太多团队花半年时间搞一个「完美」的引擎，结果上线第一天就被市场打脸。
我曾经犯过一个错误：报价引擎里没有考虑「库存集中度」这个因子。结果有一次，我们在10年期IRS上积累了太多多头头寸，但报价引擎还在按正常价差报价。客户一看我们的报价比市场好，疯狂来卖给我们。一天下来，我们接了5个亿的多头，晚上利率一跌，亏了200万。
从那以后，我在报价引擎里加了一个「库存压力因子」：某个期限的库存超过阈值，报价就往平仓方向偏移。比如多头多了，Bid就报低一点，少接点货；Ask也报低一点，鼓励客户来买。
说白了，报价引擎不是死板的数学公式，它要能「感知」你的库存风险，并做出动态调整。
总结一下
做市商的四个核心KPI和报价逻辑，其实是一个闭环：
- 买卖价差决定你每笔赚多少
- 库存周转率决定你赚钱的速度
- 风险调整后收益决定你赚钱的质量
- 报价引擎是执行这一切的工具
这四个东西，缺一个都不行。你想想看，价差再大，周转率上不去，资金效率低；周转率再高，风险调整后收益不行，迟早翻车；报价引擎再牛，KPI没设对，也是白搭。
好了，今天就聊到这儿。这些内容，你在教科书上也能看到，但实战中的坑，只有真正做过的人才知道。
公众号:蓝海资料掘金营，微信deep3321