2、数据驱动思维：为什么做市需要数据驱动

做市这行，说白了就是跟概率打交道。

我刚入行那会儿，带我的老交易员跟我说过一句话，我到现在都记得——「你赚的每一分钱，都是信息差和计算速度的变现。」当时我不太理解，觉得做市不就是低买高卖嘛。后来自己踩了坑才明白，没有数据支撑的做市，跟闭着眼睛开车没啥区别。

为什么做市需要数据驱动

咱们先想一个问题：做市商的核心利润来源是什么？

是买卖价差。但价差不是你想设多少就设多少。设太宽，单子全跑对手那边去了；设太窄，自己亏钱。这中间的平衡点，靠拍脑袋是拍不出来的。

我见过太多团队，一开始靠直觉做市，行情平稳时还能赚点。一旦市场波动加剧，比如突然出现大单砸盘，或者流动性瞬间枯竭，直觉就完全失灵了。为什么会这样？因为人的大脑处理不了多维度的实时数据。

做市需要关注的东西太多了：

• 订单簿的深度和斜率
• 历史波动率和实时波动率
• 资金费率的变化趋势
• 大额订单的流向
• 不同交易所之间的价差

这些数据每秒都在变。你靠肉眼盯盘，最多盯三个币对就眼花。但数据驱动的系统可以同时监控几百个币对，还能自动调整策略。

传统做市 vs 数据驱动做市

我拿一个具体场景来对比吧。

假设你在某个交易所做BTC/USDT的市。传统做法是这样的：

1. 早上打开电脑，看一眼当前价格
2. 凭经验设一个买一价和卖一价
3. 每隔半小时手动调整一次
4. 遇到大行情，手忙脚乱地撤单重挂

这种做法有什么问题？问题大了去了。

有一次我在一个项目里，看到团队用传统方式做市。他们设了一个固定的价差，比如0.1%。结果市场波动率突然从0.05%飙升到0.3%，他们的价差还是0.1%。你想想看，这等于在给高频交易员送钱。对方一秒钟就能吃掉他们的买单，然后反手在另一边卖出。一天下来，他们亏了十几个ETH。

数据驱动的做法完全不同：

维度	传统做市	数据驱动做市
价差设定	固定值或凭经验	根据波动率、订单簿深度动态计算
仓位管理	手动控制，容易情绪化	基于风险模型自动调整
响应速度	秒级甚至分钟级	毫秒级
回测验证	基本没有	历史数据回测+模拟盘验证
风险控制	事后止损	事前计算VaR，实时监控

数据驱动做市的核心，是把所有决策都建立在量化分析的基础上。不是「我觉得会涨」，而是「根据过去1000个交易日的统计，这个位置有85%的概率会反弹」。

数据驱动决策的闭环流程

数据驱动做市不是一次性的事，它是一个持续循环的过程。我习惯把它分成四个步骤：

第一步：数据采集

没有数据，一切都是空谈。你需要采集的数据包括：

• 实时行情数据（深度、成交、K线）
• 历史交易数据（至少3个月以上）
• 链上数据（大额转账、合约持仓变化）
• 市场情绪数据（资金费率、多空比）

第二步：数据分析与建模

数据拿到手，不是直接用的。你需要做清洗、去噪、特征提取。比如：

# 一个简单的波动率计算示例
def calculate_volatility(prices, window=20):
    log_returns = np.log(prices[1:] / prices[:-1])
    return np.std(log_returns[-window:]) * np.sqrt(365)

这个函数算出来的波动率，可以直接用来动态调整你的价差。波动率越高，价差越宽，这是做市的基本逻辑。

第三步：策略执行

模型建好了，就要把它跑起来。这里要注意几个坑：

• 延迟问题：你的策略再牛，如果执行延迟超过50ms，基本等于白搭
• 滑点控制：大单要拆成小单，避免冲击市场
• 资金管理：单笔风险不要超过总资金的1%

第四步：反馈与迭代

这一步很多人会忽略。策略上线后，不是就完事了。你需要持续监控：

• 实际收益和预期收益的偏差
• 胜率和盈亏比的变化趋势
• 最大回撤是否在可控范围内

我曾经有一个策略，回测时年化收益能做到40%，最大回撤只有5%。结果实盘跑了两个月，收益只有12%，回撤却到了8%。后来一查，是因为市场结构变了——之前回测的数据里没有包含某个新交易所的流动性冲击。

这就是为什么闭环反馈这么重要。数据驱动不是一劳永逸，而是持续迭代的过程。

数据驱动做市的框架图

下面这张图是我自己总结的数据驱动做市闭环流程，你可以把它当成一个参考框架：

这个闭环流程，说白了就是「采集-分析-执行-反馈」的循环。每一轮循环，你的策略都应该比上一轮更优。哪怕每次只优化0.1%，积累下来也是巨大的优势。

嗯，数据驱动做市的核心逻辑就这些。记住一句话：不要跟市场赌运气，要让数据替你说话。