第四章：Avellaneda-Stoikov模型——做市商报价的经典框架

做市商报价模型里，Avellaneda-Stoikov（简称A-S模型）是我个人最推崇的入门框架。为什么？因为它把做市商的核心矛盾——赚取价差 vs 控制存货风险——用数学语言讲得清清楚楚。

我记得2018年刚接触这个模型时，团队里有人觉得它太理论化。但后来我们在比特币期权做市上跑了一版简化实现，效果出奇的好。说白了，这个模型就像做市商的“牛顿力学”——虽然现实有摩擦，但底层逻辑跑不偏。

4.1 模型假设

A-S模型建立在几个关键假设上。嗯，这里要注意，假设越强，模型越干净，但离现实也越远。我们做工程时要心里有数。

• 市场微观结构：订单流服从泊松过程。说白了，买卖订单到达是随机的，但到达率与报价有关。
• 存货中性：做市商的目标是存货长期归零。他不赌方向，只赚价差。
• 风险厌恶：做市商对存货有风险厌恶系数γ。γ越大，越怕存货积压。
• 连续时间：报价可以随时调整，没有最小变动单位限制（现实中要取整）。
• 对称性：买卖订单的到达率函数形式对称，只是报价偏移方向相反。

我在项目中遇到过一个问题：假设订单流是泊松过程，但实际市场有自相关性（比如大单拆单）。这时候模型会低估连续同向订单的风险。我的建议是——先用A-S模型做基准，再叠加一个“订单流冲击”修正项。

4.2 最优报价推导

推导过程其实不复杂。我们定义做市商的财富过程，然后最大化其期望效用。这里我直接给结论，因为推导细节在教材里都有。

做市商的最优买价和卖价分别为：

买价：p_b = S - (γ * σ² * q * T) / 2 - (1/γ) * ln(1 + γ/κ)
卖价：p_a = S + (γ * σ² * q * T) / 2 + (1/γ) * ln(1 + γ/κ)

其中：

• S：当前市场中间价
• γ：风险厌恶系数
• σ：波动率
• q：当前存货（正数表示多头，负数表示空头）
• T：做市商的时间 horizon（比如一天）
• κ：订单流到达率的弹性系数

你看，报价由三部分组成：

1. 中间价S：基准
2. 存货调整项：(γ * σ² * q * T) / 2 —— 存货越多，买卖价差越不对称
3. 价差项：(1/γ) * ln(1 + γ/κ) —— 基础价差，与风险厌恶和流动性有关

4.3 存货对报价的影响

这是A-S模型最精彩的部分。存货q直接决定了报价的偏移方向。

举个例子：假设你持有100个ETH的多头存货（q=100）。根据公式：

• 买价会下移：你不想再买入了，所以压低买价
• 卖价也会下移：你想尽快卖出存货，所以降低卖价

结果就是整个报价区间向下平移。反之，空头存货会让报价区间上移。

我曾经在模拟交易中犯过一个错误：把γ设得太小，导致模型对存货不敏感。结果回测时存货越积越多，最后爆仓。嗯，从那以后我养成了一个习惯——先跑一遍存货敏感性分析。

存货影响的数学本质：

存货调整项 = (γ * σ² * T) / 2 * q

这是一个线性项。q越大，调整幅度越大。但现实中，当存货接近仓位上限时，调整应该非线性加速。所以我在生产环境里加了一个tanh函数做限幅。

4.4 模型参数解读

参数调优是模型落地的关键。我整理了一个参数速查表：

参数	符号	典型范围	物理意义	调参建议
风险厌恶系数	γ	0.01 - 1.0	对存货风险的敏感度	先用回测找最优，再留20%裕度
波动率	σ	根据品种定	价格波动剧烈程度	用5分钟高频数据估算，别用日线
时间horizon	T	0.5 - 4小时	做市商计划平仓的时间窗口	与流动性正相关，流动性差就设大
弹性系数	κ	0.1 - 10	订单流对报价的敏感度	用历史数据拟合，注意市场状态切换

参数之间还有耦合关系。比如γ和κ：γ越大，基础价差越大；κ越大，基础价差越小。两者共同决定了报价的“激进程度”。

我个人习惯用网格搜索+贝叶斯优化来调参。先粗搜确定范围，再细搜找最优。但记住——参数要定期重估，市场变了参数也得变。

4.5 知识体系图

下面这张SVG图总结了A-S模型的完整逻辑链：

这张图把四个模块串起来了。你从模型假设出发，推导出报价公式，再理解存货如何影响报价，最后用参数调优让模型落地。每一步都有对应的数学表达和工程考量。

---

公众号:蓝海资料掘金营，微信deep3321