4. 报价策略基础：对称报价与非对称报价、固定价差与动态价差策略

做市商的核心工作，说白了就是「不停地报出买卖价格」。但怎么报？报多宽？这里面门道很深。我刚开始做市的时候，以为只要把买卖价差设成固定值就行了，结果被市场狠狠教育了一顿。今天我们就来拆解报价策略的四个基本维度。

4.1 对称报价 vs 非对称报价

先看一个最简单的场景。假设某股票当前市场中间价是 100 元。你作为做市商，要报出买价和卖价。

对称报价：买价和卖价围绕中间价对称分布。比如买价 99.8，卖价 100.2，价差 0.4 元。中间价正好是 100。

非对称报价：买价和卖价不围绕中间价对称。比如买价 99.7，卖价 100.2，价差 0.5 元。中间价变成了 99.95，明显偏向买方一侧。

为什么要用非对称报价？我举个例子。假设你手上持有大量某币种的多头仓位，风险敞口很大。这时候你希望吸引买家来接盘，同时吓退卖家。怎么做？把卖价报低一点，把买价也报低一点。这样你的报价整体下移，更容易成交卖单（你买入），更难成交买单（你卖出）。

我在项目中遇到过一种情况：某个流动性较差的代币，市场深度很薄。我如果用对称报价，很容易被大单吃掉一边，导致库存严重偏离目标。后来我改用非对称报价，根据实时库存偏离度动态调整偏移量，效果好了很多。

4.2 固定价差 vs 动态价差

价差就是买卖价之间的差值。固定价差策略，顾名思义，不管市场怎么波动，价差始终不变。比如永远保持 0.2 元的价差。

动态价差策略则根据市场状态实时调整价差。波动率高了，价差拉宽；波动率低了，价差收窄。

为什么需要动态调整？你想想看，如果市场突然出现剧烈波动，你还用固定价差，很可能被高频交易者反复收割。我记得有一次，某个消息出来后市场瞬间波动了 2%，我当时的固定价差只有 0.1%，结果被连续吃了好几笔，亏损惨重。

策略类型	适用场景	优点	缺点
固定价差	低波动、高流动性市场	简单、易实现、确定性高	无法适应波动变化，容易被套利
动态价差	高波动、低流动性市场	自适应市场环境，风险可控	参数调优复杂，可能过度反应

4.3 四种策略的组合矩阵

把对称/非对称和固定/动态组合起来，就得到四种基本报价策略。我习惯用一张图来理解它们的关系。

这张图我经常用来给团队做培训。从左下角到右上角，策略复杂度逐渐增加，但适应能力也在提升。我个人建议，新手先从「对称+固定」开始，跑通了再逐步升级。

4.4 动态价差的数学模型

动态价差的核心公式其实不复杂。我常用的一个版本是：

spread = base_spread + k * volatility + lambda * inventory_skew

其中：

• base_spread：基础价差，通常取市场平均价差
• volatility：近期波动率，可以用标准差或 ATR 计算
• k：波动率敏感系数，我一般取 0.5~2.0
• inventory_skew：库存偏离度，表示当前库存与目标库存的差距
• lambda：库存调整系数，控制库存回归速度

4.5 实战中的避坑指南

我曾经犯过一个低级错误：在动态价差策略里把波动率敏感系数设得太高。结果市场稍微一波动，价差就拉得特别宽，导致完全无法成交。等波动过去，价差收窄，我又被其他做市商抢了先机。那天的收益惨不忍睹。

后来我总结了几条经验：

• 不要过度拟合历史数据。你回测时表现很好的参数，实盘可能一塌糊涂。市场结构会变。
• 价差不能无限宽。要设置上下限。我一般设为基础价差的 0.5 倍到 3 倍。
• 非对称偏移要有限度。偏移太多会导致报价严重偏离市场，容易被套利者盯上。
• 注意订单簿的深度。如果你的报价在很浅的位置，即使价差很小，也可能被大单吃掉。

4.6 一个简单的实现示例

下面是一个 Python 风格的伪代码，展示动态价差的核心逻辑。实际生产环境会更复杂，但骨架就是这样。

class DynamicSpreadMaker:
    def __init__(self, base_spread=0.002, k=1.0, lambda_=0.5):
        self.base_spread = base_spread
        self.k = k
        self.lambda_ = lambda_
        self.target_inventory = 100  # 目标库存
        self.current_inventory = 100
        
    def calc_volatility(self, recent_prices):
        # 计算近期波动率
        returns = [p1/p0 - 1 for p0, p1 in zip(recent_prices[:-1], recent_prices[1:])]
        return np.std(returns)
    
    def calc_inventory_skew(self):
        # 库存偏离度，正值表示库存过多
        return (self.current_inventory - self.target_inventory) / self.target_inventory
    
    def get_spread(self, recent_prices):
        vol = self.calc_volatility(recent_prices)
        skew = self.calc_inventory_skew()
        spread = self.base_spread + self.k * vol + self.lambda_ * abs(skew)
        # 限制价差范围
        return max(self.base_spread * 0.5, min(spread, self.base_spread * 3.0))
    
    def get_quotes(self, mid_price, recent_prices):
        spread = self.get_spread(recent_prices)
        half_spread = spread / 2
        skew = self.calc_inventory_skew()
        # 非对称偏移：库存多时压低买价，库存少时抬高卖价
        offset = self.lambda_ * skew * self.base_spread
        bid = mid_price - half_spread + offset
        ask = mid_price + half_spread + offset
        return bid, ask

这段代码里，offset 实现了非对称报价。库存多时 skew 为正，offset 为正，买价和卖价都上移，更容易卖出。库存少时则相反。嗯，这个逻辑说起来简单，但调参确实需要花时间。

最后说一句：报价策略没有银弹。你在某个市场跑得很好的策略，换到另一个市场可能完全失效。我建议你多观察、多测试，找到适合自己风格和风险偏好的组合。

---

公众号:蓝海资料掘金营，微信deep3321