4. 存货风险模型：做市商的存货成本、最优报价策略

做市商这活儿，表面看是赚买卖价差，实际上是在跟存货风险打交道。我做了这么多年，见过太多人只盯着那点手续费，结果被存货风险一把拖垮。说白了，你手里囤了一堆资产，价格一波动，账面浮亏比赚的价差还多。

这一章，我们就来拆解存货风险模型。我会从最基础的存货成本讲起，然后推导最优报价策略。嗯，这部分数学有点多，但我会尽量用白话讲清楚。

4.1 存货成本：做市商真正的敌人

做市商的存货成本，不是指你买资产花了多少钱。而是指你持有存货期间，价格波动带来的潜在损失。我习惯把它拆成三块：

• 价格风险成本：资产价格朝不利方向变动，导致存货贬值。这是最直接的。
• 机会成本：资金被存货占用，错过了其他交易机会。你想想看，如果资金空仓，可能赚得更多。
• 流动性成本：存货太多，想平仓时发现市场深度不够，只能打折卖。我在项目中遇到过，某次做市一个冷门币种，手里囤了10万个，结果想出货时，买单深度只有几百个，硬是砸了三个小时才出完。

4.2 存货风险的数学建模

做市商的存货风险，本质上是一个随机过程问题。我习惯用库存模型来刻画。假设你做市某个资产，当前库存为 I，资产价格服从几何布朗运动：

dS = μS dt + σS dW

其中 μ 是漂移率，σ 是波动率，dW 是维纳过程。那么你的存货价值变化就是：

dV = I * dS = I * (μS dt + σS dW)

这里有个关键点：存货价值的变化不仅取决于价格波动，还取决于你的库存量 I。库存越大，风险敞口越大。

为什么会这样？因为做市商不是被动持仓，而是主动调整报价来管理库存。你想想看，如果库存为正（手里有货），你应该降低买价、提高卖价，鼓励别人买你的货，减少库存。反之亦然。

4.3 最优报价策略：从理论到实践

最优报价策略的核心，就是在价差收益和存货风险之间找平衡。我建议用以下框架来推导：

1. 定义目标函数：最大化期望收益，同时惩罚存货风险。
2. 建立动态规划方程：考虑未来所有可能的价格路径。
3. 求解最优报价：得到买价和卖价的表达式。

具体来说，假设做市商的目标是最大化以下效用函数：

U = E[∫ e^(-ρt) * (π(t) - λ * I(t)^2) dt]

其中 π(t) 是瞬时利润，I(t) 是库存，λ 是风险厌恶系数，ρ 是折现率。这个公式的意思是：你既要赚利润，又要控制库存风险，而且库存风险是平方惩罚——库存越大，惩罚越重。

通过求解HJB方程（Hamilton-Jacobi-Bellman），可以得到最优报价：

参数	最优买价	最优卖价
基础价格	S - δ/2	S + δ/2
库存调整项	- γ * I	- γ * I
最终报价	S - δ/2 - γI	S + δ/2 - γI

这里 δ 是基础价差，γ 是库存调整系数，I 是当前库存。注意看：当库存为正时，买价和卖价都下调了。这意味着你更愿意卖货，而不是买货。当库存为负时，报价上调，鼓励买入。

4.4 避坑指南：我曾经踩过的坑

讲几个我亲身经历过的教训：

• 过度调整报价：我曾经在某个币种上，因为库存为正，把卖价压得太低，结果被套利者一把扫光。后来我加了限幅，报价调整不超过基础价差的50%。
• 忽略流动性分层：不同交易所的流动性不同，最优报价策略也要调整。在深度好的交易所，可以激进一点；在深度差的交易所，要保守。
• 忘记更新参数：市场环境在变，波动率、成交量都在变。我建议每5分钟重新计算一次最优报价参数，而不是用固定的值。

4.5 知识体系：存货风险模型的核心逻辑

下面这张图，是我自己梳理的存货风险模型知识体系。你可以把它当作一个思维导图来用：

4.6 实战案例：一个简单的Python实现

最后，我贴一段代码。这是我早期做市时用的一个简化版存货风险模型。虽然现在用更复杂的版本了，但这个框架依然适用：

import numpy as np

class InventoryModel:
    def __init__(self, base_spread=0.001, risk_aversion=0.1, volatility=0.5):
        self.base_spread = base_spread  # 基础价差
        self.risk_aversion = risk_aversion  # 风险厌恶系数
        self.volatility = volatility  # 波动率
        self.inventory = 0  # 当前库存
        
    def optimal_quotes(self, mid_price):
        # 库存调整系数，与波动率正相关
        gamma = self.risk_aversion * self.volatility
        
        # 基础买价和卖价
        bid = mid_price - self.base_spread / 2
        ask = mid_price + self.base_spread / 2
        
        # 库存调整
        bid_adjusted = bid - gamma * self.inventory
        ask_adjusted = ask - gamma * self.inventory
        
        return bid_adjusted, ask_adjusted
    
    def update_inventory(self, trade_quantity):
        self.inventory += trade_quantity
        # 限制库存范围，防止过度积累
        self.inventory = np.clip(self.inventory, -1000, 1000)

# 使用示例
model = InventoryModel(base_spread=0.002, risk_aversion=0.2, volatility=0.3)
bid, ask = model.optimal_quotes(mid_price=100.0)
print(f"最优报价: 买价={bid:.4f}, 卖价={ask:.4f}")

嗯，存货风险模型就讲到这里。记住一句话：做市商不是赌方向，而是管库存。把库存管好了，价差就是你的稳定收益。

---

公众号:蓝海资料掘金营，微信deep3321