4. 报价策略设计：对称报价与非对称报价、报价宽度与市场波动率的关系、动态调整报价

做市商的核心工作，说白了就是「报价」。你报什么价，决定了你能不能赚钱，也决定了你会不会亏钱。这一章我重点聊聊报价策略的设计，包括对称与非对称报价、报价宽度怎么跟波动率挂钩，以及如何动态调整。

我个人习惯把报价策略分成三个层次：基础形态（对称 vs 非对称）、宽度控制（跟波动率的关系）、动态调整（实时响应市场）。咱们一个一个来拆。

4.1 对称报价与非对称报价

先讲最基础的概念。对称报价，就是买价和卖价相对于中间价是对称的。比如中间价是100，你报买价99.5，卖价100.5，两边各0.5的价差。非对称报价，就是两边不对称，比如买价99.3，卖价100.5，买侧收窄，卖侧放宽。

什么时候用对称？什么时候用非对称？我总结了几条经验：

• 市场中性时用对称：当市场没有明显方向，波动率稳定，对称报价最省心。你不需要判断方向，只需要赚取买卖价差。我在做ETF做市时，大部分时间都用对称报价，省去了方向判断的麻烦。
• 有库存偏向时用非对称：如果你手里库存太多，想减仓，那就把卖价报低一点，买价报高一点，说白了就是「想卖就降价，想买就提价」。我曾经在某个币种上库存积压严重，硬扛对称报价，结果市场一跌，亏损惨重。后来改成非对称报价，主动调整库存，效果好了很多。
• 信息不对称时用非对称：如果你觉得市场即将有重大消息，或者你比对手方更了解某个品种的真实价值，可以主动调整报价偏向。但这里要小心，别把自己玩进去。

举个例子，假设你持有大量某股票，想逐步减仓。你的报价策略可以这样设计：

# 非对称报价示例
mid_price = 100.0
inventory_skew = 0.2  # 库存偏向系数，正值表示偏向卖出

bid_price = mid_price - spread/2 - inventory_skew
ask_price = mid_price + spread/2 - inventory_skew

# 结果：买价更低，卖价也更低，整体偏向卖出侧

嗯，这里要注意：非对称报价不是随便调的。调得太狠，容易被套利者盯上。我见过有人把买价调得特别高，结果被高频交易者疯狂砸单，瞬间亏掉一大笔。

4.2 报价宽度与市场波动率的关系

报价宽度，就是买卖价差。这个宽度怎么定？最核心的变量就是波动率。

道理很简单：波动率越高，价格跳动的风险越大。你报一个窄价差，万一价格瞬间跳过去，你就亏了。所以波动率越高，价差应该越宽。

我常用的一个公式是：

spread = k * sigma * sqrt(T)

其中：
- sigma：波动率（年化）
- T：持仓时间（通常用秒或毫秒）
- k：调整系数（通常1.5~3.0）

这个公式来自期权定价的灵感。你想想看，做市商本质上是在卖期权——你提供流动性，相当于卖了一个跨式期权。价差就是你的期权费。

我在实际项目中，会把波动率分成几个档位：

这个表格是我自己总结的，不一定适用于所有品种。但核心逻辑是：波动率翻倍，价差至少翻倍。别想着在波动率高的时候赚更多，风险控制永远是第一位的。

4.3 动态调整报价

静态报价策略是死路一条。市场在变，你的报价也必须跟着变。动态调整的核心，就是根据实时市场数据，自动调整报价参数。

我一般把动态调整分成三个维度：

• 基于波动率的调整：实时计算滚动波动率，动态调整价差。比如用过去5分钟的1秒K线计算波动率，每10秒更新一次。
• 基于库存的调整：监控当前库存水平，如果偏离目标库存，就调整报价偏向。比如库存超过上限，就主动降价卖出。
• 基于订单簿的调整：观察对手方的订单簿深度，如果某个价位有大量挂单，可以适当调整自己的报价位置。

下面是一个简单的动态调整框架：

class DynamicMarketMaker:
    def __init__(self, target_inventory=100):
        self.target_inventory = target_inventory
        self.current_inventory = 0
        self.volatility = 0.0
        
    def update_volatility(self, price_history):
        # 计算滚动波动率
        returns = np.diff(np.log(price_history))
        self.volatility = np.std(returns) * np.sqrt(252 * 24 * 3600)
        
    def calculate_spread(self):
        # 基础价差
        base_spread = 1.5 * self.volatility * 0.01
        
        # 库存调整
        inventory_deviation = (self.current_inventory - self.target_inventory) / self.target_inventory
        inventory_adjustment = 0.2 * inventory_deviation
        
        # 最终价差
        spread = base_spread * (1 + abs(inventory_adjustment))
        return spread, inventory_adjustment
    
    def get_quotes(self, mid_price):
        spread, skew = self.calculate_spread()
        bid = mid_price - spread/2 - skew
        ask = mid_price + spread/2 - skew
        return bid, ask

这个代码很粗糙，但核心思想都在里面了。实际生产环境中，你还需要考虑：

• 更新频率：别太频繁，否则容易产生大量废单。我一般用100ms~500ms的更新间隔。
• 平滑处理：参数变化不要太剧烈，加个指数移动平均。
• 异常检测：如果某个参数突然跳变，先暂停，检查一下数据源。

4.4 知识体系总览

为了让你更直观地理解这一章的内容，我画了一张图，把报价策略的核心逻辑串起来：

这张图展示了报价策略的完整流程：市场数据进来后，经过波动率、库存、订单簿三个维度的分析，最终决定采用对称还是非对称报价。注意那个反馈循环——成交数据会反过来影响参数，形成一个闭环。

这一章的内容就到这里。报价策略是门手艺活，光看理论没用，得在实际交易中不断打磨。我建议你从模拟盘开始，把对称报价跑熟了，再慢慢加入非对称和动态调整。别一上来就想搞复杂的策略，容易翻车。