做市商报价模型：Avellaneda-Stoikov 模型原理

做市商的核心工作，说白了就是「低买高卖」赚差价。但怎么定这个「低」和「高」？拍脑袋肯定不行。今天我要讲的 Avellaneda-Stoikov 模型，就是一套数学框架，帮你算出最优的报价宽度。

我个人习惯把 AS 模型看作「库存管理的艺术」。你想想看，做市商手里有货，既怕砸手里，又怕卖飞了。这个模型就是帮你平衡这两件事。

模型的核心思想

AS 模型假设市场是连续交易的，做市商的目标是最大化预期效用。它把做市问题拆成两部分：

• 库存风险：你手里持有的资产越多，价格波动的风险就越大
• 报价策略：通过调整买卖报价，控制库存水平

我在项目中遇到过这样的情况：刚开始做市时，我总想把买卖价差压得很窄，觉得这样能多成交。结果市场一波动，库存瞬间爆仓，亏得我头皮发麻。后来用了 AS 模型，才明白报价宽度不是越窄越好。

库存风险厌恶系数 γ

这个 γ 是模型里最关键的参数。它代表你对风险的厌恶程度。

• γ 越大：你越怕风险，报价会越宽，库存控制得更紧
• γ 越小：你更激进，报价窄，追求更多成交

我记得有一次帮客户调参数，他死活不肯用 γ=0.05，觉得太保守。结果回测下来，γ=0.02 的时候爆仓了三次。嗯，从那以后他再也不敢乱调了。

最优报价宽度计算

AS 模型给出的最优报价宽度公式是这样的：

最优买价 = 中间价 - (γ * σ² * T * q) - (s/2)
最优卖价 = 中间价 + (γ * σ² * T * q) + (s/2)

其中：

符号	含义	说明
γ	库存风险厌恶系数	你有多怕风险
σ	波动率	资产价格的波动程度
T	时间窗口	你计划持仓多久
q	当前库存	你手里有多少货
s	基础价差	市场的最小价差单位

Python 实现报价更新逻辑

下面是我在实际项目中用过的代码。它实现了 AS 模型的报价更新逻辑：

import numpy as np

class AvellanedaStoikov:
    def __init__(self, gamma=0.05, sigma=0.02, T=1.0, spread=0.01):
        self.gamma = gamma      # 风险厌恶系数
        self.sigma = sigma      # 波动率
        self.T = T              # 时间窗口
        self.spread = spread    # 基础价差
        
    def calculate_quotes(self, mid_price, inventory):
        """
        计算最优买卖报价
        :param mid_price: 当前中间价
        :param inventory: 当前库存（正数表示多头，负数表示空头）
        :return: (bid_price, ask_price)
        """
        # 计算库存调整项
        inventory_adjust = self.gamma * (self.sigma ** 2) * self.T * inventory
        
        # 计算报价
        bid_price = mid_price - inventory_adjust - (self.spread / 2)
        ask_price = mid_price - inventory_adjust + (self.spread / 2)
        
        return bid_price, ask_price
    
    def update_quotes(self, mid_price, inventory, market_data):
        """
        实时更新报价
        :param market_data: 包含最新波动率等市场数据
        """
        # 更新波动率
        self.sigma = market_data.get('volatility', self.sigma)
        
        # 重新计算报价
        return self.calculate_quotes(mid_price, inventory)

# 使用示例
mm = AvellanedaStoikov(gamma=0.05, sigma=0.02, T=1.0, spread=0.01)
bid, ask = mm.calculate_quotes(mid_price=100.0, inventory=10)
print(f"最优买价: {bid:.2f}, 最优卖价: {ask:.2f}")

模型的实际应用

AS 模型不是万能的。我在实战中发现几个坑：

• 波动率突变：模型假设波动率稳定，但市场经常不按套路出牌
• 流动性不足：在深度很浅的市场，模型算出的报价可能根本成交不了
• 参数过拟合：别把 γ 调得太精细，回测漂亮不代表实盘好用

你想想看，如果市场突然暴跌，波动率瞬间飙升，模型会让你把报价拉得很宽。这时候你反而可能错失抄底机会。所以，我一般会在模型外面加一层风控逻辑，比如最大库存限制、最大亏损限制等。

小结

Avellaneda-Stoikov 模型是做市商报价的经典框架。它把库存风险和报价策略结合起来，给出了数学上的最优解。但记住，模型只是工具，真正的艺术在于参数调优和风控设计。

我个人习惯先用历史数据回测，找到合适的 γ 范围，再上实盘小量测试。别一上来就全仓干，那是在赌命。