第4章价差策略设计

4. 价差策略设计：固定价差策略、动态价差策略、基于波动率的价差调整、基于订单簿不平衡的价差调整、价差与库存风险的平衡

做市商的核心工作，说白了就是「低买高卖」赚价差。但价差设多少，是个技术活。

设太宽，单子挂不出去，赚不到钱。设太窄，虽然成交快，但容易被高频玩家反复收割。我见过不少新手做市商，上来就把价差压到0.01%，结果被套利机器人来回摩擦，库存全亏光了。

这一章，我们来拆解价差设计的几种主流思路。我会结合实战经验，把每种策略的优缺点、适用场景都讲透。

4.1 固定价差策略

这是最基础的策略。说白了，就是不管市场怎么变，我就在中间价两边各挂一个固定宽度的单子。

比如BTC/USDT当前中间价是50000，我设价差0.1%，那么买单价就是49975，卖单价就是50025。就这么简单。

  优点：实现简单，逻辑清晰，适合新手入门。
  
  缺点：市场波动大时容易被吃掉，波动小时又赚不够。

我在项目中遇到过一个小团队，他们用固定价差做ETH/USDT，设了0.05%。结果那天ETH突然拉升3%，他们的卖单瞬间被扫光，库存全变成了USDT。嗯，这就是固定价差的典型风险——你无法适应市场变化。

我的建议：固定价差只适合在低波动、高流动性的成熟币对上使用。比如BTC/USDT、ETH/USDT的主交易对。别拿它去做山寨币。

4.2 动态价差策略

动态价差，就是让价差跟着市场走。市场波动大，我就把价差拉宽；市场平稳，我就收窄。

为什么这么做？你想想看，波动大的时候，价格跳来跳去，你设窄价差很容易被「插针」打穿。拉宽一点，给自己留点安全垫。

最简单的动态价差公式：

spread = base_spread + k * volatility

其中base_spread是基础价差，k是敏感系数，volatility是当前波动率。

我习惯用过去N笔成交的收益率标准差来算波动率。N取多少？我个人觉得20-50比较合适，太短了噪声大，太长了反应慢。

注意：动态价差虽然比固定价差灵活，但参数调不好也会出问题。我曾经把k设得太大，结果波动稍微一高，价差直接拉到了0.5%，单子根本挂不出去，白白浪费了行情。

4.3 基于波动率的价差调整

这个策略是动态价差的升级版。核心思想是：用更精细的波动率模型来指导价差调整。

常用的波动率指标有：

历史波动率（HV）：过去一段时间价格变动的标准差
已实现波动率（RV）：用高频数据算的日内波动
隐含波动率（IV）：从期权价格反推的波动率（如果有期权市场）

我个人比较喜欢用已实现波动率。为什么呢？因为它反应快，能捕捉到分钟级别的波动变化。

举个例子：

def calc_spread_by_volatility(mid_price, rv, base_spread=0.0005):
    # rv: 已实现波动率，比如0.02表示2%
    # 当rv < 0.01时，用基础价差
    # 当rv在0.01-0.05之间，价差线性放大
    # 当rv > 0.05时，价差设到最大0.002
    
    if rv < 0.01:
        return base_spread
    elif rv < 0.05:
        return base_spread + (rv - 0.01) * 0.03
    else:
        return 0.002

这段代码看着简单，但实际跑起来效果不错。我在做SOL/USDT时用过类似的逻辑，把价差从0.03%到0.15%动态调整，整体收益比固定价差高了大概30%。

小技巧：波动率计算的时间窗口要跟你的做市频率匹配。如果你是高频做市（秒级），用1-5分钟窗口；如果是中低频（分钟级），用15-30分钟窗口。

4.4 基于订单簿不平衡的价差调整

这个策略关注的是订单簿的「形状」。说白了，就是看买单多还是卖单多。

订单簿不平衡指标（Order Book Imbalance, OBI）的计算方式：

OBI = (bid_volume - ask_volume) / (bid_volume + ask_volume)

OBI的取值范围是[-1, 1]。正值表示买单多，负值表示卖单多。

当OBI很大时（比如0.8），说明买方力量强，价格可能要涨。这时候你应该把卖单价差拉宽，把买单价差收窄。反过来也一样。

我见过一个很经典的实现：

def adjust_spread_by_obi(base_spread, obi, max_adjust=0.5):
    # obi: -1 到 1
    # 根据obi调整价差偏移
    adjust = obi * max_adjust
    bid_spread = base_spread * (1 - adjust)  # 买单收窄
    ask_spread = base_spread * (1 + adjust)  # 卖单拉宽
    return bid_spread, ask_spread

避坑指南：我曾经在某个小币种上用过这个策略，结果OBI指标被一个大户的虚假挂单给骗了。他挂了一大堆买单但不成交，OBI飙到0.9，我把买单价差收得很窄，结果他撤单后价格暴跌，我直接被套。所以，用OBI时一定要结合成交量过滤，别只看挂单量。

4.5 价差与库存风险的平衡

这是价差设计的终极难题。价差设得宽，库存风险小，但赚得少。价差设得窄，成交快，但库存风险大。

怎么平衡？核心思路是：让价差反映你的库存风险暴露。

具体来说，就是引入一个「库存惩罚因子」。当你的库存偏离目标水平时，价差自动调整。

比如你的目标库存是50% BTC、50% USDT。现在BTC库存变成了60%，说明你BTC多了，风险暴露大。这时候应该把BTC的卖单价差收窄（鼓励卖出），把买单价差拉宽（抑制买入）。

一个简单的实现：

def inventory_adjusted_spread(base_spread, inventory_ratio, target_ratio=0.5):
    # inventory_ratio: 当前库存比例（比如BTC占比）
    # target_ratio: 目标库存比例
    deviation = inventory_ratio - target_ratio
    # deviation为正，说明BTC多了，要鼓励卖出
    bid_spread = base_spread * (1 + deviation * 2)  # 买单价差拉宽
    ask_spread = base_spread * (1 - deviation * 2)  # 卖单价差收窄
    return bid_spread, ask_spread

  核心原则：库存偏离越大，价差调整幅度越大。但要注意设一个上限，别让价差变成负数或者太离谱。

我个人的经验是，把库存风险调整和波动率调整结合起来用效果最好。比如：

先用波动率算出基础价差
再用OBI做方向性微调
最后用库存风险做最终修正

三层叠加，基本能应对大部分市场情况。

知识体系总览

下面这张图总结了价差策略的核心逻辑和相互关系：

这张图把价差策略的四个子策略和库存风险平衡的关系画清楚了。你可以看到，从最简单的固定价差，到动态价差，再到基于波动率和OBI的精细调整，最后都要回归到库存风险这个核心问题上。

嗯，价差设计没有银弹。不同的币种、不同的市场环境、不同的资金规模，适合的策略都不一样。我建议你从固定价差开始，逐步加入动态调整，最后再引入库存风险控制。一步一步来，别想一口吃成胖子。

最后说一句：价差策略的成败，很大程度上取决于你对市场的理解。多观察、多回测、多复盘。我曾经花了一个月时间调参数，最后发现最简单的策略反而最赚钱。有时候，少即是多。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

4. 价差策略设计：固定价差策略、动态价差策略、基于波动率的价差调整、基于订单簿不平衡的价差调整、价差与库存风险的平衡

4.1 固定价差策略

4.2 动态价差策略

4.3 基于波动率的价差调整

4.4 基于订单簿不平衡的价差调整

4.5 价差与库存风险的平衡

知识体系总览