4、经典库存模型：Avellaneda-Stoikov模型、Ho-Stoll模型、库存厌恶系数
做市商的核心难题是什么？说白了就两个字：库存。
你手里囤了一堆货，价格一跌就亏钱。你手里没货，行情来了又赚不到。这个度怎么把握？经典模型给了我们答案。
今天聊三个东西：Avellaneda-Stoikov模型、Ho-Stoll模型，还有那个让人又爱又恨的库存厌恶系数。我当年刚入行时，觉得这些模型就是数学游戏。直到实盘跑起来，被市场狠狠教育了一顿，才明白——嗯，经典之所以是经典，是有道理的。
4.1 Avellaneda-Stoikov模型：动态报价的基石
这个模型是2008年提出的。说实话，它不算复杂，但思路非常巧妙。
核心思想是什么？你的报价要随着库存变化动态调整。
你手里存货多了，就降价卖。存货少了，就提价买。听起来像常识对吧？但人家用数学把这事说清楚了。
模型里有个关键公式：
δ(s, q, t) = γσ²(T-t) + (1/γ) * ln(1 + γ/κ * q)
其中：
δ = 最优报价价差的一半
s = 当前价格
q = 库存量（正数表示多头，负数表示空头）
t = 当前时间
T = 交易结束时间
γ = 风险厌恶系数
σ = 波动率
κ = 订单到达强度这个公式看着唬人，其实就说了两件事：
- 时间因素：离收盘越近，价差越大。因为你要赶在收盘前把库存清掉。
- 库存因素：库存越多，报价越偏向于卖出。库存为负（空头），报价越偏向于买入。
我在项目中遇到过一个问题：这个模型假设订单到达是泊松过程。但实盘中，订单流有明显的聚集效应。所以直接用这个公式，报价会偏保守。我的做法是加一个动态调整因子，根据最近1秒的订单频率修正κ值。
4.2 Ho-Stoll模型：考虑对手方行为
Ho-Stoll模型比Avellaneda-Stoikov更早，1979年就提出来了。它关注的是另一个维度——对手方会怎么反应。
你想想看，你报了一个价格，对手方会不会接？接了之后，市场情绪会怎么变？Ho-Stoll模型把这些都考虑进去了。
模型的核心假设是：
- 做市商是风险厌恶的
- 订单流是随机的，但受报价影响
- 库存成本是二次函数形式
它的最优报价策略可以简化为：
最优买价 = 真实价值 - 库存成本项 - 信息不对称项
最优卖价 = 真实价值 + 库存成本项 + 信息不对称项说白了，就是你在报价里要留出两个缓冲：一个是库存风险，一个是信息劣势。
我曾经踩过一个坑：只考虑了库存成本，忽略了信息不对称项。结果遇到大资金进场，我的报价被反复吃掉，库存瞬间爆仓。后来我学乖了，在Ho-Stoll模型基础上，加了一个订单流不平衡指标，用来动态调整信息不对称项的大小。
4.3 库存厌恶系数：量化你的恐惧
库存厌恶系数，英文叫Inventory Aversion Coefficient。说白了，就是你有多怕手里有货。
这个系数通常用γ（伽马）表示。γ越大，你越厌恶库存，报价会越激进地往清仓方向偏移。γ越小，你越不在乎库存，报价会更接近市场中间价。
怎么确定这个γ值？我总结了三种方法：
| 方法 | 原理 | 适用场景 | 我的建议 |
|---|---|---|---|
| 历史回测法 | 用历史数据跑不同γ值，选夏普比最高的 | 数据充足，市场稳定 | 最推荐，但要注意过拟合 |
| 风险预算法 | 根据最大回撤容忍度反推γ | 风控严格，有明确止损线 | 适合机构，个人用有点保守 |
| 自适应法 | 用实时波动率动态调整γ | 波动率变化大的品种 | 我目前在用的方法，效果不错 |
我个人习惯用自适应法。具体做法是：
γ_t = γ_0 * (σ_0 / σ_t)
其中：
γ_t = 当前时刻的库存厌恶系数
γ_0 = 基准系数（通过回测得到）
σ_0 = 基准波动率（过去20天的平均波动率）
σ_t = 当前波动率（最近5分钟的波动率）这样做的逻辑很简单：波动率大的时候，库存风险更大，所以要更厌恶库存。波动率小的时候，可以稍微放松一点。
4.4 三个模型的对比与选择
说了这么多，到底该用哪个？我画了一张图，帮你理清思路：
我的建议很简单：
- 如果你做的是高频做市（毫秒级报价），优先用Avellaneda-Stoikov。它计算快，参数少，适合机器跑。
- 如果你做的是中低频做市（秒级或分钟级报价），用Ho-Stoll。它考虑得更周全，能帮你避开一些大坑。
- 不管用哪个模型，库存厌恶系数都要单独拿出来调。它就像做市策略的"油门"，决定了你的激进程度。
好了，经典库存模型就聊到这里。记住，模型只是工具，关键是你怎么用它。下一章我们聊聊实战中的库存管理技巧，到时候我会分享一些踩坑经历，保证让你少走弯路。
公众号:蓝海资料掘金营，微信deep3321