课程导入:学习目标、核心概念与整体框架

做市策略(Market Making Strategy)是量化交易领域中最具技术深度与实战价值的策略类型之一。它并非简单地“低买高卖”,而是通过持续向市场提供双边报价(Bid/Ask),赚取买卖价差(Spread),同时通过严格的库存管理控制方向性风险。本课程将系统拆解做市策略从理论到工程落地的完整链路,重点聚焦库存控制与报价优化两大核心支柱。你将学习如何设计一个既能赚取稳定价差、又能在极端行情中生存的做市系统。

做市策略库存控制与报价优化 · 课程知识框架 市场微观结构 · 订单簿动态与流动性分层 · 价差、深度与市场冲击 · 信息驱动 vs 噪声交易 · 高频做市的时间尺度 库存控制(Inventory Control) · 库存偏离度度量(δ) · 库存惩罚函数与风险厌恶 · 库存对冲与再平衡策略 · 库存上限/下限约束 报价优化(Quoting Optimization) · 最优买卖报价(Avellaneda) · 价差动态调整与库存信号 · 报价更新频率与最小跳动 · 订单薄失衡(OBI)因子 风险管理与约束 · 最大持仓限额(Position Limit) · 最大订单暴露(Order Exposure) · 极端行情熔断与撤单机制 执行系统与回测 · 低延迟订单管理(OMS) · 撮合引擎与FIFO队列 · 事件驱动回测框架 实战监控与调优 · 实时PnL与库存曲线 · 报价命中率与成交率分析 · 参数自适应与在线学习 做市策略核心目标 在控制库存风险的前提下,最大化单位时间内的期望价差收益 图1-1 做市策略课程知识框架:六大模块相互耦合,库存控制与报价优化为核心

1.1 学习目标:从理论到可落地的做市系统

本课程面向具备一定量化交易基础、希望深入理解做市策略本质并实现工程化落地的学员。完成本课程后,你将能够:

  • 理解做市策略的微观结构基础:掌握订单簿动态、流动性分层、价差形成机制,以及做市商在价格发现中的角色。
  • 构建库存控制模型:学会用数学语言描述库存风险,设计库存惩罚函数,并制定库存偏离时的报价调整规则。
  • 实现报价优化算法:掌握基于Avellaneda-Stoikov框架的报价模型,理解库存信号如何影响最优买卖报价的偏移。
  • 搭建风控与执行框架:设计持仓限额、订单暴露控制、极端行情熔断机制,并理解低延迟OMS在实盘中的关键作用。
  • 具备回测与实战调优能力:能够搭建事件驱动回测框架,分析报价命中率、库存曲线、PnL归因,并针对不同市场状态调整参数。
课程定位说明:本课程不讲授基础Python语法或简单双均线策略,而是聚焦于做市策略特有的库存-报价耦合问题。你将学习如何将市场微观结构理论转化为可执行的量化代码,并理解每个参数背后的经济学含义。

1.2 核心概念:库存、报价与市场微观结构

做市策略涉及三个相互关联的核心概念,理解它们之间的关系是掌握整个课程的前提。

核心概念 定义 关键指标/参数 对策略的影响
库存(Inventory) 做市商当前持有的标的资产净头寸(多头为正,空头为负) 库存量 Q、库存偏离度 δ = Q / 库存上限 库存偏离目标水平越远,报价偏移越大,以吸引逆向成交
报价(Quoting) 做市商同时挂出的买价(Bid)与卖价(Ask) 买价 S_b、卖价 S_a、价差 S_a - S_b、报价偏移量 δ_b / δ_a 报价决定成交概率与单笔收益,是策略的直接输出
市场微观结构 订单簿的形态、流动性分布、交易者行为模式 盘口深度、订单簿失衡(OBI)、成交频率、波动率 决定报价被击中的概率以及库存变化的路径

三者的关系可以概括为:市场微观结构决定了报价被成交的概率分布,而成交结果改变了库存状态,库存状态又反过来驱动报价的调整。这是一个闭环反馈系统,也是做市策略区别于其他策略的本质特征。

1.3 整体框架:六大模块与学习路径

本课程共30章,分为六大模块,每个模块解决做市策略中的一个关键问题。下表展示了模块划分与对应章节范围:

模块 章节范围 核心内容 实战产出
模块一:市场微观结构 第1-5章 订单簿动态、流动性度量、交易者行为、信息模型 订单簿数据解析与特征提取
模块二:库存控制 第6-11章 库存风险度量、惩罚函数设计、库存再平衡、多资产库存 库存管理模块(Python实现)
模块三:报价优化 第12-17章 Avellaneda模型、动态价差、OBI因子、机器学习报价 报价引擎核心算法
模块四:风险管理 第18-21章 持仓限额、订单暴露、极端行情熔断、压力测试 风控模块与熔断机制
模块五:执行与回测 第22-26章 低延迟OMS、撮合引擎模拟、事件驱动回测框架 完整回测系统
模块六:实战监控与调优 第27-30章 实时PnL归因、参数自适应、在线学习、实盘部署 生产级监控面板与调优流程

1.4 案例拆解:一个典型做市场景的完整闭环

为了让你对做市策略有直观认识,我们用一个简化案例展示库存与报价的耦合过程。假设你在BTC-USDT永续合约上做市,初始库存为0,目标库存也为0。

  1. 初始状态:订单簿显示买一价100,000 USDT,卖一价100,010 USDT,价差10 USDT。你挂出买价100,005、卖价100,015,价差同样为10,但更靠近盘口内侧。
  2. 第一次成交:市场出现一笔主动卖单,你的买单在100,005被击中,库存变为+1 BTC(多头)。此时你的库存偏离度δ = 1/5 = 0.2(假设库存上限为5 BTC)。
  3. 报价调整:根据库存惩罚函数,你开始下调买价至99,995(减少继续买入的概率),同时下调卖价至100,005(增加卖出平仓的概率)。此时价差仍为10,但整体报价下移了5 USDT。
  4. 库存回归:随后市场出现主动买单,你的卖单在100,005被击中,库存回到0。你重新将报价调整回初始水平。
关键启示:上述案例中,报价偏移量(5 USDT)并非随意设定,而是由库存偏离度、市场波动率、剩余交易时间共同决定。本课程第12-17章将详细推导最优偏移公式,并教你如何根据实时数据动态计算。

1.5 常见误区与学习建议

初学者在学习做市策略时,容易陷入以下几个误区:

  • 误区一:认为做市就是“挂单等成交”。实际上,被动挂单只是表象,核心在于主动管理库存风险。没有库存控制的做市策略,在趋势行情中会迅速累积巨额亏损。
  • 误区二:忽视订单簿的微观结构变化。订单簿的深度、失衡、撤单率都在实时变化,静态的报价策略无法适应动态市场。你需要学会从订单簿数据中提取有效特征。
  • 误区三:回测与实盘脱节。做市策略对延迟、手续费、撮合规则极其敏感。回测中忽略这些因素,实盘结果可能完全偏离预期。
  • 误区四:过度追求高成交率。成交率过高往往意味着报价过于激进,价差收益无法覆盖库存风险。需要在成交率与单笔收益之间寻找平衡。
学习建议:本课程每章都配有代码示例与数据集练习。建议你准备一个高性能的Python环境(推荐使用pandas、numpy、numba),并下载历史订单簿数据(如Binance或OKX的深度快照)进行同步练习。做市策略的每一个理论公式,都需要通过代码验证才能真正理解。