第30章课程总结与项目实战

第30章：课程总结与项目实战：构建一个完整的做市策略回测与优化系统

终于到了最后一章。说实话，写到这里我挺感慨的。从第一行代码开始，我们一步步搭建了做市策略的整个知识体系。这一章，咱们不聊新概念，而是把之前所有东西串起来，亲手构建一个完整的回测与优化系统。

我个人习惯，在项目收尾时一定要做一次“全景复盘”。你想想看，做市策略的核心无非三件事：报价逻辑、库存管理、风险控制。这三件事拧在一起，才是一个能跑的系统。

系统架构总览

先看整体结构。我画了一张图，帮你快速建立全局视角：

这张图我反复改了好几版。你会发现，数据在最底层，策略在中间，回测优化在最上层。为什么这么排？因为数据是地基，策略是骨架，回测是检验手段。我在项目中遇到过不少团队，一上来就调参数，结果数据没清洗干净，全白干。

核心模块实现

咱们拆开来看。每个模块我都给出关键代码，你直接拿去用。

1. 数据加载与预处理

数据质量决定回测质量。我习惯用Level2 Tick数据，但如果没有，1分钟Bar也能凑合。

import pandas as pd
import numpy as np

def load_market_data(file_path, freq='1min'):
    """
    加载行情数据，支持Tick和Bar两种格式
    """
    df = pd.read_csv(file_path, parse_dates=['timestamp'])
    df.set_index('timestamp', inplace=True)

    # 重采样到指定频率
    if freq != 'tick':
        df = df.resample(freq).agg({
            'bid_price1': 'last',
            'ask_price1': 'last',
            'bid_volume1': 'sum',
            'ask_volume1': 'sum',
            'last_price': 'last',
            'volume': 'sum'
        }).fillna(method='ffill')

    return df

我的经验：数据里经常有空值，尤其是非活跃时段。我曾经因为没处理NaN，回测结果看起来年化收益50%，实盘直接亏成狗。记住：fillna(method='ffill') 是你的好朋友。

2. 做市策略引擎

这是核心。我实现了一个带库存管理的做市策略，支持动态调整价差。

class MarketMakingStrategy:
    def __init__(self, spread=0.001, position_limit=1000, rebalance_threshold=0.5):
        self.spread = spread  # 价差宽度（百分比）
        self.position_limit = position_limit  # 最大持仓
        self.rebalance_threshold = rebalance_threshold  # 再平衡阈值
        self.position = 0  # 当前持仓
        self.cash = 1000000  # 初始资金

    def generate_quotes(self, mid_price, inventory):
        """
        根据当前库存调整报价
        """
        # 库存偏移量：持仓越多，报价越偏向卖出
        inventory_skew = inventory / self.position_limit
        adjusted_spread = self.spread * (1 + abs(inventory_skew))

        bid_price = mid_price * (1 - adjusted_spread / 2 - inventory_skew * 0.0001)
        ask_price = mid_price * (1 + adjusted_spread / 2 - inventory_skew * 0.0001)

        return bid_price, ask_price

    def check_rebalance(self):
        """
        检查是否需要再平衡
        """
        return abs(self.position) / self.position_limit > self.rebalance_threshold

说白了，这个策略的核心逻辑就是：库存多了就压低买价、抬高卖价，让市场帮你把库存消化掉。我刚开始做的时候，总想着靠预测方向赚钱，后来发现做市商赚的是流动性差价，不是方向性收益。

3. 模拟撮合引擎

回测的关键在于撮合逻辑。不能太理想化，否则结果失真。

class SimulatedExchange:
    def __init__(self, slippage=0.0001):
        self.slippage = slippage  # 滑点
        self.trades = []

    def match_order(self, quote_bid, quote_ask, market_bid, market_ask, volume):
        """
        模拟撮合：市价单与做市报价的交互
        """
        # 买单成交条件：做市卖价 <= 市场买价
        buy_volume = 0
        if quote_ask <= market_bid:
            buy_volume = volume
            fill_price = quote_ask * (1 + self.slippage)

        # 卖单成交条件：做市买价 >= 市场卖价
        sell_volume = 0
        if quote_bid >= market_ask:
            sell_volume = volume
            fill_price = quote_bid * (1 - self.slippage)

        return buy_volume, sell_volume, fill_price

注意：滑点参数别设成0。我见过有人回测时滑点为0，结果实盘每笔交易都亏在滑点上。建议至少设0.01%，高频做市可以设0.005%。

参数优化：从手动到自动

参数优化是回测的终极目标。我提供两种方法：网格搜索和贝叶斯优化。

网格搜索

简单粗暴，适合参数少的情况。

def grid_search(strategy_class, data, param_grid):
    best_params = None
    best_sharpe = -np.inf

    for spread in param_grid['spread']:
        for limit in param_grid['position_limit']:
            strategy = strategy_class(spread=spread, position_limit=limit)
            result = backtest(strategy, data)
            sharpe = result['sharpe_ratio']

            if sharpe > best_sharpe:
                best_sharpe = sharpe
                best_params = {'spread': spread, 'position_limit': limit}

    return best_params, best_sharpe

贝叶斯优化

参数多的时候，网格搜索太慢了。贝叶斯优化能更快找到最优区域。

from skopt import gp_minimize

def objective(params):
    spread, limit, threshold = params
    strategy = MarketMakingStrategy(
        spread=spread,
        position_limit=int(limit),
        rebalance_threshold=threshold
    )
    result = backtest(strategy, data)
    return -result['sharpe_ratio']  # 最小化负夏普

res = gp_minimize(
    objective,
    dimensions=[(0.0005, 0.005), (500, 5000), (0.3, 0.8)],
    n_calls=50,
    random_state=42
)

print(f"最优参数：价差={res.x[0]:.4f}, 持仓限制={int(res.x[1])}, 再平衡阈值={res.x[2]:.2f}")

我的建议：先用网格搜索跑一遍，了解参数的大致范围。然后用贝叶斯优化精细调优。别一上来就贝叶斯，容易陷入局部最优。我曾经在一个项目上直接跑贝叶斯，结果最优参数是价差0.0001，实盘根本没法做——太窄了，手续费都覆盖不了。

绩效评估指标

回测完了，怎么判断好坏？我一般看这几个指标：

指标	计算公式	说明
夏普比率	(年化收益 - 无风险利率) / 年化波动率	风险调整后收益，做市策略通常 > 2
最大回撤	max(峰值 - 谷值) / 峰值	做市策略应 < 5%，否则风控有问题
胜率	盈利交易数 / 总交易数	做市策略胜率通常较高，但单笔盈利小
库存周转率	总交易量 / 平均库存	越高说明流动性提供越活跃

你想想看，如果一个做市策略夏普比率不到1，最大回撤超过10%，那还不如去买ETF。我见过最离谱的一个策略，回测夏普3.5，实盘两周爆仓——后来发现是回测时没算手续费。

完整回测流程

最后，我把所有模块串起来，形成一个完整的回测流程：

def run_full_backtest(config):
    # 1. 加载数据
    data = load_market_data(config['data_path'], config['freq'])

    # 2. 初始化策略和交易所
    strategy = MarketMakingStrategy(
        spread=config['spread'],
        position_limit=config['position_limit'],
        rebalance_threshold=config['rebalance_threshold']
    )
    exchange = SimulatedExchange(slippage=config['slippage'])

    # 3. 回测主循环
    for timestamp, row in data.iterrows():
        mid_price = (row['bid_price1'] + row['ask_price1']) / 2
        bid, ask = strategy.generate_quotes(mid_price, strategy.position)

        buy_vol, sell_vol, fill_price = exchange.match_order(
            bid, ask, row['bid_price1'], row['ask_price1'], config['trade_volume']
        )

        # 更新持仓和资金
        strategy.position += buy_vol - sell_vol
        strategy.cash -= buy_vol * fill_price
        strategy.cash += sell_vol * fill_price

        # 检查再平衡
        if strategy.check_rebalance():
            # 执行再平衡逻辑（略）
            pass

    # 4. 计算绩效
    result = calculate_performance(strategy, data)
    return result

核心要点：

数据质量 > 策略复杂度。先花70%时间清洗数据。
回测必须包含手续费、滑点、冲击成本。
参数优化要避免过拟合，建议用滚动窗口验证。
库存管理是做市策略的生命线，别忽视。

嗯，到这里，整个课程的内容就全部结束了。从第一行的K线基础，到最后一行的完整回测系统，我们走过了30章。说实话，做市策略这条路没有终点，市场在变，参数要调，系统要迭代。但只要你掌握了这套方法论，无论市场怎么变，你都能快速适应。

最后送你一句话：回测是过去，实盘是未来。别让回测的幻觉，毁了实盘的信心。

📚 课程目录