做市算法核心组件：信号生成模块、定价引擎、订单管理模块、风险管理模块、绩效评估模块
做市算法，说白了就是一套自动化的交易决策系统。它不像散户那样凭感觉买卖，而是靠几个核心模块协同工作。我做了这么多年量化，见过太多人把做市想得太简单——以为就是挂单吃价差。其实不然，一个成熟的做市算法，至少包含五个核心组件。
今天我就把这五个模块拆开来讲。每个模块都有它的设计哲学，也有我踩过的坑。
1. 信号生成模块
信号生成模块是整个系统的眼睛。它负责判断当前市场状态，给出交易方向建议。
我个人习惯把信号分为三类：
- 趋势信号：基于价格动量、均线系统等
- 均值回复信号：基于布林带、RSI等震荡指标
- 微观结构信号：基于订单簿不平衡、成交速度等
这里有个关键点——信号不是越多越好。我在项目中遇到过一位同事，把十几个信号堆在一起，结果系统反而更不稳定。后来我们只保留了三个核心信号，效果反而提升了。
核心原则：信号之间要尽量正交，避免多重共线性。否则你以为是信号共振，其实是噪声叠加。
举个简单的信号生成代码：
def generate_signal(order_book, trades):
# 订单簿不平衡信号
bid_volume = sum(order_book['bids'][:5].volume)
ask_volume = sum(order_book['asks'][:5].volume)
imbalance = (bid_volume - ask_volume) / (bid_volume + ask_volume)
# 成交速度信号
recent_trades = trades[-10:]
trade_speed = len(recent_trades) / 10.0
# 综合信号
signal = 0.6 * imbalance + 0.4 * (trade_speed - 0.5)
return signal2. 定价引擎
定价引擎是做市商的大脑。它决定你应该在什么价格挂单，挂多少量。
定价引擎的核心是公平价格估计。说白了，就是猜当前资产的真实价值是多少。然后在这个基础上加减一个价差，形成买卖报价。
我常用的定价模型有：
- Avellaneda-Stoikov模型：经典做市模型，考虑库存风险
- 基于订单簿的定价：利用买卖盘口的加权平均价格
- 机器学习定价：用LSTM或XGBoost预测短期价格
嗯，这里要注意——定价引擎不能太复杂。我曾经用过一个深度神经网络做定价，结果训练时间太长，等模型训练完，市场结构已经变了。后来我改用轻量级的线性模型，配合实时更新，效果反而更好。
我的经验：定价引擎的更新频率要和市场波动率匹配。波动率大时，每秒更新一次都不嫌多；波动率小时，几秒更新一次就够了。
3. 订单管理模块
订单管理模块是执行层。它负责把定价引擎的决策变成真实的订单，发送到交易所。
这个模块看似简单，其实坑最多。我遇到过的问题包括：
- 订单重复发送（网络重试导致）
- 订单状态不同步（交易所返回延迟）
- 订单簿深度不足（挂单被吃掉后没及时补单）
订单管理模块的核心功能：
- 订单生命周期管理：创建→发送→确认→成交/取消
- 订单簿维护：维护本地订单簿，与交易所同步
- 订单路由：选择最优的交易所或交易通道
- 订单重试机制：处理网络异常、交易所拒绝等情况
避坑指南：我曾经因为订单重试机制没做好，导致同一笔订单被发送了三次。结果交易所成交了三笔，库存瞬间超标。从那以后，我强制要求所有订单必须有唯一的ID，并且重试前必须检查订单状态。
4. 风险管理模块
风险管理模块是刹车系统。没有它，做市算法就是一辆没有刹车的跑车。
风险管理的核心指标：
| 风险指标 | 说明 | 我常用的阈值 |
|---|---|---|
| 库存敞口 | 当前持仓与目标持仓的偏差 | 不超过日均成交量的1% |
| 最大亏损 | 单日最大可接受亏损 | 总资金的0.5% |
| 订单暴露 | 所有未成交订单的总价值 | 不超过总资金的20% |
| 流动性风险 | 持仓资产的买卖价差 | 价差超过0.1%时减仓 |
风险管理模块的工作流程：
def risk_check(order, portfolio, market_data):
# 检查库存敞口
inventory = portfolio.get_inventory(order.asset)
if abs(inventory) > MAX_INVENTORY:
return False, "库存超限"
# 检查订单暴露
total_exposure = portfolio.get_total_exposure()
if total_exposure + order.value > MAX_EXPOSURE:
return False, "订单暴露超限"
# 检查流动性
spread = market_data.get_spread(order.asset)
if spread > MAX_SPREAD:
return False, "流动性不足"
return True, "通过"5. 绩效评估模块
绩效评估模块是后视镜。它告诉你昨天的策略表现如何，哪里需要改进。
我常用的绩效指标：
- 盈亏分析：总盈亏、日盈亏、交易盈亏 vs 库存盈亏
- 做市质量：成交率、价差捕获率、订单簿深度贡献
- 风险调整收益：夏普比率、卡玛比率、最大回撤
- 微观结构指标：订单成交时间、订单簿位置、逆向选择率
这里有个容易被忽视的点——盈亏归因分析。你要搞清楚赚的钱是来自做市（赚价差），还是来自方向性持仓（赌方向）。如果是后者，那你的做市策略其实已经变味了。
我的习惯：每天收盘后跑一次绩效报告，重点关注三个指标：成交率、价差捕获率、库存周转率。这三个指标能快速反映做市策略的健康度。
核心逻辑框架图
下面这张图展示了五个模块之间的关系：
你看这个架构图，五个模块是串行加并行的关系。信号生成→定价引擎→订单管理是一条主线，风险管理贯穿其中，绩效评估则是在事后做反馈。
最后说一句——这五个模块缺一不可。我见过有人只做信号生成和定价引擎，结果订单管理一团糟，风险控制形同虚设。做市算法是个系统工程，每个模块都要认真对待。
交易系统化学习资料 微信Strategy888888