第二十二章：市场冲击与滑点模型

做市商最怕什么？不是行情波动，而是你刚建完仓，价格就朝着不利方向跑。这背后就是市场冲击和滑点在作祟。今天我们来聊聊这个核心话题。

我个人习惯把市场冲击比作「推门效应」——你推门的力量越大，门反弹回来的力道也越强。在交易里，你的订单量越大，对价格的扰动就越明显。这个扰动，就是冲击成本。

22.1 冲击成本的两种面孔：永久 vs 暂时

先搞清楚一个基本概念。市场冲击不是铁板一块，它分两种：

• 永久冲击：你的交易改变了市场对资产价值的看法。比如你大单买入，市场觉得「有内幕消息」，于是价格永久性上移。这部分成本回不来。
• 暂时冲击：纯粹是流动性摩擦。你吃掉了几档订单，价格暂时偏离，等流动性恢复，价格又弹回来。这部分成本理论上可以「回收」。

我在实盘里见过最典型的例子：某次做市ETH，我同时挂了买一和卖一。突然一个大单砸穿我的买单，价格瞬间跌了0.3%。但5秒后，价格又回到原位。这就是典型的暂时冲击——纯粹是流动性被抽走导致的短暂失衡。

22.2 Almgren-Chriss模型：冲击成本的数学框架

这个模型是业界标准。说白了，它把交易拆成两部分：

价格变化 = 永久冲击 + 暂时冲击 + 随机波动

永久冲击 = γ * 交易速度
暂时冲击 = η * 瞬时交易量

其中γ和η是市场冲击系数。γ越大，说明你的交易对市场信息影响越大；η越大，说明流动性越差。

我记得2019年做BTC期权做市时，发现一个有趣现象：

• 白天η很小（流动性好），但γ相对大（信息敏感）
• 深夜η很大（流动性差），但γ几乎为零（没人关注）

这意味着什么？白天适合做小单高频，深夜适合做大单低频。你想想看，同样的策略在不同时段，效果天差地别。

22.3 Kyle's Lambda：一个更简洁的冲击度量

Kyle's Lambda是另一个经典指标。它衡量的是「每单位订单流对价格的边际影响」。公式很简单：

λ = ΔP / ΔQ

ΔP是价格变化，ΔQ是净订单流。λ越大，说明市场越「薄」，你的订单越容易推动价格。

我习惯用λ来做动态风控。比如：

• 当λ > 某个阈值时，我主动缩小报价宽度
• 当λ < 阈值时，我可以放心扩大仓位

为什么？因为λ高的时候，你每吃一口单，价格就跳一下，滑点成本太高。这时候做市商应该收缩，而不是硬扛。

22.4 最优执行：如何把冲击降到最低

做市商不是只挂单，有时候也得主动吃单（比如对冲、调仓）。这时候就需要最优执行算法。核心思路就一个：把大单拆成小单，分散到时间轴上。

Almgren-Chriss模型给出了一个经典解：

最优交易轨迹 = 指数衰减函数

x(t) = X * (1 - e^(-κt))

其中X是总交易量，κ是衰减速度

κ越大，你交易得越快；κ越小，你拖得越久。怎么选？取决于你对永久冲击和暂时冲击的权衡。

我举个例子：假设你要卖出1000个ETH。

• 如果κ=0.1，你可能需要2小时完成，冲击成本低但暴露时间长
• 如果κ=0.5，你30分钟搞定，冲击成本高但风险暴露短

没有绝对的对错。我个人的经验是：在波动率低的时候用慢速，波动率高的时候用快速。因为波动率高时，暴露风险比冲击成本更可怕。

22.5 做市与最优执行的结合

这才是今天的重头戏。做市商能不能把「被动做市」和「主动执行」结合起来？当然可以。

我设计过一个混合策略：

1. 常态下：纯被动做市，赚买卖价差
2. 库存偏离时：启动最优执行算法，主动调整库存
3. 冲击成本过高时：暂停主动交易，等待流动性恢复

关键点在于「库存偏离」的阈值怎么设。我一般用Kyle's Lambda来动态调整：

if 库存偏离 > 阈值 * (1 + λ/λ_avg):
    启动主动调仓
else:
    继续被动做市

λ越大，阈值越高。也就是说，市场越「薄」，我越容忍库存偏离。因为这时候主动调仓的成本太高，不如等一等。

22.6 一个完整的冲击成本计算示例

来看一段Python代码，演示如何计算Almgren-Chriss模型的冲击成本：

import numpy as np

def almgen_chriss_impact(Q, T, sigma, gamma, eta):
    """
    Q: 总交易量（正数买入，负数卖出）
    T: 交易时间（秒）
    sigma: 波动率（每秒）
    gamma: 永久冲击系数
    eta: 暂时冲击系数
    """
    # 交易速度
    v = Q / T
    
    # 永久冲击
    permanent = gamma * v * T
    
    # 暂时冲击
    temporary = eta * np.sign(Q) * np.abs(v)**0.5
    
    # 总冲击成本
    total_impact = permanent + temporary
    
    # 加上随机波动（95%置信区间）
    random = 1.96 * sigma * np.sqrt(T)
    
    return {
        'permanent': permanent,
        'temporary': temporary,
        'total': total_impact,
        'max_range': total_impact + random
    }

# 示例：卖出100个BTC，用1小时完成
result = almgen_chriss_impact(
    Q=-100, 
    T=3600, 
    sigma=0.0001,  # 每秒0.01%波动
    gamma=0.00001,  # 永久冲击系数
    eta=0.001       # 暂时冲击系数
)

print(f"永久冲击: {result['permanent']:.4f}")
print(f"暂时冲击: {result['temporary']:.4f}")
print(f"总冲击: {result['total']:.4f}")

这段代码虽然简单，但已经能帮你估算出不同交易策略的冲击成本。我建议你在实盘前，先用历史数据跑一遍，找到适合你市场的γ和η参数。

22.7 知识体系总览

下面这张图总结了本章的核心逻辑：

这张图把整个知识体系串起来了。从上到下，从理论到实践。你每次做策略时，都可以对照这张图，看看自己忽略了哪个环节。

好了，关于市场冲击和滑点模型，今天就聊到这里。记住一句话：冲击成本是做市商的隐形杀手，看不见摸不着，但每笔交易都在为你买单。学会量化它、控制它，你的做市策略才能真正稳定盈利。

---