第22章 多资产做市：跨品种相关性分析、组合库存管理、资本配置优化

做市做到一定程度，你会发现一个尴尬的事实——单品种做市的天花板太低了。你想想看，一个BTC永续合约，就算你吃透订单簿，一天能赚的基差也就那么多。但如果你同时做BTC、ETH、SOL，甚至跨交易所、跨衍生品，那资金利用率就完全不一样了。

我入行第三年的时候，老板扔给我一个任务：同时做市5个币种、3个交易所。我当时第一反应是「这不就是多开几个窗口嘛」。结果第一周就亏了——因为ETH跌的时候，我BTC的库存没对冲，两边一起亏。嗯，从那以后我才真正开始研究多资产做市。

22.1 跨品种相关性分析：别被伪相关骗了

多资产做市的核心，是搞清楚资产之间到底怎么联动。很多人上来就画个相关系数矩阵，看到0.8就觉得稳了。但我在项目中踩过坑——相关系数在正常市场下是0.8，一到极端行情直接变-0.3。

为什么会这样？因为相关性是时变的。牛市里所有币一起涨，相关系数接近1；熊市里流动性枯竭，各走各的。所以我的习惯是：用滚动窗口计算动态相关性，窗口长度至少200个数据点。

另外，要注意尾部相关性。两个资产平时相关性0.3，但一旦暴跌，相关性可能跳到0.9。这就是所谓的「危机时刻所有资产都是正相关」。我见过有人用Copula模型去建模尾部依赖，但说实话，对于做市商来说，更实用的方法是直接加一个极端行情熔断机制——当某个资产波动率超过3个标准差，自动降低该资产的风险敞口。

# 动态相关性计算示例（Python伪代码）
import numpy as np

def rolling_corr(price1, price2, window=24):
    ret1 = np.diff(np.log(price1))
    ret2 = np.diff(np.log(price2))
    corr = []
    for i in range(window, len(ret1)):
        c = np.corrcoef(ret1[i-window:i], ret2[i-window:i])[0,1]
        corr.append(c)
    return np.array(corr)

# 我习惯加一个阈值告警
if np.any(np.abs(corr[-5:]) < 0.3):
    print("⚠️ 相关性突变，检查对冲策略")

22.2 组合库存管理：别让一个品种拖垮你

单品种做市，库存管理相对简单——高了就降价卖，低了就提价买。但多资产组合下，问题就复杂了：你ETH库存高了，但BTC库存低了，要不要用ETH换BTC？

我的做法是：设定一个「组合库存目标向量」。比如你决定做市BTC、ETH、SOL，目标库存比例是5:3:2。然后实时监控偏离度，偏离超过阈值就触发再平衡。

这里有个坑：再平衡本身会产生交易成本。我曾经设置了一个1%的偏离阈值，结果一天内来回交易了20次，手续费吃掉了一半利润。后来我改成阈值+时间衰减——偏离超过2%才动，而且每次只调整一半的偏离量。

22.3 资本配置优化：把钱放在最赚钱的地方

你手上有1000万美金，怎么分配到各个品种？最简单的做法是等权重，但显然不最优。我见过有人用夏普比率来配，但夏普比率对尾部风险不敏感。

我个人习惯用风险预算模型。核心思想是：每个品种对组合总风险的贡献度应该相等。比如你配置了BTC和ETH，BTC波动率是ETH的两倍，那BTC的仓位就应该只有ETH的一半。

# 风险预算优化示例
import numpy as np
from scipy.optimize import minimize

def risk_budget(cov_matrix, target_risk_contrib):
    n = len(cov_matrix)
    def risk_contrib(weights):
        portfolio_var = weights @ cov_matrix @ weights
        marginal_contrib = cov_matrix @ weights
        risk_contrib = weights * marginal_contrib / portfolio_var
        return risk_contrib
    
    def objective(weights):
        rc = risk_contrib(weights)
        return np.sum((rc - target_risk_contrib)**2)
    
    constraints = ({'type': 'eq', 'fun': lambda w: np.sum(w) - 1})
    bounds = [(0, 1) for _ in range(n)]
    result = minimize(objective, np.ones(n)/n, bounds=bounds, constraints=constraints)
    return result.x

# 假设3个品种的协方差矩阵
cov = np.array([[0.04, 0.02, 0.01],
                [0.02, 0.09, 0.03],
                [0.01, 0.03, 0.16]])
weights = risk_budget(cov, [1/3, 1/3, 1/3])
print("最优权重:", weights)

但这里要注意：风险预算模型假设协方差矩阵是稳定的。现实中，波动率会突变。所以我每周重新计算一次协方差矩阵，并且加上一个波动率上限——单个品种的波动率贡献不能超过组合总风险的40%。

22.4 整体框架图

下面这张图是我做多资产做市的核心逻辑。你可以看到，从相关性分析到库存管理，再到资本配置，是一个闭环。

说白了，多资产做市就是一场动态平衡游戏。你既要利用相关性来对冲风险，又要防止相关性突变带来的黑天鹅。库存管理不是死板的，要结合市场状态灵活调整。资本配置更不是一劳永逸的，每周甚至每天都要重新审视。

我记得有一次，SOL突然暴涨，相关性矩阵瞬间乱掉。我手动暂停了所有再平衡，等了两个小时等市场冷静下来才重新启动。那一次虽然少赚了点，但避免了追涨杀跌的悲剧。嗯，有时候「不做」比「做」更重要。