第二十九章：做市商前沿研究：大语言模型、联邦学习与量子计算

各位同行，今天聊点硬核的。做市这个行当，说白了就是跟市场博弈。传统模型玩得再溜，也架不住市场结构在变。我最近几年一直在关注三个方向：大语言模型怎么辅助交易、联邦学习怎么保护隐私、量子计算能不能颠覆定价逻辑。嗯，这三个东西，每一个都可能改写做市商的游戏规则。

29.1 大语言模型与做市策略

先说说大语言模型。你可能觉得，LLM 不就是个聊天机器人吗？跟做市有什么关系？

我一开始也这么想。直到有一次，我试着把市场新闻、订单流数据、甚至社交媒体情绪喂给一个微调过的模型，让它预测短期波动率。结果让我挺惊讶的——在某些场景下，它的预测精度比传统 GARCH 模型高了将近 15%。

为什么会这样？因为传统模型只能处理结构化数据，而 LLM 能理解非结构化的文本信息。比如一条突发新闻：「某公司 CFO 因财务造假被调查」，传统模型要等价格波动才能反应，但 LLM 可以提前解读语义，给出情绪得分。

我个人习惯的做法是这样的：

1. 数据预处理：把新闻、公告、社交媒体帖子清洗成标准文本格式
2. 微调模型：用历史市场事件和对应的价格变化做监督学习
3. 特征融合：将 LLM 输出的情绪向量与传统技术指标拼接
4. 决策层：用 XGBoost 或轻量级神经网络做最终买卖判断

这里有个坑，我曾经踩过。LLM 推理速度太慢，在高频场景下根本来不及。你想想看，微秒级的报价窗口，你等模型跑完，黄花菜都凉了。所以我的建议是：LLM 只用于分钟级以上的策略，或者做离线信号生成。

29.2 联邦学习与隐私保护

接下来聊联邦学习。做市商之间有个尴尬的问题：大家都想共享数据来训练更好的模型，但谁也不愿意把自己的订单流和持仓暴露给对手。

联邦学习就是来解决这个矛盾的。它的核心思想很简单：数据不动，模型动。

具体流程是这样的：

1. 各家做市商在本地用自己的数据训练模型
2. 只上传模型参数（梯度），不上传原始数据
3. 中央服务器聚合参数，更新全局模型
4. 各家下载更新后的模型，继续本地训练

这样做的好处很明显：你的订单数据永远不出本地服务器，但模型却能学到其他市场的规律。

我在项目中遇到过一个问题：梯度上传过程中可能泄露隐私。攻击者可以通过梯度反推原始数据。解决方案是加差分隐私噪声，但噪声太大会影响模型精度。嗯，这里需要权衡。

下面是一个简化的联邦学习框架图：

29.3 量子计算与做市

最后聊聊量子计算。这个方向目前还比较前沿，但我觉得值得关注。为什么？因为做市的核心问题之一——最优报价策略——本质上是一个组合优化问题。

传统计算机处理这类问题，复杂度随资产数量指数级增长。比如同时做市 50 只股票，要考虑它们之间的相关性、库存风险、资金约束……经典算法基本跑不动。

量子计算机的优势在于：它可以用量子叠加态同时探索多个解空间。理论上，某些优化问题可以在多项式时间内求解。

具体到做市场景，我看到的几个潜在应用：

应用方向	传统方法瓶颈	量子优势
多资产最优报价	维度灾难，计算量 O(2^n)	量子退火可近似求解
库存风险对冲	需要实时求解大规模线性方程组	HHL 算法指数级加速
高频信号检测	FFT 受限于采样定理	量子傅里叶变换更高效

不过我得泼盆冷水。现在的量子计算机还处于 NISQ（含噪声中等规模量子）时代，量子比特数量少、错误率高。我去年参与过一个实验项目，用量子退火求解做市商的最优库存路径，结果跟经典模拟退火差不多——甚至更差。

说到这，我想起一个有意思的事。有一次我跟一个物理学家聊天，他说：「你们做市商其实就是在做量子测量——每次报价都坍缩了市场的概率波。」虽然是玩笑话，但仔细想想，还真有点道理。

29.4 三个方向的融合思考

这三个方向不是孤立的。我个人觉得，未来的做市系统可能是这样的：

• LLM 负责理解市场情绪和新闻事件，生成宏观信号
• 联邦学习 让多家机构在不泄露隐私的前提下共享模型
• 量子计算 在后台处理最复杂的优化问题

当然，这还只是愿景。目前能落地的，主要还是 LLM 辅助特征工程和联邦学习的初步应用。量子计算嘛，再等个三五年。

嗯，今天就聊到这。做市这个领域，永远有新东西要学。保持开放心态，别被传统框架束缚住。

---