第十九章：多资产做市策略
做市做到一定程度，你会发现一个规律：单一品种的利润天花板其实很低。真正赚钱的，往往是那些跨品种、跨市场的策略。这一章，我就带你看看多资产做市的核心玩法。
一、跨品种相关性做市
说白了，就是利用两个品种之间的价格关系来做市。比如螺纹钢和铁矿石，它们之间有个天然的生产关系：螺纹钢 = 铁矿石 + 焦炭 + 加工费。这个关系短期内可能会偏离，但长期一定会回归。
核心逻辑：当两个品种的价差偏离历史均值时，做市商可以同时买入低估品种、卖出高估品种，赚取回归的利润。
我在项目中遇到过这样一个场景：某天螺纹钢突然大涨，但铁矿石没动。我一看，价差已经拉到3个标准差以上了。嗯，这种机会不能放过。我立刻在螺纹钢上挂卖单，在铁矿石上挂买单，两边同时做市。结果不到半小时，价差就回归了，我两边都赚了。
具体怎么做？你需要一个协整模型来跟踪价差：
import numpy as np
import statsmodels.api as sm
# 假设我们有两个品种的价格序列
price_a = np.array([...]) # 螺纹钢
price_b = np.array([...]) # 铁矿石
# 计算协整关系
model = sm.OLS(price_a, sm.add_constant(price_b))
result = model.fit()
hedge_ratio = result.params[1] # 对冲比例
# 计算价差
spread = price_a - hedge_ratio * price_b
# 设定做市阈值
z_score = (spread - np.mean(spread)) / np.std(spread)
entry_threshold = 2.0 # 当z-score超过2时入场
exit_threshold = 0.5 # 回归到0.5时平仓避坑指南：我曾经犯过一个错误——直接用价格做回归。后来发现，很多品种的价格序列是非平稳的，必须用对数价格或者收益率。否则，回归结果全是假的。
二、ETF做市
ETF做市，本质上是在赚两个钱：一个是买卖价差，另一个是折溢价套利。你想想看，ETF既有二级市场的交易价格，又有一级市场的净值。这两个价格不可能完全一致，对吧？
当ETF的交易价格低于净值时，你可以买入ETF，同时赎回成分股卖出。反过来，当交易价格高于净值时，你可以买入成分股，申购ETF然后卖出。这就是经典的ETF套利。
但做市商不能只做套利，还得提供流动性。我个人的习惯是，在ETF的买卖盘口上同时挂单，价差控制在0.1%以内。同时，我会实时监控折溢价率：
def etf_market_making(etf_price, nav, spread=0.001):
# 计算折溢价率
premium = (etf_price - nav) / nav
# 根据折溢价调整报价
if premium > 0.002: # 溢价超过0.2%
# 倾向于卖出ETF，买入成分股
bid_price = nav * (1 - spread/2)
ask_price = nav * (1 + spread/2 + premium)
elif premium < -0.002: # 折价超过0.2%
# 倾向于买入ETF，卖出成分股
bid_price = nav * (1 - spread/2 - abs(premium))
ask_price = nav * (1 + spread/2)
else:
# 正常做市
bid_price = nav * (1 - spread/2)
ask_price = nav * (1 + spread/2)
return bid_price, ask_price注意：ETF做市有个坑——成分股的流动性。我曾经遇到过一个ETF，它的成分股里有几只小盘股，流动性极差。结果我申购了ETF之后，发现那些小盘股根本卖不出去。从那以后，我每次做ETF做市之前，都会先检查成分股的流动性。
三、期货与现货套利做市
这个策略，说白了就是利用期货和现货之间的价差。期货价格 = 现货价格 + 持有成本。这个持有成本包括资金成本、仓储费、保险费等等。当价差偏离这个理论值时，套利机会就出现了。
我记得有一次，某商品期货的远月合约突然大幅升水。我算了一下，升水幅度已经超过了持有成本的两倍。这意味着什么？意味着你可以买入现货、卖出期货，然后稳稳地赚这个升水。
但实际操作中，有个问题：现货不一定好买。比如你做的不是黄金这种标准化商品，而是螺纹钢。螺纹钢的现货交易，你得找仓库、找物流、找质检。嗯，这里要注意，做期货现货套利，你得先搞定现货渠道。
代码实现上，核心是计算理论价差：
def futures_arbitrage(spot_price, futures_price, interest_rate, storage_cost, time_to_maturity):
# 理论期货价格
theoretical_futures = spot_price * np.exp((interest_rate + storage_cost) * time_to_maturity)
# 实际价差
actual_spread = futures_price - spot_price
theoretical_spread = theoretical_futures - spot_price
# 套利信号
if actual_spread > theoretical_spread * 1.1: # 期货高估
return "卖出期货，买入现货"
elif actual_spread < theoretical_spread * 0.9: # 期货低估
return "买入期货，卖出现货"
else:
return "无套利机会"四、波动率产品做市
波动率产品，比如VIX期货、波动率互换、期权等，它们的做市逻辑和普通品种完全不同。普通品种做市，你关注的是价格。波动率产品做市，你关注的是波动率本身。
为什么？因为波动率产品的价格，本质上是对未来波动率的预期。这个预期会随着市场情绪、事件驱动等因素剧烈变化。你想想看，一个突发事件出来，VIX可能瞬间翻倍。这种时候，做市商的风险敞口会急剧放大。
我个人的经验是，做波动率产品做市，必须用希腊字母来管理风险。Delta、Gamma、Vega，这三个是最关键的。特别是Vega，它衡量的是波动率变化对期权价格的影响。
def volatility_market_making(option_price, underlying_price, strike, time_to_expiry,
implied_vol, risk_free_rate):
# 使用Black-Scholes计算希腊字母
d1 = (np.log(underlying_price / strike) +
(risk_free_rate + 0.5 * implied_vol**2) * time_to_expiry) / \
(implied_vol * np.sqrt(time_to_expiry))
d2 = d1 - implied_vol * np.sqrt(time_to_expiry)
# Delta
delta = norm.cdf(d1)
# Gamma
gamma = norm.pdf(d1) / (underlying_price * implied_vol * np.sqrt(time_to_expiry))
# Vega
vega = underlying_price * norm.pdf(d1) * np.sqrt(time_to_expiry) * 0.01
# 根据Vega调整报价
if vega > 0.5: # Vega敞口过大
# 缩小报价宽度，快速平仓
spread = 0.02
else:
spread = 0.05
bid = option_price * (1 - spread)
ask = option_price * (1 + spread)
return bid, ask, delta, gamma, vega核心要点：波动率产品做市，本质上是在做波动率的做市。你的利润来源不是方向性判断，而是波动率回归。当隐含波动率过高时，你卖出波动率；当隐含波动率过低时，你买入波动率。
我曾经在VIX期货上栽过跟头。当时VIX期货的期限结构是升水的，我按照常规思路，做空近月、做多远月。结果市场突然暴跌，VIX期货的期限结构瞬间变成贴水。我的头寸两边都亏。嗯，从那以后，我学会了在波动率产品上严格控制仓位，并且永远留一手。
知识体系总览
下面这张图，我把多资产做市的核心逻辑梳理了一下。你可以看到，不同策略之间其实有共通之处，比如都依赖价差回归、都需要风险管理。但每个策略又有自己的特殊性，比如ETF做市要关注折溢价，波动率做市要关注希腊字母。
做多资产做市，最忌讳的就是把每个策略孤立起来看。实际上，它们之间是相互关联的。比如，ETF做市和期货现货套利，本质上都是在做价差回归。波动率产品做市，其实也是在利用波动率的均值回归特性。
好了，这一章的内容就到这里。多资产做市是个大话题，每个策略都可以单独写一本书。但核心思想就一个：找到不同资产之间的稳定关系，然后利用这个关系来赚钱。