第一章：做市商项目实战——从零搭建做市商系统
做市商系统，说白了就是一台「自动赚钱机器」。但很多人一上来就追求高频、低延迟，结果系统还没跑稳就先亏了一笔。我个人习惯是：先搭骨架，再填血肉，最后打磨细节。
这一章，我会带你完整走一遍做市商系统的搭建流程。从策略开发到上线运维，每个环节我都会分享一些踩过的坑和总结的经验。
1.1 系统架构设计
先看整体架构。我画了一张图，帮你快速建立全局认知：
这个架构分四层，每层各司其职。数据源层负责「看」，策略引擎层负责「想」，执行层负责「做」，监控层负责「盯」。我见过不少团队把逻辑全塞在一层里，结果改个参数都要重启整个系统——这其实很危险。
1.2 策略开发全流程
做市商策略的开发，我总结了一套标准流程。你照着走，基本不会出大问题。
第一步：数据准备
没有数据，策略就是空中楼阁。你需要准备：
- 历史行情数据：至少3个月的 tick 级数据
- 深度快照数据：买卖盘口的变化记录
- 成交数据：每一笔成交的价格和数量
我在项目中遇到过一个问题：历史数据采样频率太低，导致回测结果严重失真。后来我改用毫秒级数据，效果才正常。
第二步：定价模型开发
定价是做市商的核心。常用的模型有：
| 模型名称 | 适用场景 | 核心参数 |
|---|---|---|
| Avellaneda-Stoikov | 股票、期货 | 风险厌恶系数、波动率 |
| 库存驱动模型 | 加密货币 | 库存阈值、对冲比例 |
| 价差回归模型 | ETF、配对交易 | 回归周期、标准差倍数 |
我个人习惯先用 Avellaneda-Stoikov 做基础框架，再根据实际市场情况调整参数。说白了，没有万能模型，只有最适合当前市场的模型。
第三步：回测验证
回测不是跑一遍就完事了。你需要关注：
- 盈亏曲线：是否平稳向上？有没有大回撤？
- 成交率：挂单成交比例是否合理？
- 库存风险：极端行情下库存是否可控？
1.3 上线部署与运维
策略开发完，接下来就是上线。这一步很多人会忽略环境差异带来的问题。
部署环境配置
我建议用 Docker 容器化部署，好处是环境一致、迁移方便。以下是一个简单的 Dockerfile 示例：
FROM python:3.9-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
CMD ["python", "market_maker.py"]嗯，这里要注意：生产环境一定要用 --no-cache-dir，不然镜像体积会大得离谱。
运维监控要点
上线后，你需要盯住这几个指标：
- 延迟监控：从行情到下单的延迟是否稳定？
- 订单状态：是否有大量未成交或撤单？
- 资金变化：账户余额是否异常波动？
1.4 性能调优实战
做市商对性能要求很高。你想想看，别人比你快1毫秒，可能就把你的单子抢走了。
常见性能瓶颈
| 瓶颈类型 | 原因 | 优化方案 |
|---|---|---|
| 网络延迟 | 服务器距离交易所远 | 托管机房、专线连接 |
| CPU瓶颈 | 计算复杂度过高 | 使用C++/Rust重写核心逻辑 |
| 内存瓶颈 | 数据缓存过多 | 使用环形缓冲区、内存池 |
实战优化案例
我记得有一次，系统延迟从2毫秒飙升到50毫秒。排查后发现是日志打印太多，阻塞了主线程。解决方案很简单：
- 把日志改成异步写入
- 减少不必要的日志输出
- 关键路径上只记录异常情况
改完之后，延迟降到了3毫秒以内。所以说，有时候问题不在算法，而在细节。
核心总结：
- 系统架构要分层清晰，各层职责单一
- 策略开发要数据先行，回测要严谨
- 上线部署用容器化，监控要全面
- 性能调优从瓶颈入手，不要盲目优化
做市商系统搭建，说白了就是「稳」字当头。你先把基础打牢，后面再慢慢优化。这一章的内容，是我多年实战经验的浓缩。你照着做，至少能少走一半弯路。