第23章 做市策略中的模型校准：参数校准频率、方法选择、误差分析与稳定性检验

模型校准这事儿，说白了就是让理论模型跟市场真实数据对上话。我刚开始做结构化产品做市那会儿，总觉得模型跑出来就完事了，结果被市场狠狠教育了一顿——模型参数不对，报价全偏，亏得我肉疼。

今天咱们就聊聊模型校准的几个核心问题：多久校一次？用什么方法校？校完了怎么知道准不准？以及模型会不会突然抽风？

一、校准频率：不是越勤越好

校准频率这个问题，我见过两种极端。有人一天校一次，有人一个月都不动一次。都不对。

我个人习惯是这样分的：

• 波动率参数：每天开盘前校准一次。如果市场剧烈波动，盘中加一次。
• 相关性参数：每周校准一次。这东西变化慢，天天校反而引入噪声。
• 均值回复参数：每月校准一次。这是长期特征，别被短期波动带偏了。
• 利率/股息参数：跟着市场数据走，有重大事件时手动更新。

我在项目中遇到过一件事：有一次做雪球产品的做市，波动率参数我按惯例每天校一次。结果那天下午市场突然暴跌，波动率飙升，我的报价还用的早上的参数，直接被套利者打爆了。从那以后，我加了个盘中校准的触发器——当标的资产价格波动超过2%时，自动触发一次校准。

二、校准方法选择：各有各的坑

校准方法说白了就三大类：最小二乘法、最大似然估计、贝叶斯方法。每种我都用过，说说我的感受。

方法	适用场景	我踩过的坑
最小二乘法（OLS）	线性模型、参数少的情况	对异常值敏感，有一次一个数据点异常，整个参数全偏了
最大似然估计（MLE）	随机波动率模型、跳跃扩散模型	计算量大，收敛慢，有时候迭代几百次都不动
贝叶斯方法	数据少、需要先验信息的情况	先验分布选不好，结果比不校还差

我个人推荐的做法：

• 日常做市用最小二乘法，快，够用
• 新产品上线或市场结构变化时，用MLE做一次深度校准
• 如果数据量少（比如刚上市的产品），用贝叶斯方法加先验信息

三、校准误差分析：别只看拟合优度

很多人校完模型就看个R²，觉得0.99就万事大吉了。嗯，这里要注意——R²高不代表你做市能赚钱。

我一般看这几个误差指标：

1. 样本内误差 vs 样本外误差：样本内拟合得再好，样本外一塌糊涂，那就是过拟合了。我要求样本外误差不超过样本内的1.5倍。
2. 尾部误差：做市最怕的是极端行情。我专门看95%分位数以上的误差，这部分误差如果太大，说明模型在极端情况下不靠谱。
3. 误差的自相关性：如果误差有明显的自相关，说明模型漏掉了某些结构特征。我习惯画个误差的ACF图看看。
4. 经济意义检验：参数值是否合理？比如波动率不能是负的，相关性不能大于1。我见过有人校出波动率200%的参数，一看就是数据有问题。

四、模型稳定性检验：别让模型突然抽风

模型稳定性，说白了就是参数别今天一个样明天一个样。如果参数每天跳来跳去，你的报价也会跟着跳，交易员根本没法用。

我常用的稳定性检验方法：

• 滚动窗口检验：用过去30天的数据，每天滚动校准一次，看参数的时间序列。如果参数的标准差超过均值的20%，说明不稳定。
• 扰动分析：给输入数据加1%的噪声，看参数变化多少。如果参数变化超过10%，说明模型对数据太敏感。
• 子样本检验：把数据分成两半，分别校准，看参数是否一致。如果差异很大，说明模型结构可能有问题。

五、校准流程框架图

下面这张图是我做模型校准的标准流程，你可以参考一下：

这个流程我用了好几年，基本没出过大问题。核心就是：数据要干净，方法要匹配，误差要分析，稳定性要检验。少一步都不行。

六、实战中的几个坑

最后分享几个我踩过的坑，你们注意避开：

• 坑一：数据频率不匹配——用日线数据校出来的参数，用在分钟级别的做市上，结果一塌糊涂。校准数据的频率要跟实际交易频率匹配。
• 坑二：忽略交易成本——模型校得再好，如果没考虑交易成本，实盘照样亏。我习惯在校准目标函数里加一个交易成本惩罚项。
• 坑三：过度优化——参数校得太精细，结果市场一变就失效。我给自己定了个规矩：参数的有效位数不超过3位，多了就是过度拟合。
• 坑四：忘记重新校准——模型上线后就不管了。我设了个自动提醒，每天开盘前检查一次校准状态。