第六章 交易对与市场选择

做市系统上线前，最头疼的问题是什么？

我个人觉得，不是策略写不好，而是选错了交易对。你想想看，一个流动性极差的币种，你的挂单挂上去半天没人理，价差拉得再大也没用。我早期踩过这个坑，选了个日交易量不到10万U的山寨币，结果一个月下来手续费都不够服务器电费。

交易对筛选标准

选交易对，说白了就是选战场。我一般从三个维度来卡：

• 交易量门槛：24小时交易量至少100万U。低于这个数，你的做市策略很难施展
• 价差稳定性：平均买卖价差不超过0.1%。太宽说明市场深度不够
• 挂单深度：在±0.5%价格范围内，至少有50万U的挂单量

流动性评估

流动性这东西，不能只看交易量。我记得有一次，某个币种24小时交易量看着挺大，但点进去一看，全是刷量机器人。真正的流动性，得看这几个指标：

1. 订单簿深度：取买卖各10档的挂单总量
2. 滑点测试：模拟市价单买入1万U，看实际成交价偏离了多少
3. 时间加权流动性：不同时间段采样，避免只看高峰期

波动率计算

波动率是做市策略的核心参数。为什么？因为波动率直接决定了你的库存风险。

我常用的计算方法是：

// 对数收益率计算
def calculate_volatility(prices, window=24):
    log_returns = np.log(prices[1:] / prices[:-1])
    volatility = np.std(log_returns) * np.sqrt(window)
    return volatility

// 实际使用中，我会用滚动窗口
rolling_vol = prices.rolling(24).apply(
    lambda x: np.std(np.log(x[1:]/x[:-1])) * np.sqrt(24)
)

嗯，这里要注意：波动率不是越高越好。高波动意味着价差可以拉大，但库存风险也成倍增加。我一般把年化波动率控制在30%-80%之间。

波动率范围	做市策略建议	风险等级
< 20%	窄价差，高频率	低
20% - 50%	中等价差，动态调整	中
50% - 80%	宽价差，低仓位	高
> 80%	建议观望	极高

相关性分析

做市不是单打独斗。如果你同时做多个交易对，它们之间的相关性会直接影响你的整体风险敞口。

我习惯用皮尔逊相关系数来算：

def correlation_matrix(pairs_data):
    # pairs_data: dict, key为交易对名, value为价格序列
    df = pd.DataFrame(pairs_data)
    corr = df.corr(method='pearson')
    return corr

# 实际案例：BTC/USDT 和 ETH/USDT 的相关性通常在0.7-0.9之间
# 这意味着它们会同时涨跌，做市时要控制总仓位

我个人建议，做市组合中相关性低于0.3的交易对至少占一半。这样即使某个板块崩了，其他仓位还能对冲一下。

知识体系总览

下面这张图，是我做交易对筛选时的完整流程。你可以把它当成一个检查清单：

这张图把整个筛选流程串起来了。你从中心开始，沿着四个方向展开，每个分支都有具体的量化指标。做市不是拍脑袋，每一步都要有数据支撑。