第22章：订单流与做市策略

做市商的订单流管理

做市商这个角色，说白了就是市场的「流动性供应商」。你想想看，如果没有做市商，你想买100手BTC，可能得等半天才有人卖给你。做市商就是那个随时准备跟你成交的人。

我个人习惯把做市商的订单流管理分成三个层面：

• 报价层：在买一和卖一价挂单，赚取价差
• 库存层：管理手中持有的资产数量
• 风险层：控制单边持仓暴露的风险

我在项目中遇到过最典型的场景：一个做市商在ETH上挂了500张买单和500张卖单，结果突然来了个大单把卖单全吃了。这时候他的库存从0变成了-500（做空），如果价格继续涨，他就亏大了。

库存风险与订单流平衡

库存风险怎么理解？就是你手里拿着货，价格跌了你亏钱。做市商最怕的就是库存方向和市场走势相反。

我记得有一次做模拟回测，一个简单的对称做市策略，在震荡市里赚得盆满钵满。结果一遇到单边行情，库存直接爆仓。为什么会这样？因为对称做市策略没有考虑订单流的不平衡。

订单流平衡的核心指标：

指标	含义	做市商应对
净订单流	买单量 - 卖单量	净买入多时，提高卖价，降低买价
订单流失衡	主动买卖单的比例	失衡严重时，暂停报价或调整价差
库存偏离度	当前库存 / 目标库存	偏离过大时，主动平仓

Python实现简单做市策略

下面我写一个最简单的做市策略实现。这个策略的逻辑是：在买一价和卖一价各挂一个单，当成交后调整报价，控制库存风险。

import pandas as pd
import numpy as np
from typing import Tuple

class SimpleMarketMaker:
    """简单做市策略"""
    
    def __init__(self, spread: float = 0.001, 
                 max_inventory: int = 100,
                 target_inventory: int = 0):
        """
        spread: 价差比例，默认0.1%
        max_inventory: 最大库存限制
        target_inventory: 目标库存
        """
        self.spread = spread
        self.max_inventory = max_inventory
        self.target_inventory = target_inventory
        self.inventory = 0  # 当前库存
        self.pnl = 0  # 盈亏
        
    def calculate_quotes(self, mid_price: float) -> Tuple[float, float]:
        """计算买卖报价"""
        # 根据库存偏离调整报价
        inventory_skew = (self.inventory - self.target_inventory) / self.max_inventory
        
        # 库存为正（做多），降低买价，提高卖价
        # 库存为负（做空），提高买价，降低卖价
        bid_price = mid_price * (1 - self.spread/2) - inventory_skew * mid_price * 0.001
        ask_price = mid_price * (1 + self.spread/2) - inventory_skew * mid_price * 0.001
        
        return bid_price, ask_price
    
    def on_trade(self, price: float, side: str, quantity: int):
        """处理成交事件"""
        if side == 'buy':  # 我们卖出了（库存减少）
            self.inventory -= quantity
            self.pnl += price * quantity
        elif side == 'sell':  # 我们买入了（库存增加）
            self.inventory += quantity
            self.pnl -= price * quantity
            
    def check_risk(self) -> bool:
        """检查是否触发风险限制"""
        if abs(self.inventory) > self.max_inventory:
            print(f"⚠️ 库存超限！当前库存: {self.inventory}")
            return True
        return False

# 模拟回测
def backtest_market_maker(data: pd.DataFrame, mm: SimpleMarketMaker):
    """回测做市策略"""
    results = []
    
    for i in range(len(data)):
        mid_price = data['close'].iloc[i]
        
        # 计算报价
        bid, ask = mm.calculate_quotes(mid_price)
        
        # 模拟成交（简化版）
        if data['volume'].iloc[i] > 1000:  # 大成交量触发
            # 假设50%概率成交在买价，50%在卖价
            if np.random.random() < 0.5:
                mm.on_trade(bid, 'sell', 10)  # 我们买入
            else:
                mm.on_trade(ask, 'buy', 10)   # 我们卖出
        
        # 检查风险
        if mm.check_risk():
            # 触发风险控制，强制平仓
            print(f"触发风控，当前盈亏: {mm.pnl:.2f}")
            break
            
        results.append({
            'mid_price': mid_price,
            'bid': bid,
            'ask': ask,
            'inventory': mm.inventory,
            'pnl': mm.pnl
        })
    
    return pd.DataFrame(results)

# 使用示例
if __name__ == "__main__":
    # 生成模拟数据
    np.random.seed(42)
    dates = pd.date_range('2024-01-01', periods=1000, freq='1min')
    data = pd.DataFrame({
        'close': 50000 + np.cumsum(np.random.randn(1000) * 10),
        'volume': np.random.randint(100, 5000, 1000)
    }, index=dates)
    
    # 初始化做市商
    mm = SimpleMarketMaker(spread=0.001, max_inventory=50)
    
    # 回测
    results = backtest_market_maker(data, mm)
    print(f"最终盈亏: {mm.pnl:.2f}")
    print(f"最终库存: {mm.inventory}")

做市策略的核心逻辑图

下面这张图展示了做市策略的核心流程，我把它画成了SVG，方便你理解整个决策链条：

做市策略的进阶思考

上面这个策略虽然简单，但已经包含了做市的核心要素。实际生产中，你还需要考虑：

• 订单簿深度：不能只看最优价，要看整个订单簿的厚度
• 成交概率模型：不同价位的挂单成交概率不同，需要动态调整
• 多品种对冲：比如做市BTC的同时，用ETH期货对冲风险

做市策略的核心，说白了就是一句话：用订单流管理库存风险，用价差覆盖交易成本。你只要把这两点想明白了，做市策略的基本框架就有了。