第八讲：买卖价差分析
买卖价差，说白了就是你想买就得比想卖的人多付的那点钱。这玩意儿看着不起眼，但做高频交易的人都知道，它才是真正的「隐形杀手」。我刚开始做量化那会儿，总觉得价差就那么几个tick，能有多大影响？直到有一次回测跑得漂漂亮亮，实盘一上去直接亏成狗——嗯，后来才发现是没把价差算进去。
今天咱们就把价差拆开来看。它其实不是铁板一块，里面藏着三块成本：逆向选择成本、订单处理成本、存货持有成本。搞懂了这些，你就能预测价差走势，甚至找到套利机会。
核心观点：买卖价差 = 逆向选择成本 + 订单处理成本 + 存货持有成本。这三块各有各的脾气，拆开看才能对症下药。
价差分解模型：把大象装进冰箱
最早提出价差分解的是Roll（1984），他搞了个简单模型：
# Roll模型：价差 = 2 * sqrt(-Cov(ΔP_t, ΔP_{t-1}))
import numpy as np
def roll_spread(price_series):
"""计算Roll模型隐含价差"""
returns = np.diff(price_series)
cov = np.cov(returns[:-1], returns[1:])[0, 1]
if cov < 0:
spread = 2 * np.sqrt(-cov)
else:
spread = 0 # 协方差为正时模型失效
return spread这个模型有个硬伤——它假设价差是常数。你想想看，市场波动大的时候价差能一样吗？我当年用这个模型跑A股数据，结果发现大部分时间协方差都是正的，模型直接罢工。后来改用Huang & Stoll（1997）的分解模型，才真正把三块成本拆开。
Huang-Stoll模型的核心思路是：
- 逆向选择成本：信息不对称带来的损失。你下单的时候，可能对面坐着一个知道内幕的人。
- 订单处理成本：交易所收的手续费、系统延迟、人工成本这些「硬开销」。
- 存货持有成本：做市商手里囤着股票，价格波动带来的风险成本。
# Huang-Stoll模型简化实现
def huang_stoll_decomposition(trade_data):
"""
输入：trade_data包含价格、买卖方向、成交量
输出：三块成本的估计值
"""
# 这里用OLS回归分解
# 模型：ΔP_t = α + β1*Q_t + β2*Q_{t-1} + ε_t
# 其中Q_t是买卖方向（+1买，-1卖）
from statsmodels.api import OLS
Q = trade_data['direction'].values
dP = np.diff(trade_data['price'].values)
X = np.column_stack([np.ones(len(Q)-1), Q[1:], Q[:-1]])
model = OLS(dP[1:], X[1:]).fit()
# 逆向选择成本 = β1的系数
# 订单处理成本 = (β1 + β2) / 2
# 存货持有成本 = (β1 - β2) / 2
adverse_selection = model.params[1]
order_processing = (model.params[1] + model.params[2]) / 2
inventory_holding = (model.params[1] - model.params[2]) / 2
return {
'adverse_selection': adverse_selection,
'order_processing': order_processing,
'inventory_holding': inventory_holding
}避坑指南：我曾经用这个模型跑美股数据，发现逆向选择成本经常是负的。后来查资料才发现，高频交易环境下买卖方向的自相关会导致估计偏差。解决办法是用GMM（广义矩估计）替代OLS，或者把数据聚合到秒级再跑。
逆向选择成本：信息不对称的代价
说白了就是「你下单的时候，可能有人在偷看你的底牌」。做市商最怕这个——万一对面是个知情交易者，他一买价格就涨，一卖价格就跌，做市商两头挨打。
怎么量化这个成本？我常用的方法是看「价格冲击」：
def adverse_selection_measure(trades, quote_data):
"""
用价格冲击法估算逆向选择成本
"""
# 计算每笔交易后的价格变化
trades['price_impact'] = trades['price'].shift(-1) - trades['price']
# 按买卖方向分组
buy_trades = trades[trades['direction'] == 1]
sell_trades = trades[trades['direction'] == -1]
# 逆向选择成本 = 买方冲击 - 卖方冲击
buy_impact = buy_trades['price_impact'].mean()
sell_impact = sell_trades['price_impact'].mean()
return (buy_impact - sell_impact) / 2你想想看，如果逆向选择成本很高，说明市场里「聪明钱」很多。这时候做市商会主动扩大价差来保护自己。我在2015年股灾期间观察过，当时很多股票的逆向选择成本直接翻了三倍，价差也跟着暴涨。
订单处理成本：硬开销不能省
这部分最实在——交易所手续费、结算费、系统维护费，每一笔都是真金白银。做市商不是做慈善的，这些成本必须从价差里赚回来。
怎么估算？有个简单办法：看最小价格变动单位（tick size）。如果tick size是0.01元，那订单处理成本至少是0.005元（一半的tick）。因为做市商不可能报出比tick size更小的价差。
def estimate_order_processing_cost(tick_size, trade_volume):
"""
估算订单处理成本
tick_size: 最小价格变动单位
trade_volume: 平均每笔成交量
"""
# 固定成本：交易所手续费 + 清算费
fixed_cost = 0.0001 # 万分之一，假设值
# 变动成本：与成交量相关
variable_cost = 0.00005 * np.log(trade_volume + 1)
# 总订单处理成本
total_cost = tick_size / 2 + fixed_cost + variable_cost
return total_cost注意：订单处理成本在不同市场差异巨大。A股是T+1，做市商要考虑隔夜风险；美股是T+0，但SEC要收费用。我建议你跑实盘前，先跟券商把费率清单要过来，一项一项算清楚。
存货持有成本：囤货的风险溢价
做市商手里得有货才能做市。但囤货有风险——万一价格暴跌，库存就亏了。这个风险必须用价差来补偿。
存货持有成本跟三个因素有关：
- 持仓时间：货拿得越久，风险越大
- 波动率：波动越大，潜在亏损越大
- 资金成本：借钱囤货要付利息
def inventory_holding_cost(volatility, holding_period, interest_rate):
"""
计算存货持有成本
volatility: 年化波动率
holding_period: 平均持仓天数
interest_rate: 年化资金成本
"""
# 风险溢价 = 波动率 * sqrt(持仓时间/252)
risk_premium = volatility * np.sqrt(holding_period / 252)
# 资金成本 = 利率 * 持仓时间/365
funding_cost = interest_rate * holding_period / 365
return risk_premium + funding_cost我记得有次做加密货币的做市策略，比特币波动率动不动就100%以上，存货持有成本高得吓人。最后我们不得不把持仓时间控制在几分钟以内，否则价差根本覆盖不了风险。
价差预测：从分解到实战
拆完了三块成本，咱们就能预测价差了。核心逻辑是：
- 监控逆向选择成本的变化（比如大单出现时）
- 估算订单处理成本（基本固定，但要注意交易所调费率）
- 动态计算存货持有成本（波动率飙升时要加价）
def predict_spread(quote_data, trade_data, volatility_model):
"""
实时预测最优买卖价差
"""
# 1. 逆向选择成本：用最近10笔交易的价格冲击估算
recent_trades = trade_data.tail(10)
adverse = adverse_selection_measure(recent_trades, quote_data)
# 2. 订单处理成本：固定值
order_proc = estimate_order_processing_cost(0.01, 1000)
# 3. 存货持有成本：用GARCH模型预测未来波动率
pred_vol = volatility_model.predict(5) # 预测未来5分钟波动率
inventory = inventory_holding_cost(pred_vol, 5/1440, 0.03)
# 总价差 = 2 * (逆向选择 + 订单处理 + 存货持有)
predicted_spread = 2 * (adverse + order_proc + inventory)
return predicted_spread实战技巧：我建议你把这个预测模型做成一个「价差仪表盘」。当预测价差明显大于当前价差时，说明做市商在「亏本做生意」，这时候进场做市有利可图。反过来，如果预测价差小于当前价差，说明价差偏高，应该等一等再下单。
知识体系总览
下面这张图把价差分析的整个逻辑串起来了。你可以把它当成一个检查清单，做策略的时候对着看，哪块没考虑到就补哪块。
嗯，到这里价差分析的核心内容就讲完了。记住一句话：价差不是成本，是信息。拆开它，你就能看到市场里谁在赚钱、谁在亏钱、谁在承担风险。下次做策略的时候，别忘了先问问自己——我的价差模型把这三块成本都算进去了吗？