第28章微观结构与量化策略

第28章：微观结构与量化策略

各位，咱们今天聊点真家伙。

前面讲了那么多微观结构的基础知识——订单簿、价差、冲击成本、信息比率……但说到底，这些东西如果不能落地到策略上，那就是纸上谈兵。我个人习惯是，每学一个微观结构概念，脑子里立刻想：这东西能不能用来赚钱？怎么赚？

这一章，我就把这三条路给你拆开揉碎了讲：因子构建、统计套利、做市策略。这三条路，说白了就是微观结构知识变现的三个主流方向。

28.1 基于微观结构的因子构建

先聊因子。传统因子多来自价格、成交量、基本面。但微观结构因子，盯的是订单流、价差、深度这些更底层的东西。

我在项目中遇到过最典型的例子：订单簿不平衡因子。你想想看，如果买单深度远大于卖单深度，说明什么？说明市场短期买压大，价格大概率要往上走。反过来也一样。

核心逻辑： 订单簿不平衡 = (买单总量 - 卖单总量) / (买单总量 + 卖单总量)

这个因子怎么用？我一般这样处理：

实时计算：每收到一次订单簿快照，就计算当前的不平衡值
归一化：用过去N个快照的均值和标准差做Z-score
信号生成：当Z-score超过阈值（比如2.0），生成方向信号

还有一个我特别喜欢的因子：价差弹性。说白了就是——当大单进来时，价差会怎么变？如果价差扩张很快，说明流动性差，这时候进去就是送钱。如果价差几乎不变，说明流动性好，可以放心做。

避坑指南： 我曾经在A股市场试过这个因子，发现下午14:30之后效果明显变差。后来一查，原来是尾盘集合竞价阶段，订单簿结构会剧烈变化。所以，因子一定要做分时段回测。

代码实现其实不复杂。我贴一段核心逻辑：

def order_book_imbalance(bid_volumes, ask_volumes):
    total_bid = sum(bid_volumes)
    total_ask = sum(ask_volumes)
    if total_bid + total_ask == 0:
        return 0
    return (total_bid - total_ask) / (total_bid + total_ask)

def z_score_factor(current_imbalance, history):
    mean = np.mean(history)
    std = np.std(history)
    if std == 0:
        return 0
    return (current_imbalance - mean) / std

嗯，这里要注意：历史窗口的长度很关键。太短了噪声大，太长了反应慢。我个人习惯用50-100个快照，大概对应5-10秒的数据。

28.2 统计套利策略

统计套利，说白了就是找两个或多个资产之间的稳定关系，然后等它们偏离时下注回归。

微观结构视角下的统计套利，跟传统的不太一样。传统统计套利看的是价格序列的协整关系。但微观结构版本，盯的是订单流和价差的短期失衡。

我举个例子：期货与ETF之间的套利。

期货和ETF理论上价格应该高度相关。但微观结构上，两者的订单流到达速度不一样。期货可能先动，ETF慢半拍。这个时间差，就是套利空间。

关键点： 套利窗口通常只有几十到几百毫秒。拼的是速度和低延迟。

具体怎么做？我一般分三步：

建立基准关系：用过去N天的1分钟数据，做线性回归，得到期货和ETF的价差均值
监控实时价差：当价差偏离均值超过2个标准差时，触发信号
执行对冲：做多被低估的，做空被高估的，等待价差回归

注意： 统计套利不是无风险套利。价差可能不回归，甚至越走越远。我见过有人因为价差持续偏离，一天亏掉一个月利润。所以，止损一定要设。

代码示例：

def spread_trading_signal(future_price, etf_price, mean_spread, std_spread):
    current_spread = future_price - etf_price
    z = (current_spread - mean_spread) / std_spread
    
    if z > 2.0:
        return "SHORT_FUTURE_LONG_ETF"
    elif z < -2.0:
        return "LONG_FUTURE_SHORT_ETF"
    else:
        return "NO_TRADE"

这里有个坑：交易成本。统计套利的单笔利润通常很薄，如果交易成本太高，可能连手续费都覆盖不了。我建议在回测时，把滑点和手续费算得狠一点，别太乐观。

28.3 做市策略

做市策略，是微观结构知识最直接的应用场景。说白了就是：同时挂买单和卖单，赚取价差。

但做市不是傻傻地挂单。你得考虑几个核心问题：

挂多宽的价差？ 价差太宽，成交不了；太窄，利润薄还容易亏
挂多大的量？ 量太大，容易被聪明钱吃掉；量太小，赚不到钱
什么时候调整？ 市场波动大时，价差要放宽；波动小时，可以收窄

我习惯用Avellaneda-Stoikov模型做基础框架。这个模型的核心思想是：做市商的最优报价，取决于当前库存和风险偏好。

核心公式（简化版）：

  最优买价 = 中间价 - 价差/2 - 库存调整项

  最优卖价 = 中间价 + 价差/2 - 库存调整项

库存调整项怎么算？我一般这样：

def inventory_adjustment(inventory, max_inventory, risk_aversion):
    # inventory: 当前库存（正数表示多头，负数表示空头）
    # max_inventory: 最大允许库存
    # risk_aversion: 风险厌恶系数
    return risk_aversion * (inventory / max_inventory)

举个例子：假设中间价100元，基础价差0.2元，风险厌恶系数0.1，当前库存是最大库存的50%（多头）。那么：

库存调整项 = 0.1 * 0.5 = 0.05
最优买价 = 100 - 0.1 - 0.05 = 99.85
最优卖价 = 100 + 0.1 - 0.05 = 100.05

你看，因为库存偏多，买价被压低（不想再买），卖价也被压低（想快点卖出去）。这就是库存管理的核心逻辑。

个人经验： 做市策略最怕的是趋势行情。如果市场单边上涨，你一边卖一边买，最后库存全是空头，亏到哭。我建议加一个趋势过滤器：当短期趋势明显时，暂停做市，或者只做单边。

知识体系总览

下面这张图，把本章的核心逻辑串起来了：

这张图把三条路径的关系讲清楚了。因子构建是基础，统计套利和做市策略是应用。三者之间不是孤立的——你构建的因子，可以直接用在统计套利里做信号；做市策略里的库存管理，也可以反过来优化因子设计。

好了，这一章的内容就到这里。记住：微观结构的知识，最终要落到策略上才算有价值。多动手，多回测，多踩坑——踩过的坑，都是你的护城河。

📚 课程目录