实战案例七：波动率自适应做市策略

做市策略最怕什么？怕市场突然变脸。

你按着低波动环境设的参数，突然来一波剧烈行情，库存直接被打穿。反过来，高波动时你设的窄价差，又会被来回打脸。我早年做加密货币做市时就吃过这个亏——BTC一夜波动率翻倍，我的策略还在用原来的参数，结果一晚上亏了半个月的利润。

所以这一章，我们来解决这个问题。核心思路很简单：让策略自己感知波动率，动态调整报价。

波动率自适应的基本逻辑

说白了，就是让策略根据市场状态切换行为模式：

• 波动率低的时候，价差收窄，增加报价频率
• 波动率高的时候，价差拉宽，降低风险敞口
• 极端波动时，直接暂停做市

这个思路不新鲜，但实现细节里全是坑。我一个个说。

第一步：波动率怎么算？

很多人上来就用历史波动率，但做市策略需要的是实时感知。我个人习惯用已实现波动率（Realized Volatility），基于过去N笔交易的收益率计算：

def calc_realized_vol(prices, window=20):
    log_returns = np.log(np.array(prices[1:]) / np.array(prices[:-1]))
    vol = np.std(log_returns[-window:]) * np.sqrt(252 * 24 * 60)  # 年化
    return vol

这里有个细节——窗口大小怎么选？我试过5、10、20、50。窗口太小，波动率跳来跳去，策略也跟着乱动；窗口太大，反应太慢。最终我选了20笔交易作为窗口，大概对应5-10分钟，算是个平衡点。

第二步：波动率分档

拿到实时波动率后，需要把它映射到几个档位上。我一般分三档：

档位	波动率范围	策略行为
低波动	vol < 20%	窄价差，高频率
中波动	20% ≤ vol < 60%	正常做市
高波动	vol ≥ 60%	宽价差，降低仓位

注意，这个阈值不是拍脑袋定的。我建议你回测时做个敏感性分析，看看不同阈值下策略的表现。我曾经在一个项目里直接用默认阈值，结果回测漂亮，实盘一跑就崩——因为那个市场的波动率分布跟回测数据完全不同。

第三步：动态调整价差和仓位

有了波动率档位，接下来就是调整核心参数。我常用的公式是这样的：

def adaptive_params(vol_level, base_spread=0.001, base_size=1.0):
    if vol_level == 'low':
        spread_mult = 0.8
        size_mult = 1.2
    elif vol_level == 'mid':
        spread_mult = 1.0
        size_mult = 1.0
    else:  # high
        spread_mult = 1.5
        size_mult = 0.5
    
    return base_spread * spread_mult, base_size * size_mult

嗯，这里要注意：价差和仓位要联动调整。高波动时价差拉宽，同时仓位减半，这样即使被吃单，损失也有限。低波动时价差收窄，仓位加大，赚取更多流动性收益。

第四步：极端波动保护

这是最容易忽略的部分。当波动率超过某个上限（比如年化120%），策略应该暂停做市。为什么？因为这时候市场可能处于崩盘或暴涨状态，任何做市行为都是在赌方向。

我见过有人在高波动时继续做市，结果被连续吃单，库存直接变成负数。后来我加了一个保护逻辑：

if current_vol > MAX_VOL_THRESHOLD:
    cancel_all_orders()
    set_status('PAUSED')
    log_warning(f'极端波动，暂停做市，当前波动率: {current_vol:.2%}')

这个阈值设多少？我个人习惯是年化120%。但不同市场不一样，比特币和山寨币的波动率分布完全不同，你得自己测。

完整策略流程

把上面这些串起来，整个策略的流程图是这样的：

回测中的注意事项

回测波动率自适应策略时，有几个坑我踩过：

• 前视偏差：计算波动率时只能用历史数据，不能用未来数据。这个错误我犯过，回测曲线漂亮得不行，实盘一塌糊涂。
• 参数过拟合：阈值和窗口大小不要对着历史数据硬调。我建议用滚动窗口验证，比如用前6个月数据调参，后3个月验证。
• 交易成本：波动率高时滑点也会变大，回测时要把这个因素考虑进去。我一般会在高波动场景下额外加20%的滑点成本。

代码实现要点

最后给一个完整的策略骨架，你可以直接拿去改：

class VolAdaptiveMarketMaker:
    def __init__(self, base_spread=0.001, base_size=1.0):
        self.base_spread = base_spread
        self.base_size = base_size
        self.price_history = []
        self.vol_window = 20
        
    def on_tick(self, tick):
        # 更新价格历史
        self.price_history.append(tick.price)
        if len(self.price_history) > self.vol_window * 2:
            self.price_history.pop(0)
        
        # 计算波动率
        vol = self.calc_vol()
        
        # 极端波动保护
        if vol > 1.2:
            self.cancel_orders()
            return
        
        # 自适应参数
        spread, size = self.adaptive_params(vol)
        
        # 生成订单
        self.place_orders(tick.price, spread, size)
    
    def calc_vol(self):
        # 已实现波动率计算
        prices = self.price_history[-self.vol_window:]
        if len(prices) < 2:
            return 0
        returns = np.diff(np.log(prices))
        return np.std(returns) * np.sqrt(252 * 24 * 60)
    
    def adaptive_params(self, vol):
        if vol < 0.2:
            return self.base_spread * 0.8, self.base_size * 1.2
        elif vol < 0.6:
            return self.base_spread, self.base_size
        else:
            return self.base_spread * 1.5, self.base_size * 0.5

好了，波动率自适应做市策略的核心就这些。下一章我们会聊另一个实战案例——库存风险对冲策略，到时候见。

---

无相订单流研究社 微信Lucian808555