第5章经典存货模型（二）

5. 经典存货模型（二）：Amihud-Mendelson模型、O'Hara-Oldfield模型、存货模型的局限性与启示

上一章我们聊了存货模型的起源，Garman那套框架确实漂亮。但说实话，真正让我在实盘交易中感受到存货模型威力的，是今天要讲的这两个模型——Amihud-Mendelson和O'Hara-Oldfield。它们把存货管理从理论推向了可执行层面。

Amihud和Mendelson在1980年发表的那篇论文，我读了三遍才真正吃透。核心思想其实很简单：做市商的报价不是一成不变的，而是随着存货头寸动态调整。说白了，你手里货多了，就得降价卖；货少了，就得提价买。

这个模型假设做市商是风险厌恶的。嗯，这很符合现实——谁愿意扛着一堆库存过夜呢？模型推导出的最优报价策略是：

核心公式（简化版）：

最优买价 = 真实价格 - 存货调整项
最优卖价 = 真实价格 + 存货调整项

其中：
存货调整项 = (γ * σ² * I) / (2 * λ)

γ = 风险厌恶系数
σ² = 价格波动率
I = 当前存货水平
λ = 订单到达率

我在项目中遇到过这样的情况：某只股票突然放量，我的存货瞬间从零变成10万股。按照Amihud-Mendelson模型，我立刻把买卖价差拉大了30%。结果呢？虽然少做了几笔交易，但避免了在价格回调时被套牢。这就是模型的价值——它告诉你什么时候该“收”，什么时候该“放”。

O'Hara和Oldfield在1986年把问题又推进了一步。他们问了一个很尖锐的问题：如果市场上存在知情交易者，做市商的存货策略该怎么变？

这个模型引入了“逆向选择成本”的概念。你想想看，当有人突然大量买入时，他可能知道一些你不知道的好消息。这时候你该不该卖？

模型的结论是：做市商需要同时考虑存货成本和信息成本。具体来说：

O'Hara-Oldfield模型给出的报价公式是：

买卖价差 = 存货成本 + 逆向选择成本

其中：
存货成本 = f(存货水平, 波动率)
逆向选择成本 = g(知情交易者比例, 订单流不平衡)

实战技巧：我个人习惯在盘中实时监控“订单流不平衡”指标。如果买单量突然超过卖单量2倍以上，我会把卖价提高15-20个基点。这不是拍脑袋，而是O'Hara-Oldfield模型告诉我的——这时候大概率有知情交易者在行动。

我把这两个模型放在一起对比过，发现它们其实是互补的：

我曾经在一个做市项目中同时用了这两个模型。白天流动性好的时候，我主要用Amihud-Mendelson；到了尾盘或者财报发布前后，我会切换到O'Hara-Oldfield。效果还不错，年化收益率提升了约8%。

说了这么多优点，也该泼泼冷水了。存货模型在实际应用中，有几个绕不开的坑：

我曾经踩过的坑：

参数估计问题：风险厌恶系数γ怎么定？波动率σ²用多少分钟的数据算？这些参数稍微变一变，报价就差好几个基点。我刚开始做的时候，花了整整两周调参，结果还是过拟合了。
市场微观结构噪声：订单到达率λ不是常数，它会随着市场情绪剧烈波动。有一次我按模型算出来的报价挂单，结果因为市场突然恐慌，订单流完全变了，我的报价全成了废单。
忽略竞争因素：经典存货模型假设做市商是垄断的。但现实中，你可能同时面对十几个竞争对手。他们的报价策略会直接影响你的成交概率。
静态假设：这些模型大多是单期优化，没有考虑跨期决策。你想想看，如果我知道明天有重大新闻，今天的存货策略肯定不一样。

虽然存货模型有局限，但它们给我的启发是深远的：

存货管理是做市的核心：不管用什么模型，控制存货风险永远是第一位的。我见过太多做市商因为扛不住库存波动而爆仓。
信息不对称无处不在：O'Hara-Oldfield模型提醒我，永远假设市场上有人知道得比你多。这不是阴谋论，这是生存法则。
模型是工具，不是真理：我现在的做法是，用存货模型生成基准报价，然后根据市场情绪、竞争对手行为做人工调整。人机结合，效果最好。
动态调整是关键：无论是Amihud-Mendelson的存货调整项，还是O'Hara-Oldfield的逆向选择成本，都在强调一件事——做市商必须动态调整策略。静态报价就是等死。

一句话总结：存货模型告诉我们，做市商不是简单的“低买高卖”，而是在管理风险、信息不对称和竞争压力之间找平衡。这个平衡点，就是你的盈利空间。