第十章：风险管理：VaR与CVaR在做市中的应用、库存风险度量、极端行情下的风险控制

做市商这行，说白了就是跟风险打交道。你赚的每一分钱，本质上都是承担风险的补偿。我见过太多同行，策略回测漂亮得不行，一上线就爆仓——不是策略不行，是风险管理没跟上。

今天咱们聊聊做市商最核心的三个风险维度：市场风险（用VaR和CVaR量化）、库存风险（你手里囤了多少货）、以及极端行情下的生存法则。

1. VaR：你最多亏多少？

VaR（Value at Risk）是个很直观的概念——在给定置信水平和持有期内，最大可能损失是多少。比如95%置信度下，日VaR是10万，意思就是：100天里，只有5天亏损会超过10万。

听起来不错？但有个坑——VaR不告诉你超过阈值后到底会亏多少。我2015年做美股做市时，某天VaR显示99%置信度下只亏5万，结果那天市场闪崩，实际亏损是50万。为什么？因为VaR假设收益服从正态分布，但真实市场有厚尾。

实际做市时，我一般用历史模拟法，不用参数法。原因很简单——参数法假设太强，历史模拟法直接拿过去500天的收益率排序，取第5%分位点。代码实现也很直接：

import numpy as np

def historical_var(returns, confidence=0.95):
    """
    历史模拟法计算VaR
    returns: 日收益率序列
    confidence: 置信水平
    """
    sorted_returns = np.sort(returns)
    index = int((1 - confidence) * len(sorted_returns))
    return -sorted_returns[index]

# 假设你有1000万头寸，日收益率数据
daily_returns = np.random.normal(0, 0.02, 500)  # 模拟数据
var_95 = historical_var(daily_returns, 0.95)
print(f"95% VaR: {var_95:.2%}")  # 输出百分比形式

嗯，这里要注意——VaR的持有期要和你的交易频率匹配。做市商通常是高频，用1小时甚至10分钟的VaR更合理。我习惯用滚动窗口，比如过去200个10分钟收益，实时更新VaR。

2. CVaR：VaR的补丁

CVaR（Conditional VaR），也叫Expected Shortfall，解决的就是VaR那个「尾部风险盲区」问题。它计算的是：当损失超过VaR时，平均会亏多少。

举个例子：95% VaR是10万，CVaR可能是15万。这意味着，在那些最坏的5%日子里，平均亏损是15万。

def historical_cvar(returns, confidence=0.95):
    """
    历史模拟法计算CVaR
    """
    sorted_returns = np.sort(returns)
    index = int((1 - confidence) * len(sorted_returns))
    tail_returns = sorted_returns[:index]
    return -np.mean(tail_returns)

cvar_95 = historical_cvar(daily_returns, 0.95)
print(f"95% CVaR: {cvar_95:.2%}")

我曾经在某个做市项目里，VaR一直控制在2%以内，但CVaR飙到了6%。当时没在意，结果遇到一次流动性枯竭，直接亏了8%。从那以后，我把CVaR作为硬性风控指标——VaR可以超，CVaR绝对不能超。

3. 库存风险：你手里囤了多少「炸弹」？

做市商的核心矛盾是什么？你既要提供流动性（接单），又不想持有太多库存。库存风险说白了就是：你手里囤的资产，价格跌了怎么办？

我一般用三个指标衡量库存风险：

• 库存价值：当前持仓的总市值。这个最直观，但不够精细。
• 库存Beta：持仓相对于大盘的敏感度。Beta=2意味着大盘跌1%，你的库存可能跌2%。
• 库存集中度：单一资产占总库存的比例。我给自己定的红线是：任何单一资产不超过总库存的20%。

实际操作中，我会实时计算一个库存风险评分：

def inventory_risk_score(positions, market_prices, beta_threshold=1.5):
    """
    计算库存风险评分
    positions: 持仓字典 {symbol: quantity}
    market_prices: 当前市场价格 {symbol: price}
    """
    total_value = sum(qty * market_prices[sym] for sym, qty in positions.items())
    weighted_beta = 0
    max_concentration = 0
    
    for sym, qty in positions.items():
        value = qty * market_prices[sym]
        weight = value / total_value
        # 假设每个资产有预计算的beta
        beta = get_asset_beta(sym)  # 需要外部数据
        weighted_beta += weight * beta
        max_concentration = max(max_concentration, weight)
    
    # 评分：beta越高、集中度越高，风险越大
    score = (weighted_beta / beta_threshold) * 0.6 + (max_concentration / 0.2) * 0.4
    return min(score, 1.0)  # 归一化到0-1

4. 极端行情下的风险控制

这才是做市商真正的生死考验。平时VaR、CVaR算得再好，遇到黑天鹅事件，所有模型都会失效。我经历过三次极端行情，总结出几条铁律：

4.1 熔断机制：自动停交易

我每个做市策略都配了三层熔断：

• 第一层（警告）：瞬时亏损超过当日利润的50%，自动减仓50%。
• 第二层（暂停）：亏损超过总资金的2%，暂停所有新开仓，只允许平仓。
• 第三层（清仓）：亏损超过5%，强制平掉所有库存，转为现金。

你可能会问：清仓了还怎么做市？活着比赚钱重要。2020年3月那次流动性危机，很多做市商就是因为没及时清仓，直接破产了。

4.2 波动率调整：动态缩小报价宽度

极端行情下，波动率会飙升。这时候如果你还按正常价差报价，就是送钱给市场。我习惯用波动率乘数动态调整：

def adjust_spread(base_spread, volatility, vol_threshold=0.05):
    """
    根据波动率调整报价价差
    """
    if volatility < vol_threshold:
        return base_spread  # 正常市场
    else:
        # 波动率每超过阈值1%，价差扩大20%
        multiplier = 1 + (volatility - vol_threshold) / vol_threshold * 0.2
        return base_spread * min(multiplier, 3.0)  # 最多扩大3倍

4.3 库存上限：硬性止损

不管什么情况，库存价值不得超过总资金的30%。这是死命令，代码里写死的，连我自己都不能改。为什么？因为极端行情下，你很容易觉得「再扛一扛就回来了」——这种心态会害死你。

5. 知识体系总览

下面这张图是我自己梳理的风险管理框架，你可以对照着检查自己的系统：

6. 实战中的几个坑

最后分享几个我踩过的坑，希望能帮你省点学费：

1. 别迷信VaR：它只是个统计工具，不是预言。我见过有人把VaR当止损线用，结果市场连续波动，VaR天天被突破，最后亏麻了。
2. 库存风险要实时监控：别等收盘了再算。我系统里每秒钟更新一次库存风险评分，超过阈值自动报警。
3. 极端行情下，流动性会消失：你的止损单可能根本成交不了。所以熔断机制要提前设好，别指望手动操作。
4. 回测要包含极端行情：我习惯把2015年A股股灾、2020年3月流动性危机、2022年Luna崩盘这些数据都加进去，看看策略能不能扛住。

风险管理不是限制你赚钱，而是让你能持续地赚钱。记住：市场永远在，机会永远有，但你的本金只有一次。

无相订单流研究社 微信Lucian808555