24、做市商利润模型中的机器学习应用：订单流预测、波动率预测、最优执行

做市商这行当，说白了就是靠「预测」吃饭的。你预测得准，就能在别人还没反应过来的时候把利润揣进兜里。传统模型靠的是数学公式和统计假设，但市场越来越复杂，那些假设经常被打破。我做了这么多年，越来越觉得——机器学习不是锦上添花，而是生存必需品。

今天咱们就聊聊三个最核心的应用场景：订单流预测、波动率预测、最优执行。这三个东西，就像做市商的三根支柱，缺一根都站不稳。

订单流预测：提前看到对手的底牌

做市商最怕什么？怕被「吃」。你刚挂了个买单，下一秒大单就砸下来把你吃掉。如果你能提前知道接下来几秒谁会买、谁会卖，你就能提前调整报价，避免被狙击。

我个人习惯用LSTM（长短期记忆网络）来做订单流预测。为什么？因为订单流数据是典型的时间序列，而且有长期依赖关系。一个大的机构订单，往往会在几分钟内拆成几十笔小单慢慢执行。LSTM能捕捉到这种「拆单」的痕迹。

举个例子，我曾在某个ETF做市项目中遇到过这种情况：

# 简化版特征工程
features = [
    'last_trade_direction',      # 上一笔方向：1买 -1卖
    'last_trade_size',           # 上一笔大小
    'time_since_last_trade',     # 距上一笔时间(ms)
    'bid_ask_spread',            # 当前买卖价差
    'order_imbalance_5s',        # 过去5秒订单不平衡度
    'volume_ratio_1min'          # 过去1分钟成交量/均值
]

# 模型输出：下一笔是买单的概率
# 阈值0.6以上，我倾向于认为接下来会有买单涌入

嗯，这里要注意一点：不要只预测方向。我见过很多团队只预测「买还是卖」，结果准确率60%多，但实际交易中根本赚不到钱。为什么？因为大小也很关键。一笔大买单和十笔小买单，对价格的影响完全不同。

波动率预测：给报价定个「安全垫」

做市商的利润来源是买卖价差。但价差设多大？设小了，容易被波动吃掉；设大了，没人跟你交易。波动率预测就是用来解决这个矛盾的。

传统方法用GARCH模型，但GARCH对非线性关系捕捉能力有限。我建议试试梯度提升树（XGBoost/LightGBM）。为什么？因为波动率的影响因素很多——隔夜跳空、宏观数据发布、期权到期日、甚至推特上的情绪。树模型能自动处理这些特征的交互作用。

我记得有一次，某个做市项目里，我们加入了「期权隐含波动率」和「VIX期货期限结构」作为特征，波动率预测的R²直接从0.3跳到了0.55。效果非常明显。

最优执行：把利润「挤」出来

订单流预测和波动率预测，最终都要服务于一个目标——怎么执行。你预测到有大买单要来，你是现在就提高报价，还是等它来了再调？你预测到波动率要飙升，你是缩小价差还是扩大价差？

这就是最优执行要解决的问题。我个人习惯用强化学习（RL）来做。为什么？因为执行决策是序列化的——你今天的决策会影响明天的库存，而库存又会影响后天的报价。RL天然适合这种「多步决策」问题。

具体来说，我常用深度Q网络（DQN）或者近端策略优化（PPO）。状态空间包括：当前库存、订单簿状态、预测的订单流方向、预测的波动率。动作空间包括：调整买价、调整卖价、调整双边报价、等待。

你想想看，RL模型训练好了之后，它会学到一些人类很难直觉感知的策略。比如：当预测到有大买单要来时，它不会立刻拉高卖价，而是先小幅提高买价，吸引更多卖单进来，把库存补足，然后再拉高卖价去赚那波大买单的钱。这种「先吸筹再出货」的策略，人工很难持续执行，但RL可以。

下面这张图展示了三个模块之间的关系：

说白了，这三个模块不是孤立的。订单流预测告诉你「谁会来」，波动率预测告诉你「市场有多颠」，最优执行告诉你「怎么接招」。三者配合好了，做市商的利润才能稳定。

最后说一句，机器学习模型不是万能的。市场结构会变，模型会过时。我每隔三个月会重新训练一次模型，并且每天监控预测误差。一旦发现某个特征的预测能力下降，立刻排查原因——是市场变了，还是数据出了问题？

做市商这行，赚的是「信息差」和「速度差」的钱。机器学习帮你把信息差拉大，把速度提上去。但最终拍板的，还是你这个人。