6、做市策略引擎：报价策略框架、库存管理策略、对冲策略、最优执行算法
做市策略引擎，说白了就是整个系统的「大脑」。它决定了你什么时候报价、报什么价、手里存货多了怎么处理、风险敞口怎么对冲。我做了这么多年结构化产品做市，见过太多团队在策略引擎上栽跟头——要么报价太激进被市场「吃掉」，要么库存管理一塌糊涂导致爆仓。
今天咱们就把这块拆开揉碎了讲。我会结合自己踩过的坑，把报价策略、库存管理、对冲和最优执行这四块核心内容说清楚。
6.1 报价策略框架：怎么定出「聪明」的价格
报价策略不是简单地在中间价上加个点差。结构化产品的定价本身就复杂，再加上做市商要赚钱，报价策略得考虑好几个维度。
核心公式：
报价 = 理论价格 + 风险溢价 + 库存调整 + 竞争因子
我在项目中遇到过这样的情况：团队把理论价格算得很准，但忽略了库存调整，结果手里积压了一大堆同方向的头寸，市场一波动就亏惨了。
报价策略框架通常包含以下几个模块：
- 基础定价层：根据模型算出产品的理论公允价值。结构化产品常用蒙特卡洛模拟或有限差分法。
- 风险调整层：根据当前持仓的 Greeks（Delta、Gamma、Vega 等）调整报价。比如你 Delta 已经偏多了，买价就要压低一些。
- 库存管理层：后面会详细讲，这里先提一句——库存水平直接影响报价偏移。
- 竞争感知层：观察对手方的报价行为，动态调整自己的点差和报价深度。
我习惯用分层架构来实现报价策略，这样每一层都可以独立测试和优化。你想想看，如果所有逻辑都揉在一个函数里，改一个参数都可能引发连锁反应，调试起来会疯掉。
// 伪代码示例：报价策略引擎核心逻辑
class QuoteEngine {
double calculateBidPrice(Product product, Portfolio portfolio) {
double fairPrice = pricingModel.price(product);
double riskAdjust = riskManager.calculateAdjustment(product, portfolio);
double inventoryAdjust = inventoryManager.getBidAdjustment(product);
double competitiveAdjust = marketData.getCompetitiveBidAdjust(product);
return fairPrice + riskAdjust + inventoryAdjust + competitiveAdjust;
}
double calculateAskPrice(Product product, Portfolio portfolio) {
// 类似逻辑，但方向相反
}
}我的经验：报价策略一定要做回测。别以为模型算出来就万事大吉，历史数据跑一遍，你会发现很多「纸上谈兵」的问题。我曾经有个策略，回测时年化收益 15%，实盘一跑就亏——后来发现是忽略了交易成本。
6.2 库存管理策略：别让存货「压死」你
库存管理是做市商的核心能力之一。结构化产品流动性差，手里积压了头寸，想平仓都找不到对手方。
库存管理的目标很简单：把持仓控制在目标范围内。但实现起来并不容易。
我常用的库存管理策略有几种：
- 均值回归策略：设定一个目标库存水平，偏离了就通过报价调整来「拉」回来。比如库存偏多，就降低买价、提高卖价，鼓励客户卖给你，抑制客户从你这里买。
- 库存阈值触发：设定上下限阈值，一旦突破就启动「紧急模式」。紧急模式下，报价偏移会加大，甚至暂停某些方向的报价。
- 时间加权策略：库存偏离的时间越长，调整力度越大。这能避免短期波动导致过度反应。
注意：库存管理不能只看数量，还要看风险敞口。比如你手里有 100 万名义本金的看涨结构产品，和 100 万名义本金的看跌结构产品，数量上是对称的，但风险敞口完全不同。我建议用 Delta 等价头寸来管理库存。
举个例子，假设你的目标库存 Delta 是 0，当前持仓 Delta 是 +5000。这意味着你偏多头。那你的报价策略就要偏向「劝退」买家、「欢迎」卖家。具体做法是：
- 买价（Bid）降低 0.5 个基点
- 卖价（Ask）提高 0.5 个基点
- 点差从 2 个基点扩大到 3 个基点
这样客户更倾向于卖给你，而不是从你这里买，库存自然就降下来了。
6.3 对冲策略：把风险「转嫁」出去
对冲是做市商控制风险的核心手段。结构化产品的风险维度多，Delta、Gamma、Vega、Theta 都得管。
我习惯把对冲策略分为两类：
| 对冲类型 | 适用场景 | 工具 | 频率 |
|---|---|---|---|
| 静态对冲 | 产品发行初期，风险敞口大 | OTC 期权、互换 | 一次性或低频 |
| 动态对冲 | 日常做市过程中，风险持续变化 | 期货、ETF、流动性好的期权 | 高频（分钟级甚至秒级） |
动态对冲里最常用的是 Delta 对冲。原理很简单：你持有一个结构化产品，Delta 是 0.6，意味着标的资产涨 1 块，产品涨 0.6 块。为了对冲，你就得卖出 0.6 份标的资产。
但实际操作中没这么简单。为什么呢？因为 Delta 会变。Gamma 的存在让 Delta 本身也在波动。你想想看，如果市场剧烈波动，Delta 可能从 0.6 变成 0.8，你之前对冲的头寸就不够了。
我曾经踩过的坑：有一次做 Delta 对冲，我用了固定频率（每小时对冲一次）。结果市场在 15 分钟内暴跌，Delta 变化巨大，我的对冲头寸完全跟不上。那次亏了不少钱。后来我改成了基于阈值触发的对冲——Delta 偏离超过某个阈值就触发对冲，而不是固定时间。
Vega 对冲也很重要，尤其是对于期限较长的结构化产品。隐含波动率一变，你的持仓价值可能大幅波动。我通常用方差互换或期权组合来管理 Vega 风险。
6.4 最优执行算法：怎么「花最少的钱」完成交易
最优执行算法（Optimal Execution）解决的是一个问题：你要买卖一大笔头寸，怎么操作才能让市场冲击成本最小？
做市商自己也需要执行大额交易——比如对冲、库存调整、产品到期平仓。这时候不能像散户一样一把梭，得讲究策略。
常用的最优执行算法有：
- TWAP（时间加权平均价格）：把大单拆成小单，按时间均匀分布。适合流动性好、波动不大的市场。
- VWAP（成交量加权平均价格）：根据历史成交量分布来分配订单。流动性高的时段多交易，流动性低的时段少交易。
- Implementation Shortfall：追求「实际成交价」和「决策价」之间的差距最小化。这个算法更复杂，会考虑市场冲击、延迟成本、机会成本。
- 自适应算法：根据实时市场情况动态调整交易节奏。比如市场突然出现大单，算法会加速或减速。
我个人的习惯是：大额交易用 Implementation Shortfall，小额交易用 VWAP。为什么？大额交易对市场冲击大，需要精细控制；小额交易用 VWAP 简单高效，不会引入太多复杂逻辑。
// 最优执行算法示例：VWAP 切片逻辑
class VWAPExecutor {
void execute(Order order, MarketData marketData) {
double totalVolume = order.quantity;
List<Slice> slices = calculateSlices(totalVolume, marketData.historicalVolumeProfile);
for (Slice slice : slices) {
double price = marketData.getCurrentPrice();
double quantity = slice.quantity;
// 发送子订单
broker.sendOrder(new Order(price, quantity, order.side));
// 等待一段时间再发下一笔
Thread.sleep(slice.interval);
}
}
List<Slice> calculateSlices(double totalVolume, VolumeProfile profile) {
// 根据历史成交量分布计算每个时间片的交易量
}
}小技巧：最优执行算法一定要考虑「信号成本」。如果你要卖出，而市场正在下跌，你的算法应该加速卖出还是减速？这取决于你对市场走势的判断。我通常会在算法里嵌入一个短期预测模型，虽然不完美，但能显著改善执行效果。
6.5 策略引擎的整体架构
说了这么多，咱们来看看策略引擎的整体架构。下面这张图是我在实际项目中用过的架构，经过多次迭代，算是比较成熟了。
这个架构的核心思想是分层解耦。市场数据输入层负责采集和清洗数据，策略引擎核心做决策，执行层负责把决策变成订单发出去。每一层都可以独立升级和优化。
特别提醒：策略引擎的延迟非常关键。从市场数据到达，到策略计算出报价，再到订单发出，整个链路延迟要控制在微秒级。我见过有些团队用 Python 写策略引擎，延迟动不动就几十毫秒，这在做市领域基本没法玩。建议核心路径用 C++ 或 Java 实现，Python 只做策略研究和回测。
好了，关于做市策略引擎的核心内容就讲到这里。报价策略、库存管理、对冲、最优执行，这四个模块环环相扣，任何一个环节出问题，整个做市业务都会受影响。我在实际项目中花了很多时间在策略引擎的稳定性和鲁棒性上——毕竟，一个能稳定运行 99.99% 时间的策略引擎，比一个理论上收益更高但经常出 bug 的引擎要值钱得多。