第三十章：做市策略未来趋势
说实话，做市这个行当，我干了快十五年。从最早的纯手工报价，到后来写简单的网格策略，再到现在搞机器学习模型，变化真的太大了。今天聊的这几个方向——人工智能做市、去中心化做市、ESG结构化产品做市、跨资产做市策略——不是未来概念，而是我身边已经在发生的事情。
一、人工智能做市：从规则驱动到数据驱动
传统做市策略，说白了就是一套规则。比如「价差超过X就挂单，库存超过Y就对冲」。这套东西在十年前够用，但现在市场越来越复杂，规则根本写不完。
AI做市的核心变化是什么？
- 特征工程自动化：以前我们手动挑特征，比如订单簿斜率、成交量加权价格。现在用深度学习自动提取特征，连我自己都看不懂模型在学什么，但效果确实好。
- 动态参数调整：传统策略的参数是固定的，比如价差设为0.5个tick。AI模型会根据市场状态实时调整，波动率大的时候自动放宽价差，流动性好的时候收紧。
- 多目标优化：做市不是只看盈利，还要控制库存风险、考虑交易成本。强化学习天然适合这种多目标问题。
我踩过的坑：2019年我尝试用LSTM预测短期价格走势来做市，结果回测漂亮，实盘亏成狗。后来才明白——做市策略的核心不是预测方向，而是管理不对称信息流。AI应该用来估计「订单流的不平衡程度」，而不是预测价格涨跌。
下面这张图是我现在用的AI做市框架，分享给大家参考：
二、去中心化做市：AMM的进化与挑战
DeFi的兴起让做市这件事变得「人人可参与」。但说实话，去中心化做市和传统做市完全是两码事。
AMM（自动做市商）的核心逻辑：
- 用数学公式代替订单簿，比如Uniswap的x*y=k
- 流动性提供者（LP）存入资产，赚取交易手续费
- 但有个大坑——无常损失
注意：我见过太多人把ETH/USDC存入Uniswap，结果ETH涨了50%，他们赚的手续费还不够无常损失的零头。去中心化做市不是「躺赚」，而是「主动风险管理」。
未来的方向是什么？
- 主动AMM：不再是死板的x*y=k，而是根据波动率动态调整曲线形状。比如Curve的稳定币池用低滑点曲线，波动大的币种用高滑点曲线。
- 做市商+AMM混合模式：专业做市商在链下报价，链上AMM作为补充。我记得有个项目叫「Maverick」，就是让做市商可以自定义流动性分布区间。
- 跨链做市：不同链上的流动性割裂严重，未来会出现跨链AMM聚合器，统一管理多链流动性。
三、ESG结构化产品做市：绿色金融的新战场
ESG（环境、社会和治理）这几年火得不行。但很多人不知道，ESG结构化产品的做市难度比传统产品高一个量级。
为什么难？
| 维度 | 传统结构化产品 | ESG结构化产品 |
|---|---|---|
| 标的资产 | 股票、指数、利率 | 碳排放配额、绿色债券、ESG指数 |
| 流动性 | 高 | 极低，部分产品日成交量为0 |
| 定价因子 | 波动率、相关性 | 额外增加ESG评分、政策风险、碳价 |
| 对冲工具 | 期货、期权、互换 | 缺乏成熟的对冲工具 |
我的实战经验：去年我给一家欧洲银行做ESG挂钩票据的做市系统。最大的挑战是「碳配额期货」的流动性太差，有时候一天只有几笔成交。我们最后用了「合成对冲」——用天然气期货和可再生能源指数来近似对冲碳价风险。虽然不完美，但至少能跑起来。
建议：做ESG产品做市，一定要建立自己的「ESG因子数据库」。光靠Bloomberg的数据不够，还得自己爬政策文件、企业ESG报告。我团队现在用NLP自动提取ESG事件，效果还不错。
四、跨资产做市策略：打破资产类别的墙
传统做市商通常只做一类资产——股票做市商不做债券，外汇做市商不做商品。但这个界限正在模糊。
跨资产做市的驱动力：
- 相关性套利：比如黄金和实际利率高度负相关，当两者出现定价偏差时，可以跨资产套利
- 宏观对冲需求：机构客户想要一个「一站式」做市商，能同时提供股票、债券、外汇、商品的流动性
- 技术统一：现在很多做市系统底层架构是一样的，换一套定价模型就能支持新资产
怎么做？ 我分享一个简化版的跨资产做市策略框架：
# 伪代码：跨资产做市策略核心逻辑
class CrossAssetMarketMaker:
def __init__(self):
self.asset_universe = ['SPY', 'TLT', 'GLD', 'DXY']
self.correlation_matrix = self.load_correlation()
def calculate_quote(self, asset):
# 1. 计算单个资产的独立报价
base_spread = self.base_spread_model(asset)
# 2. 考虑跨资产相关性调整
for other_asset in self.asset_universe:
if other_asset != asset:
corr = self.correlation_matrix[asset][other_asset]
# 如果两个资产高度相关，且一个被大量买入，另一个也要调整报价
if abs(corr) > 0.7:
other_flow = self.get_order_flow(other_asset)
base_spread += corr * other_flow * 0.1
# 3. 库存对冲调整
inventory_risk = self.calculate_portfolio_var()
spread_adjustment = inventory_risk * 0.05
return base_spread + spread_adjustment这个框架看着简单，但实际落地时坑很多。比如相关性矩阵是时变的，不能用固定值。我习惯用滚动窗口60天的相关性，但遇到2020年3月那种极端行情，相关性全部趋近于1，策略直接失效。
避坑指南：跨资产做市最怕「伪相关性」。比如2015年之前，铜和原油相关性很高，但页岩油革命后，这个关系就变了。我建议每季度重新评估一次相关性结构，别偷懒。
五、总结：未来三年，做市商会变成什么样？
我个人判断，未来做市商会分化成两类：
- 全能型做市商：用AI+跨资产能力，覆盖所有资产类别，服务大型机构
- 垂直型做市商：专注某个细分领域，比如ESG结构化产品、DeFi衍生品，靠深度专业度赚钱
不管走哪条路，有一点是确定的——纯手工做市已经没活路了。如果你还在用Excel手动报价，嗯，该升级了。
最后说一句：技术只是工具，真正值钱的是你对市场微观结构的理解。AI再强，也替代不了你坐在交易台前，感受订单流「呼吸」的那种直觉。
无相订单流研究社 微信Lucian808555