MmAvellaneda Stoikov

这篇论文 《Optimal High-Frequency Market Making》 实现并分析了 Avellaneda-Stoikov (2008) 的高频做市定价模型，并引入了一个动态库存控制模块，用于优化限价单的挂单量，以在保证盈利的同时控制库存风险。下面是详细解读：

📌 一、研究背景与动机 #

高频做市商（HFT market makers）通过在订单簿中持续挂出买卖限价单来提供流动性，赚取 买卖价差（spread） 和 交易所提供的挂单返利（rebate）。但这同时会产生库存风险（inventory risk），即买入或卖出过多后，价格波动带来的风险。

Avellaneda-Stoikov 模型是其中一个经典的高频做市定价框架，它在假设股票价格服从布朗运动的基础上，通过求解最优控制问题得出最优报价策略。

📌 二、模型框架 #

2.1 定价模型（Pricing） #

基于 Avellaneda & Stoikov (2008)：

• 股票价格服从布朗运动： $dS_t = \sigma dW_t$
• 市场深度与成交概率关系：$\lambda(\delta) = A e^{-\kappa \delta}$
• 做市商目标是最大化终端时刻 $T$ 时的指数效用函数：

$$ \max_{\delta_a, \delta_b} \mathbb{E}[-e^{-\gamma (X_T + q_T S_T)}] $$

推导结果是：

• 中间价（Indifference Price）：

$$ r(s, t) = s - q\gamma\sigma^2(T - t) $$

• 最优总挂单价差（Spread）：

$$ \delta_a + \delta_b = \gamma\sigma^2(T - t) + \ln\left(1 + \frac{\gamma}{\kappa} \right) $$

👉 这个模型体现了：

• 离市场收盘越近，价差越小（为了减少隔夜风险，变得更激进）
• 持有的库存 $q$ 越大，中间价越偏离市场中价

2.2 库存控制模型（Inventory Control） #

为解决 Avellaneda-Stoikov 模型中“不限制库存大小”的问题，作者引入了一个动态调节挂单数量的模型：

$$ \begin{cases} \phi_{\text{bid}}^t = \phi_{\text{max}}^t & \text{if } q_t < 0 \ \phi_{\text{bid}}^t = \phi_{\text{max}}^t e^{-\eta q_t} & \text{if } q_t > 0 \end{cases} \quad \begin{cases} \phi_{\text{ask}}^t = \phi_{\text{max}}^t & \text{if } q_t > 0 \ \phi_{\text{ask}}^t = \phi_{\text{max}}^t e^{\eta q_t} & \text{if } q_t < 0 \end{cases} $$

这个设计逻辑是：

• 当前若持有过多某一方向的头寸（如多头），则减少挂出同方向单的数量
• 达到库存中性目标（inventory mean-reversion）

2.3 算法流程 #

策略遵循以下流程：

1. 若订单簿中无挂单，挂出最优买卖报价；
2. 若仅一边挂单被成交，则等待 5 秒，若未成交另一边则取消并重新挂单；
3. 若两边都在订单簿中，每隔 1 秒刷新一次报价；

📌 三、交易模拟器设计 #

构建了一个简化的交易环境用于模拟：

• 市场订单到达遵循时间非齐次泊松过程，强度：

$$ \lambda(t, \xi) = \alpha_t e^{-\mu \xi} $$

其中 $\alpha_t$ 是随时间变化的成交活跃度（“浴缸曲线”），$\xi$ 是订单簿深度。

• 成交事件模拟使用贝努利分布 $Ber(\lambda(t, \xi)\Delta)$，部分成交使用 Gamma 分布模拟。

📌 四、实证结果与对比 #

对 S&P500 中具有不同特性的五只股票（如 AAPL, AMZN, GE）进行实验，比较本文策略（optimal）与基线策略（baseline，始终挂在最优买卖价）：

🔸 核心结论： #

• 本文策略在多数股票上有 更高或相近的利润；
• 库存控制更稳定（位置更接近 0，方差更小）；
• 使用更少的挂单次数完成相似或更优的成交；
• 盈利方差更小，收益更稳健；

🔸 样例结果（以 AAPL 为例）： #

📌 五、马尔可夫链分析 #

将做市过程建模为马尔可夫过程，状态空间为：

• Quoting: 正常挂单；
• Waiting: 一侧成交，另一侧等待；
• Spread: 成功赚到买卖价差；

引入两个性能指标：

• 成功捕获价差的概率 $p^*$
• 单边成交（未对冲）概率 $q^*$

👉 虽然 Baseline 策略挂得更激进，捕获价差的概率更高，但 Optimal 策略的单边成交概率更低，说明更有效地控制了库存风险。

✅ 结论总结 #

• 本文将 Avellaneda-Stoikov 的模型扩展为一个 可实际运行的高频做市策略；
• 通过库存控制模块，使策略能在不停止交易的前提下控制风险；
• 实验结果验证其在多个维度优于基准策略；
• 提出进一步改进方向：引入对中间价变化与订单到达的预测。

ref #

https://stanford.edu/class/msande448/2018/Final/Reports/gr5.pdf