高频做市商如何破解成交困境？从量化逆向选择到策略优化

成交越多越亏：许多做市商都曾有过类似的经历。当你把挂单阈值调低、将报价贴得更近、或者放宽撤单条件时，成交量确实会立刻增加。但如果你贪心，想继续放大交易量，就会发现一个令人沮丧的事实——随着成交量攀升，单笔成交的平均收益却在不断恶化，最终导致“做得越多，亏得越狠”，仿佛在向市场缴纳一笔“隐形税”。

这种现象与对手方（Taker）的手续费率、以及报价的最小变动单位（Tick Size）密切相关。简单来说，对手盘的手续费越高，Tick Size 越大，市场发动趋势性行情的成本就越高，做市商想要盈利就必须赚取更宽的买卖价差（Spread）。

这构成了一个结构性的两难困境：成交概率（Fill Probability）提升了，但成交后收益（Post-Fill Return）往往会变得更差。最直观、也最常见的应对策略当然是“提高成交难度”，比如挂单离中间价更远、拉大报价价差、更快地撤单。但问题在于，这等于默认接受了“想要赚钱，就必须减少成交”的逻辑，将做市业务变成了一种极为保守的被动生意。

那么，除了“提高成交难度”之外，还有没有更优的解法？答案是肯定的。但前提是，我们必须认识到这个问题的本质不在于“成交了多少”，而在于“你在和谁成交”——这就是做市领域中绕不开的四个字：逆向选择。

1. 逆向选择：老生常谈，但永远是重中之重

逆向选择，说得直白一些，就是在信息不对称的市场中，吃掉你订单的对手方，往往比你掌握更多信息、速度更快、或对价格走势更加“确定”。结果就是，你的订单一旦成交，价格很可能继续朝着对手方预期的方向运动。你刚刚赚到的那点微薄价差，很快就会被后续不利的价格变动（即更差的 Markout）侵蚀殆尽，甚至导致亏损，使你沦为“接盘侠”。

正因如此，绝大多数做市策略，无论是显性的还是隐性的，其核心目标都在做同一件事：尽量避免吃到有毒的成交（Toxic Flow）。

在我们的实践中，曾于某交易所尝试使用RPI（零售价格改善）订单进行挂单。这种订单形式的特点是只与个人投资者成交，不与专业的API订单成交。实验发现，在不需要添加任何额外预测（Alpha）的情况下，仅进行无脑挂单就能实现稳定盈利。

为什么会有这样的结果？原因有二：

1. API订单：通常来自专业玩家，他们具备编程能力，自带交易逻辑和 Alpha，其订单大部分可以被视为“有毒订单”。
2. 个人玩家：遵循市场中的“二八定律”，大约20%的人赚钱，80%的人亏钱。与这部分群体交易，做市商更容易占据优势。

2. “成交困境”不是感觉：在真实做市里，它可以被量化

一篇极具代表性的实盘研究论文《The Market Maker’s Dilemma: Navigating the Fill Probability vs. Post-Fill Returns Trade-Off》将这个问题清晰地剖析开来。作者在币安 BTC 永续合约市场上进行了真实的做市实验，使用最简单的做市商基准来量化这个“成交概率 vs 成交后收益”的权衡关系。

他们的实验方法非常直接：

• 先扮演一周的“傻瓜做市商”：始终将订单挂在最优买一/卖一价，一旦产生仓位就立即反向平掉。
• 利用本侧订单队列深度、对手方队列深度以及盘口不平衡度等信息，拟合一个经验性的成交概率函数 h(q)。这个过程涉及到对市场微观结构的深入逻辑分析。
• 接着，在相同的“队列条件”下进行统计：如果这类订单被成交，那么在接下来的几秒钟内，其平均收益是多少。

结论非常明确：在那些成交越容易（概率高）的区域，订单被吃掉后，其平均收益明显偏向负值；而在那些成交越困难（概率低）的区域，收益虽然未必很高，但至少更接近零轴，甚至为正。

这意味着：

• 高成交率天然地与更强的逆向选择绑定在一起。
• 想要“多成交”，本质上就是在向更“有毒”的交易区域迈进。
• 真正的盈利关键，在于关注 “哪些成交值得参与”，而不是 “如何促成更多的成交”。

这就是做市业务中最常见的 KPI 陷阱：如果你把成交量作为核心 KPI，市场会奖励你更多的“成交”，但它绝不会因此奖励你“赚钱”。

3. 关键一手：在“高成交概率区域”里识别好坏成交

读到这里，很多人会下意识地得出结论：那就把订单挂得远一点，减少成交好了。但这篇研究的真正价值在于，它告诉我们：你并非只能二选一。 你可以将“多成交”与“多赚钱”之间的矛盾，转化为一个更可控的问题——

只在“高成交概率区域”内，学会区分“好成交”与“有毒成交”。

其核心思路是 “先条件化，再分类”：

1. 利用 h(q) 缩小关注范围
   使用上一步得到的成交概率函数 h(q)，在每次提交订单前计算一个预估的成交概率 p = h(q)。然后，只保留那些满足 p > p_threshold（例如，p > 0.8）的订单，形成一个 “高成交概率子集”。
   这些订单的含义是：从当前订单簿的队列结构来看，它们有极高的可能性会被成交。

2. 在该子集上重新定义“好/坏成交”
   对于每一笔属于高成交概率子集的订单，观察其实际的市场发展路径：

   • 如果订单最终未被成交，则标记为 0（忽略）。
   • 如果订单被成交，则追踪成交完成后中间价（Mid Price）第一次发生变动的时刻，并计算此期间的收益 r。
     • 若收益 r > 0（价格反向运动，对做市商有利），标记为 1（定义为“好成交”或“反转成交”）。
     • 若收益 r <= 0（价格顺向运动或不变，对做市商不利或平庸），标记为 0（定义为“有毒成交”或“一般成交”）。

这样一来，数据标签就不再是简单的“市场接下来是涨是跌”，而是在一个本来就高风险（高成交概率）的状态下，对这笔真实发生的成交进行定性：它究竟是值得参与的“好成交”（1），还是应该规避的“有毒成交”（0）。

这一步剔除了大量“本来就不会成交”的噪声样本，使模型训练任务聚焦于 “如何在极可能成交的情况下，提前识别出成交的质量” 这一核心决策点上，更贴近实际做市场景。

4. 模型和策略：不需要全能大脑，只要一层“过滤门”

在获得了 「高成交概率子集」+「好/坏成交标签」 的数据后，作者才开始构建预测模型。此处他们刻意保持了模型的简洁性：

• 特征：包括多时间尺度的价格波动率、短期收益的自相关性、成交频率与方向，以及买卖一档的挂单量、市场深度分布、顶档订单存活时间等标准的订单簿信息。
• 模型：选择了 Logistic 回归（便于分析特征贡献度）和随机森林（用于非线性拟合和特征重要性分析）进行对比。

真正的关键在于 策略层如何应用这个模型。它并非要颠覆原有的做市框架，而是在原有骨架上增加一道 “过滤门”：

• 仍然沿用最简单的做市逻辑：在最优买卖价挂单、仓位控制在 -1/0/+1、一边成交后立即在另一边挂单对冲。
• 每次准备挂单时，执行以下检查：
  1. 先计算当前市场状态下的预估成交概率 p = h(q)，判断是否处于高成交概率区（p > p_threshold）。
  2. 如果是，则使用训练好的模型预测该笔潜在成交是“好成交”的概率 P(good|q)。
  3. 只有当 P(good|q) 高于某个设定的阈值时，才允许发出这份挂单；否则，就拒绝这笔潜在的成交。

用一句话概括这层过滤器的作用：它替你做市系统多问一句——“这笔几乎肯定会成交的订单，真的值得我吃下吗？”

实证效果符合直觉：当提高过滤阈值后，每日的总成交次数会减少，但单笔成交的往返收益从负值转为正值，整体策略的夏普比率得到显著改善。这并非简单的“少做单就赚钱”，而是 “少做坏单就赚钱”。

5. 回到开头的问题：除了提高成交难度，还能怎么做得更好？

“提高成交难度”本质上是一种被动的防守策略：让自己远离危险的交易区域。而上述思路则提供了一条更主动的路径：在危险的（高成交概率）区域内部，进行精细化的筛选——不依赖于整体的保守化，而是依靠 “有选择地拒绝” 部分成交。

当然，增加一个预测过滤层并非唯一的答案。将视野放宽，规避有毒订单本身就是一套组合拳，包括：配合价格预测进行偏移报价、缩短挂单的有效期或在市场异常时及时撤单、在高波动时期主动收缩风险敞口、精心选择下单时机等。上述论文只是实现方式之一。

更现实的做法往往是多种手段叠加使用：

• 价差与报价偏斜：决定你愿意在什么价格水平上与对手方相遇。
• 挂单时间与撤单规则：决定你将风险暴露给市场多久（行情延迟是危险的信号）。
• 库存管理与下单量：决定你单次交易愿意承担多大的风险。
• 过滤规则与预测模型：在关键场景下，赋予你一票否决权。

将这些模块串联起来，其核心理念其实就是一句最朴素的职业经验：先认清每一笔成交背后可能存在的逆向选择风险，再学会果断地对一部分成交说“不”。

结语：做市不是和数据做生意，而是和对手玩无限游戏

逆向选择是做市商的入门考题，也是所有资深交易者需要用整个职业生涯反复解答的终极命题。因为你所面对的并非固定不变的数学规律，而是同样聪明、同样贪婪、并且同样在不断进化中的对手。

因此，做市这门生意真正的“经验感”，从来不在于“如何促成更多成交”，而在于：当市场热情地将成交机会推到你面前时，你是否能保持冷静，并精准地分辨出——这到底是一块诱人的利润，还是一剂致命的毒药。

本文探讨的高频做市策略与风险管理思想，在 云栈社区 的技术交流板块中亦有深入讨论，欢迎对量化交易感兴趣的朋友共同探讨。