加密货币做市商：核心策略与盈利逻辑

2026-03-10

做市商到底赚的是什么钱？为什么有人愿意承担库存风险来提供流动性？

本文是一篇阶段性的知识整合——基于对行业文献的调研、开源项目的研究，以及对几个做市策略方向的动手尝试。不是完整的实战手册，只是目前积累的系统化梳理。

一、理论基石：Avellaneda-Stoikov 模型

1.1 什么是做市商

做市商 (Market Maker) 的核心任务是为市场提供流动性。在传统的限价订单簿市场中，买方和卖方不会同时出现——有人想买时不一定有人愿意卖。做市商做的事情很简单：同时挂买单和卖单，让任何一方都能即时成交。

盈利来源也很直接：赚取买卖价差 (Bid-Ask Spread)。

盈利 = Σ (卖出价 - 买入价) × 成交数量 - 成本

但这引出了做市商最核心的矛盾：在”赚取价差”和”承担库存风险”之间找到平衡。

价差设得太宽——成交少，赚不到钱。设得太窄——成交多，但一旦价格单边移动，库存亏损会吃掉全部价差收益。一个方向的大行情可能让库存亏损远超赚到的所有价差。这就是为什么做市本质上不是”无风险套利”，而是”风险定价”。

1.2 A-S 模型的核心思想

Avellaneda 和 Stoikov（2008）提出了做市商最优报价的理论框架。模型假设：

• 中间价 $S_t$ 服从几何布朗运动：$dS_t = \mu S_t dt + \sigma S_t dW_t$
• 订单到达服从泊松过程（强度 $\lambda$）
• 做市商风险厌恶，效用函数为 CARA（常数绝对风险厌恶）

模型通过求解 HJB 方程，得到两个关键概念：

保留价格 (Reservation Price)：做市商在当前库存下愿意交易的实际”公允价值”：

其中 $q$ 是库存（正=多头），$\gamma$ 是风险厌恶系数，$\sigma$ 是波动率。

最优报价围绕保留价格对称展开：

其中 $\kappa$ 是订单到达强度参数。

直觉解释：

• 波动率 $\sigma$ 高 → 保留价格偏离大 → 价差宽（风险补偿）
• 库存 $q$ 大 → 保留价格向库存反方向偏移 → 加速降低风险敞口
• 到达强度 $\kappa$ 高 → 成交快 → 价差可以收窄

1.3 简化 Python 实现

以下是 A-S 模型核心逻辑的简化实现（仅用于理解原理，非生产可用）：

def compute_quotes(mid_price, sigma, gamma, kappa, inventory, time_horizon):
    """
    mid_price: 当前中间价
    sigma: 波动率
    gamma: 风险厌恶系数
    kappa: 订单到达强度
    inventory: 当前库存（正=做多）
    time_horizon: 剩余时间
    """
    # 保留价格（库存调整后的 "真实" 价值）
    reservation = mid_price - inventory * gamma * sigma**2 * time_horizon

    # 半价差（与风险厌恶和成交速度有关）
    half_spread = (1 / gamma) * math.log(1 + gamma / kappa)

    bid = reservation - half_spread
    ask = reservation + half_spread

    return bid, ask

这个实现是教学级别的。生产级别需要考虑更多因素——见下文”模型的局限性”。

1.4 模型的局限性

A-S 模型提供了很好的理论起点，但在实战中有几个硬伤：

1. 价格不是几何布朗运动——实际市场有跳跃、聚集波动、微观结构噪音
2. 订单到达不是泊松过程——大单往往是知情交易者（逆向选择问题）
3. 假设做市商是风险厌恶的——但实际上市场上存在大量风险中性的套利者
4. 不考虑融资成本、交易所费用、对手方风险等现实摩擦

这是来自行业验证的反馈——Optiver 的比赛数据显示，从套利策略转向做市策略后，Avellaneda-Stoikov 是在跨市场条件下最稳定的基础模型。但 “稳定” 不等于 “盈利”——它提供了一个可靠的定价起点，Alpha 则来自对它的偏离。

二、常见策略类型

了解理论后，看看这些理论在实际中有哪些具体的策略形态。以下按策略性质分类，从最基础的订单簿做市到 DeFi 独有的 MEV。

2.1 订单簿做市（核心）

在订单簿的买一和卖一处同时挂单，等待对手方吃掉。这是最传统也最核心的做市形态。

盈利来源：

• 买卖价差（主要收入）
• 交易所做市返佣（Maker Rebate，顶级做市商可达负手续费）

要点：

• Spread 根据波动率和深度动态调整
• 需要用永续合约对冲库存的方向敞口
• 低延迟网络是基础竞争力

2.2 资金费率套利（入门友好）

加密货币永续合约每 8 小时结算一次资金费率。当费率为正时，多头向空头支付。

标准组合：做多现货 + 做空等量永续合约

示例：BTC 42000 USDT，资金费率 +0.01%

8 小时后收到：42000 × 0.01% = 4.2 USDT
年化：0.01% × 3 次/天 × 365 天 = 10.95%

牛市期间正费率可达 0.1%+，年化收益更可观。

风险：

• 现货-合约价差（基差风险）
• 费率转向（从正变负）
• 交易所插针导致爆仓

2.3 跨交易所套利

利用不同交易所之间的价格差异。

示例：A 所 BTC = 42000，B 所 = 42100，价差 100 USDT（0.24%）

操作流程：A 所买入 → 转账到 B 所 → B 所卖出

现实挑战：

进阶做法：提前在多家交易所预拨资金，根据价差实时调配，省去转账等待时间。

2.4 统计套利

基于历史统计规律的均值回归策略。

常见类型：

• 币间套利：BTC/ETH 常同向波动，利用相对价格偏离做配对交易
• 基差回归：交割合约与永续合约的价差在交割前回归零
• 跨期套利：不同到期日的期货合约价差

方法论：均值回归、PCA 主成分分析降噪、协整关系检验。

2.5 MEV 套利（DeFi 特有）

区块构建者可以通过调整交易顺序来提取价值。这是 DeFi 独有的套利形式。

主要手段：

1. DEX 套利：在 Uniswap 低价买入，SushiSwap 高价卖出
2. 清算机器人：当链上借贷抵押率不足时，以折扣价清算获利
3. 三明治攻击：发现大额 swap 交易 → 提前买入 → 大额推高价格 → 卖出

技术门槛：私有 RPC 节点、直连区块构建者、优先费竞价。竞争已经非常激烈。

2.6 期权波动率套利

利用期权隐含波动率 (IV) 和实际波动率 (RV) 之间的差异。当 IV > RV 时，卖出期权是占优策略：

卖出期权利润 ≈ (IV - RV) × Vega

操作示例（卖出 Covered Call）：持有 1 BTC，卖出执行价高于市价的看涨期权，收取 premium。如果到期前 BTC 没涨过执行价，你保留 premium。

Crypto 机会：BTC/ETH 期权流动性尚可，且 IV 经常高于 RV（市场过度定价尾部风险）。新币期权波动率更高，但流动性也更差。

风险：方向判断错误可能亏损全部 premium，极端行情需要动态对冲。

2.7 流动性套利

利用大额订单造成的价格冲击。当订单簿上出现大单时，价格会被推到更深的档位，然后在大单消耗完后反弹。

操作：检测到大额订单 → 在冲击路径上提前挂单 → 大单消耗后平仓获利。

要点：需要实时订单流分析和快速撤单能力，对延迟敏感。

2.8 其他衍生策略

• 预测市场做市（Polymarket、Kalshi）：事件驱动型市场，竞争远少于主流 Crypto
• 新兴 DEX 做市：竞争少但天花板也低
• ICO/IEO 打新：新币上市初期流动性差，做市溢价高，但项目方砸盘风险也大
• 合约基差交易：买入现货 + 卖出交割合约（或反向），利用交割合约基差在到期时必然归零的性质套利
• 跨链套利：同一资产在不同链上存在价差（如 ETH on Ethereum vs ETH on Arbitrum），跨链桥的转账延迟提供了套利窗口

三、Alpha 来源

如果说 A-S 是做市商的 “通用语言”，那么真正区分水平的，是对以下三类 Alpha 的理解和利用。

3.1 认知 Alpha

库存管理是核心瓶颈

A-S 模型提供了库存调整的理论框架，但实战中库存管理才是最大的难点。一位 Reddit 实战者总结了他的演进路径：

“I started out with a constant spread bot, then I discovered order imbalance, tried to implement that in a couple ways, and then I found inventory management to be my biggest problem — which led me to Stoikov and Gueant and Lehalle.”

路径很清晰：固定价差 → 订单簿失衡(OBI) → 库存管理 → 更复杂的理论模型。绝大多数人卡在第三步——不是策略不够好，是库存控制不住。

极端行情是超额收益来源

Wintermute CEO Evgeny Gaevoy 在一次采访中提到：

“DeFi faced similar issues to CeFi — insufficient and immobile inventory during the crash, which limited arbitrage and market-making activities.”

翻译过来就是：崩盘时不是没机会，是库存不够了。

准备足够的稳定币/现金来承接极端行情的流动性枯竭，这时候价差极大，利润也最大。但这考验的不是技术，是逆势加仓的纪律和资金管理。

Crypto 市场独特的结构性优势

相比传统金融，Crypto 为做市商提供了独特的环境：

3.2 执行 Alpha

订单流预判

这是从苏慕白实盘分析中提炼的核心点。做市商的报价本质上是在回答一个问题：对手方的市价单什么时候来？

在上涨趋势中：

• 散户倾向于追涨（市价买入）
• 所以卖单应该挂近一点（容易被吃掉）
• 买单挂远一点（避免被反向成交）

波动率高的时候放宽价差，波动率低的时候收紧。这不是数学推导出来的，是对市场微观行为的观察。

回测准确性 > 策略复杂度

hftbacktest（3.8k stars）的作者有一个重要观点：

“回测必须准确模拟真实世界：既不能过度悲观隐藏优势，也不能过度乐观不切实际。”

大多数人回测是过度乐观的，原因来自三个被忽略的维度：

实战经验：实盘收益往往比回测低 50%+。 原因不是策略不行，是回测没有模拟执行摩擦。

延迟优化的 ROI

来自 bs-p（一个用 AVX-512 做极低延迟做市的仓库）的性能数据：

Crypto 市场相比传统金融在基础设施上仍然低效，100ms → 10ms 的提升，ROI 极高。

3.3 增量市场

预测市场

来自 Polymarket 官方博客的一个例子：

“He risks $300k every Sunday trading sports… built an automated market making operation that does millions of dollars in trading volume across NFL, NBA, and MLB games.”

预测市场（Polymarket, Kalshi）是一个竞争远低于 Crypto 的蓝海。波动来源是事件驱动而非趋势驱动，做市逻辑有所不同，但核心的库存管理和定价框架相通。

多市场覆盖

bs-p 的设计目标是单核 AVX-512 处理 8192 个市场（6.71 ns/market）。这不是说个人也要做 8000 个市场，而是说：不要只盯着 BTC/ETH。小市值币种、新兴 DEX、预测市场，都是机构尚未完全覆盖的领域。

四、策略实现架构

4.1 系统分层

┌──────────────────────────────┐
│          数据层               │
│  WebSocket 实时行情           │
│  订单簿快照 (L2)              │
│  历史成交                     │
│  链上数据 (MEV)              │
├──────────────────────────────┤
│          策略层               │
│  信号计算 (实时)              │
│  仓位管理                     │
│  风控 (止损/熔断)             │
│  性能分析                     │
├──────────────────────────────┤
│          执行层               │
│  订单管理 (下单/撤单/改单)    │
│  延迟优化 (批量处理)          │
│  故障恢复                     │
│  成交确认                     │
└──────────────────────────────┘

4.2 关键性能指标

4.3 竞争格局

Crypto HFT 正在加速机构化。Jump Trading、Citadel 等传统量化正在入场，MEV 机器人竞争已经白热化。基础设施（Colocation、专属线路）逐渐成为核心壁垒，个人交易者的窗口期在收窄。

但另一方面，预测市场、新兴 DEX 等增量市场机构覆盖尚浅，这就是信息差和速度差可以发挥作用的地方。

五、实战调研：现有工具与资源

以下是对几个关键开源项目和行业资源的整理。

5.1 核心项目

hftbacktest 的核心定价逻辑（简化的 Python 表达）：

reservation_price = mid_price + a * forecast - b * risk
half_spread = (c + volatility) * hs

与 A-S 模型一脉相承，但加入了 forecast 项——即 Alpha 因子（订单簿失衡、短期波动率预测等）。这是理论与实践之间的桥梁：A-S 提供骨架，Alpha 因子提供肉。

5.2 行业洞察

Wintermute CEO Evgeny Gaevoy（Blockspace 播客）：

• 2022 年的系统性风险在 2025 年不容易重演，因为市场 “less interconnected”
• DeFi 和 CeFi 在崩盘时都面临同样的库存流动性问题
• Altcoin 和 meme 币领域受影响最大

Jump Trading 的 Dave Olsen（The Block 采访）：

• 构建做市商的核心能力：超低延迟技术、量化文化、严格风控
• 资本储备的厚度决定了你能在多大程度上穿越极端行情

5.3 实战者演进路径

综合多个 Reddit 讨论和 Optiver 比赛经验，一条典型的做市策略学习路径：

固定价差
    → 订单簿失衡 (OBI) 信号
    → Avellaneda-Stoikov 框架
    → + Alpha 因子（波动率预测、相关性）
    → 技术优化（低延迟、多市场并行）

六、当前机会与陷阱

6.1 策略 × 市场条件适配

6.2 机会排序

6.3 常见陷阱

1. 小市值币种做市 — 流动性差，容易被项目方或大资金狙击
2. 忽略融资成本 — 借 USDT 做多，年化融资费可能吃掉全部价差收益
3. 过度依赖回测 — 不模拟延迟、队列位置、滑点的回测没有参考价值
4. 低估执行成本 — 交易所 API 在极端行情下会超时、限频、甚至拒绝连接
5. 不做压力测试 — 没有验证过策略在 3σ 以上的极端行情中的表现

6.4 入门路径

1. 复现 Avellaneda-Stoikov（理解基础模型）
2. 搭建含延迟/滑点的回测框架（hftbacktest 是不错的起点）
3. 小额实盘验证执行差异（发现回测和实盘的不同）
4. 迭代库存管理（这是真正的 Alpha 来源）
5. 扩展到新市场（预测市场/小币种/其他交易所）

6.5 资金要求与合规

大致的资金门槛（仅供参考）：

合规方面：

• 申请交易所做市商资格可获更低费率甚至返佣
• 了解当地监管要求，部分策略（如三明治攻击）可能在特定地区有合规风险
• 建立基本的 KYC/AML 框架

七、延伸资源

必读论文

• Avellaneda, M., & Stoikov, S. (2008). High-Frequency Trading in a Limit Order Book
• Gueant, O., Lehalle, C.-A., & Fernandez-Tapia, J. (2013). Dealing with the Inventory Risk

推荐播客

• Blockspace: Crypto Market Making with Evgeny Gaevoy (Wintermute CEO)
• The Block: Building a Market Maker (Jump Trading’s Dave Olsen)
• Flirting with Models: HFT + Hyperliquid (Chameleon’s Jeff Yan)

关键 GitHub 仓库

• hftbacktest — 3.8k stars, tick-level backtesting
• barter-rs — 2k stars, Rust trading framework
• bs-p — 104 stars, AVX-512 ultra-low-latency market making

写在后面

本文是对前期几篇做市商文章的系统整合。核心想表达的是：

做市不是 “无风险套利”，而是 “风险定价”。 理论模型是必要的基础（A-S 框架），但真正的 Alpha 来源不在公式里——在库存管理的纪律、对订单流行为的理解、以及在极端行情下保持冷静的资金管理能力。

我们没有真正的实战经验，目前处于纸上谈兵阶段。所以这篇文章在广度上尽可能覆盖了主流策略类型，在深度上重点展开经过验证的理论框架和具体的执行参数。后续有扎实的实盘验证后会再更新。

“纸上得来终觉浅，绝知此事要躬行。”

本文整合自 2026-03-10 至 2026-05-19 的研究笔记。公式和 Python 代码为教学简化版，生产环境需要更严谨的实现。