Skip to content
Go back

成交越容易,亏得越确定?币安实盘 23 万单拆解做市商的成交困境

Edit page

TL;DR

做市商最想要的两样东西,在限价订单簿里天然互斥:成交概率高,意味着你大概率是被“有信息”的对手盘吃掉;成交后价格往对你有利的方向走,意味着你的单大概率根本成交不了。牛津团队在币安比特币永续合约上实盘挂了 23 万张最小单位被动单:随机挂单的 5 秒期望收益约为 -0.8bp,扣掉 0.5bp 返佣后仍为 -0.3bp;教科书式 naive 双边做市约 3 天 7 小时亏近 60%,年化夏普比率 -109。唯一的出路不是把单挂得更密,而是识别订单簿失衡“预测错了”的时刻——逆着失衡挂单、等价格反向走回来,论文称之为“反转”。在 0.24 的反转概率阈值上,平衡库存策略的平均每轮收益从 -0.44bp 翻转为 +0.71bp,夏普比率升至 11.97,但这建立在最小单量、最优费率之上,几乎不可能按比例放大。

论文信息卡

  • 标题:The Market Maker’s Dilemma: Navigating the Fill Probability vs. Post-Fill Returns Trade-Off
  • 作者:Jakob Albers、Mihai Cucuringu、Sam Howison、Alexander Y. Shestopaloff
  • 单位:牛津大学统计系、牛津-曼量化金融研究所、牛津大学数学研究所、伦敦玛丽女王大学、纽芬兰纪念大学等
  • 发表渠道:arXiv:2502.18625v2 [q-fin.TR],2025 年 2 月 25 日提交、2025 年 11 月 23 日修订
  • 原文链接:https://arxiv.org/abs/2502.18625

背景

做市商的教科书故事很好听:双边挂单赚价差加 maker 返佣,订单按泊松过程随机成交,中间价按布朗运动漂移,Avellaneda 与 Stoikov(2008)、Cartea(2016)等经典模型大体如此。但这个故事漏掉了最关键的一条力学:你的被动单之所以成交,往往是因为有人主动来吃它;而吃它的人,很可能刚看到你没看到的信息。

这就是“逆向选择”:买单成交的瞬间,卖方 taker 单已经把买一队列打薄甚至打穿,微观价格立刻向不利于你的方向移动;若价格变动还有持续性,几秒后的 markout 只会更差。反过来,若价格朝对你有利的方向走,你的单大概率会被甩在身后:价格先走了,你的单还挂在旧价位上,随后要么被撤单、要么看着行情走远。此前文献并非没有注意到这些碎片:DeLise(2024)称之为 maker 单的“负漂移”,Maglaras 等人(2021)用深度学习预测成交概率,但大多只盯住其中一端,从未把“成交概率”和“成交后收益”放在同一批真实成交数据里对齐。更麻烦的是数据偏误:真实做市商 95% 以上的单都会撤单,且只在自认为安全时才挂单,用他们的历史订单估计成交概率会系统性低估——Lokin 与 Yu(2024)用他人订单估计的均衡盘口成交概率不到 2%,而本论文无信号实验测得的同一情形约为 50%。

方法拆解

第一步:不用历史数据,直接上实盘挂单

论文的核心方法不是回测,而是一场实盘实验。主实验是“连续报价模式”:2024 年 2 月 12 日至 19 日,在币安 USDT 本位比特币永续合约上双边始终各挂一张最小单位被动单在最优价;成交立刻补单,价格走了就撤单重挂。一周共提交 232,897 单,成交 127,051 单,未成交撤单 105,846 单,成交率约 54.6%。对照实验是 2024 年 8 月 21 日至 31 日的“周期报价模式”:每 10 秒各挂一单,共 172,800 单、成交 95,998 单,两套结果基本一致,正文用连续报价模式汇报。

为什么非要实盘?论文否定了三种替代方案:合成单忽略自身对盘口的影响,且币安只有 L2 数据、无法精确追踪排队位置;观察他人订单带有信号偏误;仿真只是复现风格化事实。代价是结论只对最小单量成立。实验环境:价差几乎恒为 1 tick(0.1 美元,约 0.03bp),最优买卖队列通常各有几十万美元;最优费率下 taker 费 1.5bp、maker 费 -0.5bp(返佣),全部收益都按最优费率计算。

第二步:把一单拆成四个量

对每个被动单,论文定义了四个核心量:排在你前面的量为“前方流动性”LALA,后面的量为“后方流动性”LBLB,排队位置 QP=LA/(LA+LB)QP = LA/(LA+LB)(0 为队首,1 为队尾);提交时的同侧队列规模 QnearQ^{near} 与对侧队列规模 QoppQ^{opp},失衡 imb=(Qnear−Qopp)/(Qnear+Qopp)\text{imb}=(Q^{near}-Q^{opp})/(Q^{near}+Q^{opp});收益用 markout 衡量:成交价与成交 1 秒后中间价之差(按方向取号,单位 bp,不含返佣),更长窗口用 5 秒收益。

这套定义把直觉变成了可检验的命题:前方量越小,越容易被一笔 taker 单吃掉;对侧队列越大,价格越不容易朝对你不利的方向穿过去,你在队列里待得越久、被吃掉的机会也越多。成交时队尾位置越靠后,说明吃掉你的那笔 taker 单越大、冲击越强,成交后的漂移也越差。

第三步:先算成交概率,再算成交后收益,最后算策略

分析分三层递进:成交概率曲面(QnearQ^{near} 与 QoppQ^{opp} 各分 20 档分箱统计、OLS 拟合);价格漂移(按成交时队列规模与排队位置分组,看 1 秒 markout 分布);策略回测(先跑 naive 双边做市与三类失衡策略,再构造“反转”分类器——只在模型认为失衡会预测错时才逆着失衡挂单)。

flowchart TD
    A[挂出最优价被动单] --> B{价格先往哪走?}
    B -->|对你不利| C[大概率成交<br/>但成交后继续亏]
    B -->|对你有利| D[大概率不成交<br/>行情走了, 单还在原地]
    C --> E[naive 做市: 小赚多次<br/>一次大亏全还回去]
    D --> F[顺失衡策略: 错过好行情<br/>只剩亏损的成交]
    F --> G[反转模型: 只在失衡可能<br/>预测错时逆势挂单]

第四步:反转模型到底怎么建

反转的定义很具体:先筛出提交时估计成交概率超过 80% 的单(共 182,381 单,平均对侧队列比同侧大 40%,即初始失衡本身不利),再看其中哪些单成交且在成交后第一次价格变动时仍有正收益——即“失衡预测错了、你还成交了”的子集,占比约 15%。前一半数据训练、后一半测试,特征共 173 个,全部是挂单时可得的量,分四组:价格动态、成交量模式、动量与盘口状态,时间尺度覆盖 100 毫秒至 5 分钟,每个尺度取连续三个互不重叠窗口,并把买卖方向统一折算为“同侧/对侧”,使模型对多空对称。

评估特意不用准确率:反转只占 15%,永远预测“不是反转”也能有 85% 准确率、却一单都不会成交。论文改用经济显著性:无方向策略(筛选后单子的 5 秒收益)与平衡库存策略(只在预测反转概率超过阈值时挂单、库存非零时只挂回补方向)两套口径,并对每个阈值做 t 检验。

实验与数据

成交概率的结果出乎意料地“简单”:同侧队列越大、成交概率越低,对侧队列越大、成交概率越高——同侧大、对侧小时低至约 30%,同侧小、对侧大时超过 90%,买卖均衡时约 50%。OLS 回归 z=β0+β1Qnear+β2Qopp+β3imbz=\beta_0+\beta_1 Q^{near}+\beta_2 Q^{opp}+\beta_3 \text{imb} 的 R2R^2 高达 0.946,系数为 β0=0.5649\beta_0=0.5649、β1=0.0159\beta_1=0.0159、β2=0.1013\beta_2=0.1013、β3=−0.3166\beta_3=-0.3166,同侧队列与失衡高度显著,对侧队列本身 p 值为 0.065、未达显著。言外之意很尖锐:成交概率根本不需要黑箱模型;但这份“可预测”恰恰是陷阱,因为它预测的是“会不会成交”,而不是“成交了赚不赚钱”。

价格漂移的分组结果把陷阱摊开来看。最有利的组合——同侧队列大、对侧队列小、成交时排在前 10%——1 秒 markout 平均也只有 -0.058bp,分布主体虽偏正、但均值仍被尾部拖成微负;同一组合排在后 25% 时,平均骤降至 -0.775bp。两边队列都大时,前 10% 为 -0.296bp、后 25% 为 -1.157bp;最不利的组合(同侧小、对侧大)里,前 10% 与后 25% 分别为 -0.539bp 与 -0.763bp,排队位置几乎不再重要。只有“大队列 + 队首 + 顺失衡”这一格勉强接近不亏,其余格子全是系统性亏损。全部随机单汇总,5 秒期望收益约为 -0.8bp,含返佣后 -0.3bp。

策略层面的结果更残酷。naive 双边做市(双边一直挂、成交后补单、无任何信号)在约 3 天 7 小时内累计亏损近 60%,年化夏普比率 -109,平均持仓约 11 秒:最常见的单次往返确实是小赚,但偶发的大亏把小赚全部淹没。三类失衡策略也全军覆没:顺失衡 taker 每轮税前约 +1bp、但每腿 1.5bp 的 taker 费吃掉全部利润,税后每轮均值 -1.9621bp;顺失衡 maker(无撤单)每轮 -0.4705bp、加撤单规则后 -0.4921bp,撤单只拦住了“失衡缓慢变坏”的那部分,对突发大单导致的跳价毫无办法。论文的诊断一针见血:taker 策略死于手续费,maker 策略死于成交概率。

反转模型是全篇唯一的转机,但幅度必须打折读。无方向口径下,阈值为 0 时每天 21,689 单、成交率 88.24%、5 秒收益 -0.74bp;逻辑回归阈值提到 0.24 时,每天只剩 882 单、成交率 86.73%、收益 -0.62bp(比随机单好约 0.12bp);提到 0.30 时,每天 233 单、成交率 85.45%、收益 -0.32bp,t 统计量 3.06、p 值 0.0011,统计显著但绝对值仍为负;要到 0.36 以上才出现正收益,但每天只剩 69 单,样本已薄到难以依赖。平衡库存口径的 headline 数字更亮眼:阈值 0.24 时每天 654 次成交(327 个往返)、平均每轮 +0.71bp、标准差 13.69bp、平均持仓拉长到 267.66 秒、夏普比率 11.97,相对阈值 0 时的 -0.44bp、夏普 -109 是天壤之别。但均值 0.71bp 建立在标准差 13.69bp 之上,持仓从 11 秒拉长到 4 分半,等于用“等更久、赌更大波动”换来了均值翻正,随机森林在同一阈值下甚至仍为 -0.39bp,说明结果对模型与阈值都很敏感。

反转的系数画像是:近 15 秒价格来回震荡、最近 100 毫秒刚急跌、成交间隔短、最优价存活时间短——即“市场活跃、刚被孤立大单砸了一下、未形成持续抛压”。论文明确说这只是原理验证,不是可直接上线的策略。

相关工作对比

与此前文献相比,这篇论文的增量不在模型复杂度,而在数据与问题的对齐方式。Maglaras 等人(2021)用合成单加深度学习预测成交概率,Arroyo 等人(2023)用卷积-Transformer 做生存分析,两者都只回答“会不会成交”,没有把成交后的收益放在同一框架里检验。Lokin 与 Yu(2024)的排队模型同样基于他人订单,存在信号偏误,均衡盘口 2% 与 50% 的估计鸿沟就是明证。

与经典模型相比,本文的挑战更根本:Avellaneda–Stoikov 类模型假设成交按泊松过程随机发生、与中间价演变无关,实盘数据直接否定了这一点——成交事件本身就携带信息。论文的“无利可图原则”由此而来:预测能力与可 exploitation 性呈负相关,越容易预测的量,越难变成钱。

局限与开放问题

  • 单市场、短窗口:主实验是一周的币安比特币永续合约,复核实验是同年 8 月的 10 天;能否外推到股票、利率等市场,论文未披露。
  • 最小单量:全部结论基于最小单位订单,大单只能靠队列换算外推,真实冲击只会更差,夏普比率 11.97 不可按比例放大。
  • 最优费率与忽略延迟:收益按 taker 1.5bp、maker -0.5bp 的最优档计算;延迟被假设为可忽略,作者认为严谨处理会强化 maker 困境,但 taker 税前收益可能被高估。
  • 测试期短、持仓拉长:反转策略测试期约 3.5 天,0.24 阈值下持仓从 11 秒拉长到约 268 秒,标准差 13.69bp 远大于均值 0.71bp;换个波动率区间,结果可能大变。
  • 数据不公开:作者声明实验数据不公开,第三方无法直接复现;反转特征的经济解释也带有推测成分。
  • 开放问题:反转信号能否与撤单策略、跨市场信号结合?价差大于 1 tick 时“队首”还有同样价值吗?加入库存与资金成本后,0.24 阈值的正收益还剩多少?

一点思考

这篇论文最值得带走的不是反转模型本身,而是它对“回测幻觉”的釜底抽薪:任何只汇报成交概率、胜率或税前收益的做市研究,都可能只是在数那个注定要亏的另一半。我的判断是,散户与中小团队不应该把“挂单赚返佣”当作策略起点——没有私有信号与延迟优势时,naive 做市在统计上就是一条通往亏损的捷径。真正有价值的投入,是先花成本拿到无偏的成交数据,再回答“在什么条件下成交反而是好事”。

原文链接


Edit page
Share this post on:

Previous Post
扩散模型为什么不死记硬背:NeurIPS 2025 最佳论文揭示训练动力学的隐式正则
Next Post
证明「我成年了」不暴露国籍:Asiacrypt 2026 的 IHBBSτ 把 BBS 发行方隐藏做到常数大小