← 返回 Quant Digests · 站点首页

别把 Avellaneda-Stoikov 只当做市教材：这份 2026 新仓库更值得先测的是「Kalman fair value + OFI skew + regime widening」maker raw alpha

• 时间：2026-03-25 14:11 UTC
• 类型：2026 GitHub 新仓库 + 经典 microstructure literature 地基 + repo 自带 benchmark / markout 证据 + 代码级参数审计
• 主题类型：raw alpha
• 基础 alpha：用 Kalman(mid) + imbalance 与 OFI / microprice / vol clustering 估计未来 100~500ms 的短期漂移，把这个 edge 直接映射成 skewed maker quotes；只有当未来漂移能覆盖 adverse selection 与费用时，双边做市才有净边
• 是否可独立复现：是
• 是否可直接落地完整策略（entry/exit/sizing/risk/cost）：是
• 主题标签：raw-alpha/microstructure/maker/market-making/avellaneda-stoikov/kalman/ofi/microprice/regime/quote-skew/inventory/adverse-selection/binance/spot/1m/3m/repo/paper/execution
• 证据类型：仓库 README/代码证据 + 经典论文地基 + 参数级 desk 审计

> 先回答 base alpha：不是“挂双边等别人来打”这么空。base alpha 是：短期订单流与盘口结构会让未来几百毫秒的公平价格偏向某一边；如果你能把这个偏向及时体现在 reservation price、spread 宽度和 quote skew 里，maker 也能有 directional raw alpha，而不是纯手续费生意。

1. 这次看了什么

这轮主线不是再写一篇“OBI 很重要”的泛泛笔记，而是直接拆一份很新的完整策略仓库：

• Aliipou (2026), _mm-live_, GitHub 新仓库
• 文献地基：
• Avellaneda & Stoikov (2008), _High-frequency trading in a limit order book_, *Quantitative Finance*
• Stoikov (2018), _The micro-price: a high-frequency estimator of future prices_, *Quantitative Finance*

对当前 desk 来说，最值得偷的不是“它会做市”这件事，而是这套完整 raw alpha 骨架：

1. 用 Kalman(mid) + α·imbalance 做 fair value；
2. 用 OFI + microprice deviation + vol clustering 判断 edge 朝哪边偏；
3. 用 reservation price + adaptive spread + inventory cap + one-sided quoting 把 edge 落成可执行报价；
4. 再用 benchmark / markout / drawdown breaker 验证“吃到的 spread 有没有被 adverse selection 吃回去”。

这和今天已经写过的 single-asset taker micro alpha 不一样：

• 那条线是“看见 edge 就直接吃单”；
• 这条线是“让报价本身朝 edge 倾斜”，本质上是 maker 版的 microstructure raw alpha。

2. 核心结论

• 一句话核心结论： 这份 repo 真正值得先复现的，不是 textbook A-S 公式本身，而是 fair value drift → skewed quotes → markout clean 这条完整 maker alpha 闭环。
• 一句话证明方式： 仓库同时给了信号预测检验、策略基准对比、markout 分析和风险开关，不只是“会挂单”的 execution skeleton。

2.1 仓库里最硬的 3 组数字

1. OFI 的 edge 很短，但不是 0：

• 100ms horizon：r = 0.12，R² = 0.014，t = 3.41，p = 0.0007
• 500ms horizon：r = 0.09，R² = 0.008，t = 2.61，p = 0.0091
• 1s 之后显著性明显衰减；5s 基本消失

翻成人话：这不是 5m 慢因子，而是几百毫秒到 1 秒内衰减的 micro edge。

1. adaptive maker 明显优于固定宽度挂单：

• AdaptiveQuoteEngine：142 fills，fill rate 14.2%，P&L +0.31，Sharpe 1.823，MaxDD 0.089，WinRate 54.1%
• FixedSpreadMaker(±5)：89 fills，P&L +0.18，Sharpe 0.941
• NaiveMaker(±0.5)：201 fills，P&L -0.22，Sharpe -0.612

这组数最重要的含义不是“做市稳赚”，而是：同样是 maker，是否把 signal / inventory / regime 写进报价，结果差很多。

1. markout 没有被 adverse selection 明显打穿：

• 100ms：平均 markout +0.0031
• 500ms：平均 markout +0.0018
• 1s：平均 markout -0.0002
• README 给出的净 edge：+0.0479 USD / fill

这点很关键，因为 maker 策略最常见的假繁荣就是“看起来吃到了 spread，实际上 fill 后 mid 马上朝反方向跑”。这个仓库至少把这件事单独拿出来验了。

3. 为什么和当前项目直接相关

• 它是 raw alpha，不是 filter / overlay 伪装成本体。
• 它补的是我们当前素材池里还不够多的一类：maker-side microstructure alpha。
• 它天然对应完整策略，而不是“某个指标很重要”的解释性材料：
• entry：什么时候挂、往哪边 skew、挂多宽
• exit：何时只挂单边、何时触发 TP/库存回补
• sizing：inventory cap / fill qty / gross guard
• risk：drawdown breaker / spread sanity / one-sided quoting
• cost：maker fee + markout + latency / queue 风险
• 对当前 1m / 3m / 5m / 15m desk 的价值也很直接：
• 最适合：1m / 3m 高强度执行型 raw alpha
• 次适合：5m / 15m 主信号的 execution timing / maker-vs-taker 切换层

3.5 策略拆解（必填）

• 方向属性：单资产 / 时间序列 / microstructure / maker raw alpha
• 基础 alpha：未来超短 horizon 公平价格存在可测的方向漂移，maker 应把这个漂移写进 reservation price 与 skewed quotes，而不是围绕当前 mid 机械对称挂单
• 核心信号：
• fair_value = Kalman(mid) + α · imbalance
• edge_score = w1·OFI + w2·microprice_dev + w3·vol_urgency
• reservation = fair_value - inventory · γ · σ² · T
• 报价逻辑：
• 正常状态：双边挂单
• imbalance > 0：tighten ask / widen bid（偏向卖给买方 aggressor）
• 高波动：spread widen
• 达库存上限：只挂能减仓的一边
• sizing：
• 先固定 fill_qty
• 再按 |edge_score| / σ / spread_state 做 quote aggressiveness 分层
• risk：
• max_inventory_btc
• max_drawdown_usd
• max/min_spread
• 盘口漂移太快或 latency 异常时停更/停机
• cost：
• maker fee / rebate
• adverse selection（必须看 markout，不可只看 spread capture）
• queue position / quote-to-fill delay / quote cancel 节流

4. 代码级 desk 读法：它默认更像「spread floor + skew + inventory」系统，不完全是 textbook A-S

这份 repo 最有价值的一点，是 README 之外还能做 代码级 sanity check。

4.1 一个值得先记下的小细节

README 里写的是 textbook A-S 半价差： δ = γσ²T/2 + (1/γ) ln(1 + γ/k)

但仓库 quoting.py 实现的是： base_delta = γσ²T/2 + (1/k) ln(1 + γ/k)

这两者不是一回事。 在默认参数 γ=0.05, k=1.5, T=600 下：

• textbook 常数项约 0.6558
• 仓库实现常数项约 0.0219

同时仓库还设了 min_half_spread = 0.5 USD。 我按代码把默认参数扫了一遍，得到一个很关键的 desk 结论：

• 当 sigma < ~0.1785 时，实际 half-spread 基本被 0.5 USD 的 floor 钉住；
• 也就是说在大量正常波动时段，这个系统的实盘行为更像：
• 固定最小价差
• + imbalance skew
• + inventory pressure
• + high-vol regime widen

而不是一个由 A-S 理论项完全主导的连续最优 spread 模型。

这反而更符合 desk 现实：很多时候真正起作用的不是 textbook 闭式解，而是 floor、skew、inventory、throttle 这些“脏工程参数”。

4.2 这意味着什么

• 第一，repo 很适合做工程型完整策略 intake，不适合当“原论文一字不差 faithful replication”。
• 第二，若要 live / paper-trade，先确认 spread 公式到底是故意改写还是实现偏差；否则参数调优会被错误解释。
• 第三，对 desk 来说，这个 repo 的最佳拆法不是“迷信 A-S”，而是：

1. 保留 quote floor；
2. 明确 skew 来自哪些 micro alpha；
3. 再测 inventory / regime / throttle 是否真的改善 post-cost fill quality。

5. 与当前短周期（1m / 3m / 5m / 15m）的关系

5.1 最适合的位置

• 1m / 3m： 可直接当独立 maker alpha / execution alpha
• 5m / 15m： 更适合当 execution layer，而不是主 bar-close alpha

原因很简单：仓库给出的 edge 有效窗口主要在 100ms ~ 500ms，到 1s 以后已经开始衰减。它不是天然 15m 主信号。

5.2 对 5m / 15m desk 最实用的读法

如果你已经有一个 5m 或 15m 主方向信号，这条 maker alpha 最值钱的用法可能是：

1. 决定先 maker 还是直接 taker；
2. 当 micro edge 与大周期方向相反时，延迟入场 / 降低报价尺寸；
3. 在 inventory 已偏、spread 已宽、markout 变差时，暂停继续补单。

也就是：它既可以独立作为快节奏 alpha，也可以作为慢周期 alpha 的 execution veto / timing layer。

6. 最小可复现实验（面向 1m / 3m / 5m / 15m）

6.1 数据源与公开性

• 数据源：Binance Spot / Futures 公共 WebSocket bookTicker + trade streams
• 公开性：公开可得，无需私钥（只做行情采集时）
• 更新频率：事件驱动，毫秒级
• 最小可复现实验口径：自采 2~6 小时即可；先不用私有成交回报，也能先做信号预测与 paper fill 检验

6.2 最小实验设计

1. 标的：先跑 BTCUSDT / ETHUSDT / SOLUSDT
2. 采样：连续采集 2~6h 的 bookTicker + trade
3. 最小信号：先只保留 imbalance / OFI / microprice_dev / relative_spread
4. 先做 2 类检验：

• OFI -> future mid return 回归（100ms / 500ms / 1s）
• 自适应 maker vs fixed spread vs naive maker 三路 benchmark

1. 最先看 5 个指标：

• r / t-stat / p-value（预测性）
• P&L / Sharpe / MaxDD
• fill rate
• avg markout
• net edge per fill

6.3 先不要做的事

• 先不要一上来加深度学习
• 先不要跨很多 symbol 扫 universe
• 先不要把秒级 edge 粗暴压成 15m 因子再宣称它是 bar alpha

7. 下一步怎么测（必须）

1. 先做 paper-fill benchmark，不要直接 live。 先把 adaptive vs fixed vs naive 三组结果在本地自采数据上跑通。
2. 把 markout 做成 hard gate。 若 100ms/500ms markout 变负，就算 spread capture 看起来漂亮，也先判死。
3. 专门测“floor 主导还是 A-S 主导”。 先做 min_half_spread × gamma × k × sigma regime 网格，确认策略收益到底来自哪一层。
4. 把 queue / cancel 节流单独测。 maker 策略最容易纸上繁荣，实盘里却死在 cancel 限速和 queue ranking。
5. 对 1m/3m 与 5m/15m 分开定位。 前者看独立 micro alpha；后者看 execution timing / maker-vs-taker 切换，别混成一个指标。
6. 补一轮资产分层。 BTC/ETH 先看是否 edge 更薄但稳；SOL / midcaps 再看是否 fill 更多但 adverse selection 更重。
7. 先核对 spread 公式实现。 如果 1/k 不是刻意改写，修正后要重做全套 benchmark，避免对参数含义产生错觉。

8. 风险与保留意见

• 这份 repo 的证据主要来自 README benchmark 与代码结构，不等于严格审稿级 live PnL 证明。
• maker alpha 的最大敌人通常不是方向预测误差，而是 queue position / latency / stale quote / cancel throttle，这些在回测里最容易被低估。
• 这条 edge 衰减极快；如果基础设施跟不上，alpha 很可能在“知道正确方向”时仍赚不到钱。
• 若把它硬翻译成 5m/15m 主信号，大概率会失真；更诚实的定位是 micro alpha / execution alpha。
• 代码里的 A-S spread 项与 README 公式存在差异，这在 live 前必须先说清楚。

9. 来源

1. Aliipou. (2026). _mm-live_. GitHub repository.

• Repo URL: https://github.com/Aliipou/mm-live
• Readable URL: https://github.com/Aliipou/mm-live

1. Avellaneda, M., & Stoikov, S. (2008). _High-frequency trading in a limit order book_. Quantitative Finance, 8(3), 217–224.

• DOI: 10.1080/14697680701381228
• Readable URL: https://doi.org/10.1080/14697680701381228

1. Stoikov, S. (2018). _The micro-price: a high-frequency estimator of future prices_. Quantitative Finance, 18(12), 1959–1966.

• DOI: 10.1080/14697688.2018.1489139
• Readable URL: https://doi.org/10.1080/14697688.2018.1489139

1. Binance Developers. Spot / Futures WebSocket market streams.

• Readable URL: https://developers.binance.com/docs/binance-spot-api-docs/web-socket-streams
• Readable URL: https://developers.binance.com/docs/derivatives/usds-margined-futures/websocket-market-streams

10. 本轮产物

• reports/artifacts/quant_digests/mm_live_maker_alpha_20260325_1411/source_metrics.json
• reports/artifacts/quant_digests/mm_live_maker_alpha_20260325_1411/source_metrics.md