← 返回 Quant Digests · 站点首页
别把这份 2026 options/MM repo 只读成 A-S 教材：对 short-cycle desk，更该先测的是「predicted-optimal spread × inventory-skew quote ladder」这条完整 maker raw alpha
更新时间：2026-04-07 17:27 UTC
研究时间：2026-04-07 17:11 UTC
类型：GitHub repo source audit（`README.md` + `strategies/market_making/xgboost_spread.py` + `strategies/market_making/avellaneda_stoikov.py`）
主题标签：raw-alpha / market-making / microstructure / order-book / spread-prediction / xgboost / inventory / options / 1m / 3m / 5m
证据类型：工程经验
源文件：research/quant_digests/2026-04-07_1711_xgboost-spread-adaptive-maker-alpha.md
- 时间：2026-04-07 17:11 UTC
- 类型：GitHub repo source audit（
README.md + strategies/market_making/xgboost_spread.py + strategies/market_making/avellaneda_stoikov.py）
- 主题类型：raw alpha
- 基础 alpha：maker spread capture（在低毒性/可成交的盘口状态下，动态报出更合适的双边价差去吃 spread）
- 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 / market-making / microstructure / order-book / spread-prediction / xgboost / inventory / options / 1m / 3m / 5m
- 证据类型：工程经验
1. 这次看了什么
这次主看 signorloops (2026) 的 crypto-options-research-platform，但不再把它只读成经典 Avellaneda-Stoikov 教材，而是直接抽其中更适合我们 desk intake 的分支：strategies/market_making/xgboost_spread.py。这条线的 base alpha 很清楚：不是赌方向，而是赌“当前这段盘口状态下，报多宽的 spread 最容易在扣掉 adverse selection / inventory / 交易成本后留下真钱”。
2. 核心结论
- 一句话核心结论： 这份 repo 真正值钱的，不是“又上了 ML”，而是它把 maker alpha 写成了一个可直接训练的完整壳：先用盘口特征预测“最优报价宽度”，再把 inventory skew 和 size control 接到下单层。
- 一句话证明方式： 代码不是空谈，它直接把历史窗口特征 → 候选 spread 网格 → 未来窗口模拟收益/成本 → 最优 spread 标签 这条训练链写了出来。
- 特征层很朴素但够 desk：
rv_short(20)、rv_long(100)、盘口 imbalance、bid/ask_volume_ratio、spread_percentile、price_change_5/20、inventory_ratio，基本都能从公开 L2/L1 或聚合盘口快速移植。
- 标签层不是分类涨跌，而是从候选 spread 网格里选最优值：代码默认用 10 档候选 spread（5~80 bps），对每个候选 spread 做未来窗口模拟，目标函数里显式扣掉 inventory holding cost 和 execution cost。
- 执行层也不是“预测完就完了”：预测出来的 spread 会再被
min/max_spread_bps 夹住，同时用 inventory_skew = inventory_ratio * 0.25 把 bid/ask 做非对称偏移，并在库存逼近上限时把 quote size 线性缩小。
3. 为什么和当前项目有关
这条线和我们最近已经 intake 的 maker 主题（A-S、OFI reservation price、inventory-bounded quoting）是同一家族但不同一层：前几篇更多是在写“理论 fair value 怎么偏移”，这篇更像在补 quote width / quote aggressiveness 这一层。对 short-cycle desk 来说，它不是附属 overlay，而是能独立成策略壳的 raw alpha：
- 当你已经接受“maker 赚的是 spread capture”后，下一步最值钱的问题就是：什么时候该报窄一点抢成交，什么时候该报宽一点防毒性？
- 这份 repo 给了一个很直接的工程答案：先别上复杂 RL，先用可解释的短窗特征去学 optimal spread bucket。
3.5 策略拆解（必填）
- 方向属性：流动性提供 / 微观结构 / 偏中性
- 基础 alpha：predicted-optimal spread 下的 maker spread capture
- regime：低毒性、mid 相对稳定、盘口厚度尚可的时段更适合开机
- filter / veto：高 realized vol、极端 imbalance、库存逼近上限时应 widen / size-down / no-quote
- risk / sizing / execution overlay：
min/max spread clamp、inventory skew、inventory-limited size、future-window cost simulation、cancel/replace quote ladder
4. 可复刻的最小实验
研究假设： 在 BTCUSDT / ETHUSDT 的 1s 或更细盘口上，用最近 20~100 个观测构造的微观结构特征，可以把下一段 30~60s 的“最优 maker spread bucket”分出来；按模型报动态 spread，会优于固定 1 档 spread。
最小回测切口：
- 资产：
BTCUSDT, ETHUSDT
- 周期：主测
1m / 3m，5m 只做聚合观察
- 样本：先做最近
14~30d walk-forward
- 对照组：
- 固定 spread（如
8bps）
- A-S / 固定 inventory skew baseline
- XGBoost predicted spread bucket
先看 2 个指标：
- 成本后
PnL / quote-hour 或 PnL / notional
- adverse-selection share（成交后短窗 markout 为负的比例）
5. 风险与保留意见
- 这类策略最容易把 future-window label 做成 lookahead 幻觉，训练/验证必须严格 walk-forward，不能把全样本最优 spread 倒灌回去。
- 代码里的收益模拟仍然偏 research shell；如果没有 queue position、partial fill、撤单延迟、taker hedge slippage，回测很容易偏乐观。
- 这是 options/MM repo 的实现思路，移植到 perp/spot maker 时，撮合速度、手续费阶梯、盘口厚度和成交密度都可能变。
6. 来源
- signorloops. (2026). _crypto-options-research-platform_. GitHub repository.
- signorloops. (2026). _strategies/market_making/xgboost_spread.py_.
- signorloops. (2026). _strategies/market_making/avellaneda_stoikov.py_.
- Avellaneda, M., & Stoikov, S. (2008). _High-frequency trading in a limit order book_. Quantitative Finance.