PDE 到 ODE 的化简 (PDE to ODE Reduction)

大白话：做市商的最优报价最初是一道四维偏微分方程的解，算不动。Guéant 等 2013 年换了个写法把它变成一维线性方程组——一次矩阵指数就是答案。Guéant 2016 又把适用范围从「指数型成交强度」推广到任意光滑强度，并压缩到两维。

起点：为什么需要化简

Avellaneda & Stoikov (2008 的状态是 (t, s, x, q)：时间、参考价、现金、库存，四维。价值函数要解一个 HJB 偏微分方程。

他们的做法是用指数效用做试探解：

u(t,x,q,s) = -e^{-\gamma x}\, e^{-\gamma\Phi(s,q,t)}

代入后 PDE 的现金维度消失，剩下关于 \Phi 的方程。但 \Phi 的方程里，订单到达项是高度非线性的、且依赖库存。他们只能用「库存变量上的渐近展开 + 到达项的一阶线性近似」得到近似解，无解析解。

第二代：变量替换把 PDE 变成 ODE

Guéant, Lehalle & Fernandez-Tapia (2013 换了两个思路：

CARA 效用把组合的逐日盯市价值 e^{-\gamma(x+qs)} 提出来——这一步继承自 Avellaneda-Stoikov。
到达强度的指数衰减把剩下的 PDE 降维——这是新的一步。

于是 \theta（或他们的记号 v_q）只依赖库存和时间，不依赖价格和现金，方程塌成常微分方程组（他们的命题 1）：

\dot v_q(t) = \alpha q^2 v_q(t) - \eta\,(v_{q-1}(t) + v_{q+1}(t))

\alpha = \frac{k}{2\gamma\sigma^2}, \qquad \eta = A\left(1+\frac{\gamma}{k}\right)^{-1}\left(1+\frac{\gamma}{k}\right)

（Guéant 2016 的式 3.13 记作 -\partial_t v_q + \frac{1}{2\Delta k\gamma\sigma^2}q^2 v_q - AC_\xi(v_{q+\Delta} + v_{q-\Delta}) = 0，等价。）

解法：一次矩阵指数

构造三对角矩阵（Q 是库存上限）：

M = \begin{pmatrix} \alpha Q^2 & -\eta & 0 & \cdots & 0 \\ -\eta & \alpha(Q-1)^2 & -\eta & \ddots & \vdots \\ 0 & -\eta & \ddots & \ddots & 0 \\ \vdots & \ddots & \ddots & \alpha(Q-1)^2 & -\eta \\ 0 & \cdots & 0 & -\eta & \alpha Q^2 \end{pmatrix}

则（命题 2）：

\boxed{\;v(t) = e^{-M(T-t)}\,(\mathbf{1}, \mathbf{1}, \dots, \mathbf{1})'\;}

「解」就是这个式子。直接算矩阵指数即可，不需要任何 PDE 求解器。

最优报价

\delta^{b*}(t,q) = \frac{1}{k}\ln\frac{v_q(t)}{v_{q+1}(t)} + \frac{1}{\gamma}\ln\left(1+\frac{\gamma}{k}\right), \qquad q\neq Q

\delta^{a*}(t,q) = \frac{1}{k}\ln\frac{v_q(t)}{v_{q-1}(t)} + \frac{1}{\gamma}\ln\left(1+\frac{\gamma}{k}\right), \qquad q\neq -Q

举例：若算出 v_0(0)/v_1(0) = e^{2k\delta} 且 1/\gamma\ln(1+\gamma/k) = 0.05 美元，则 q=0 时的买价距离 \delta^{b*} = 2\delta + 0.05，卖价距离 \delta^{a*} = -2\delta + 0.05——库存为零时两者对称，库存变动时才偏斜。

验证定理：他们证明了这个报价是真正的最优控制（这是 Avellaneda-Stoikov 原文缺失的部分，原文最优性证明在无库存上限时是公开问题）。

渐近：报价与时间无关

论文的一个关键观察（定理 2）：当 T \to \infty 时，最优报价趋于一个只依赖库存的极限

\delta^{b*}_\infty(q) = \frac{1}{\gamma}\ln\left(1+\frac{\gamma}{k}\right) + \frac{1}{k}\ln\frac{f^0_q}{f^0_{q+1}}

其中 f^0 是矩阵 M 最小特征值对应的特征向量，用变分法刻画：

f^0 \in \arg\min_{\|f\|=1} \underbrace{\sum_{q=-Q}^{Q}\alpha q^2 f_q^2}_{\text{库存越大惩罚越重}} + \eta\underbrace{\sum_{q=-Q}^{Q-1}(f_{q+1}-f_q)^2}_{\text{相邻库存不应差太多}} + \eta f_Q^2 + \eta f_{-Q}^2

这暴露了一件事：Avellaneda-Stoikov 的近似 \propto 1/(T-t) 只在 t 靠近 T 时成立。Guéant 等在脚注里明确指出这一点。

第三代：连续化 + 谐振子基态

Guéant (2016 把「离散库存格点」连续化成函数 \tilde\theta(t,q)，得到一个椭圆型 PDE（他的式 4.1）：

0 = -\partial_t\tilde\theta + \frac{1}{2}\gamma\sigma^2 q^2 - 2H_\xi(0) - H''_\xi(0)(\partial_q\tilde\theta)^2 + \Delta H'_\xi(0)\,\partial^2_{qq}\tilde\theta

再作 Hopf-Cole 变换 \tilde v = e^{-(H''_\xi/\Delta H'_\xi)\tilde\theta}，得到线性 PDE（式 4.2），用谐振子基态求出闭式特征函数：

\tilde f^0(x) \propto \exp\left(-\frac{1}{2}\sqrt{\frac{\alpha}{\eta}}\,x^2\right)

代回得到通用近似（不要求指数强度）：

\frac{\theta(t,q)-\theta(t,q+\Delta)}{\Delta} \approx 2q + \frac{\Delta}{2}\sqrt{\frac{\gamma\sigma^2}{2H''_\xi(0)}}

\delta^{b*}_{\text{approx}}(q^-) = \tilde\delta^*_\xi\!\left(\frac{2q^-+\Delta}{2}\sqrt{\frac{\gamma\sigma^2}{2H''_\xi(0)}}\right), \quad \tilde\delta^*_\xi(p) = \Lambda^{-1}\left(\frac{\xi H_\xi(p)-H'_\xi(p)}{\Delta}\right)

「几乎闭式」：只要能算 \Lambda^{-1}、H_\xi、H'_\xi、H''_\xi 就能用。指数强度时完全闭式（式 4.6/4.7），\Delta=1,\xi=\gamma 时精确退回 GLFT 公式。

维数压缩总结

世代	状态维数	方程类型	解法
Avellaneda-Stoikov 2008	4（t,s,x,q）	非线性 PDE	渐近展开 + 数值
Guéant 等 2013	2（t,q，q 离散）	线性 ODE	矩阵指数 e^{-M(T-t)}
Guéant 2016	2（t,q，q 连续）	线性 PDE	谐振子基态 + 闭式近似