market-makinginventory-risklimit-order-bookstochastic-controlhjb-equationmarket-microstructurequote-settingcross-asset

Guéant, Lehalle & Fernandez-Tapia (2013) — Dealing with the Inventory Risk

作者: Olivier Guéant（巴黎第七大学 Jacques-Louis Lions 实验室）、Charles-Albert Lehalle（Credit Agricole Cheuvreux 量化研究主管）、Joaquin Fernandez-Tapia（巴黎第六大学 LPMA）。

发表: Mathematics and Financial Economics, 2013；预印本 arXiv:1105.3115（v5, 2012-08-03）。PDF 36 页。

⚠️ 出处更正：本库早期记录把此文误记为 Market Microstructure Review。Crossref 核对后确认正刊是 Mathematics and Financial Economics，DOI 10.1007/s11579-012-0087-0。

一句话总结

Avellaneda-Stoikov 那套「求最优报价」最后落在一道偏微分方程上、只能数值求解；这篇换了个变量组合，把那道方程变成一维线性常微分方程组，于是最优报价有闭式解——而且加库存上限之后还给出了 Avellaneda-Stoikov 原文没给的最优性证明。

核心一：变量替换，把 PDE 变成 ODE

模型与 Avellaneda-Stoikov (2008) 完全相同：参考价走布朗运动 dS_t = \sigma dW_t，买卖方向的成交强度都是指数衰减 \lambda^b(\delta^b) = \lambda^a(\delta^a) = A e^{-k\delta}。做市商最大化 E[-e^{-\gamma(X_T + q_T S_T)}]。

新增的一点：加入库存上限 Q。压到 Q 股就不再挂买单，压到 -Q 股就不再挂卖单。论文明确说这是一个「风险限额」，实务上做市商都有。

关键的变量替换（命题 1）：设 v_q(t) 满足

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

则价值函数是 u(t,x,q,s) = -e^{-\gamma(x+qs)} v_q(t)^{-\gamma/k}。

这替换做了两件事：e^{-\gamma(x+qs)} 因子把组合的逐日盯市价值提出来（CARA 效用的功劳），剩下的 v_q 只依赖库存和时间、不依赖价格，于是 PDE 塌成 ODE。

解法（命题 2）：构造三对角矩阵

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

则 v(t) = e^{-M(T-t)} \cdot \mathbf{1}。一个矩阵指数就是全部答案——直接算，不需要调 PDE 求解器。

最优报价（定理 1）：

\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

价差则 \psi^*(t,q) = -\frac{1}{k}\ln\frac{v_{q+1}v_{q-1}}{v_q^2} + \frac{2}{\gamma}\ln(1+\gamma/k)。

注意最后那个 \frac{1}{\gamma}\ln(1+\gamma/k) —— 它与 Avellaneda-Stoikov 得到的 \frac{2}{\gamma}\ln(1+\gamma/k) 一致，说明「库存不影响价差宽度、只影响中心位置」在库存上限存在时依然成立。

核心二：远期（T\to\infty）的闭式解

论文发现一个和 Avellaneda-Stoikov 不一致的现象：最优报价在远离到期时刻 T 时几乎不随时间变。Avellaneda-Stoikov 的近似给的是 \delta^{b*}\approx \frac{1}{\gamma}\ln(1+\gamma/k) + \frac{1+2q}{2\gamma\sigma^2(T-t)}，那个 \propto 1/(T-t) 的项意味着越远离到期库存影响越大；论文在脚注里指出 Avellaneda-Stoikov 的结果只是「t 靠近 T」时的泰勒展开，两者不矛盾但适用范围不同。

渐近极限由矩阵 M 的最小特征值对应的特征向量 f^0 给出（定理 2）：

\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 的刻画方式是变分问题——做市商天然要解一个带「弹簧-外场」势的谐振子基态问题：

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

把这个离散变分问题连续化到 L^2(\mathbb{R})，就有闭式解（命题 3）：

\tilde f^0(x) = \pm\frac{1}{\pi^{1/4}}\left(\frac{\alpha}{\eta}\right)^{1/8}\exp\left(-\frac{1}{2}\sqrt{\frac{\alpha}{\eta}}x^2\right)

是一个高斯型函数。代回得到完全闭式的报价：

\delta^{b*}_\infty(q) \approx \frac{1}{\gamma}\ln\left(1+\frac{\gamma}{k}\right) + \frac{2q+1}{2}\sqrt{\frac{\sigma^2\gamma}{2kA}}\left(1+\frac{\gamma}{k}\right)^{1+k/\gamma}

\delta^{a*}_\infty(q) \approx \frac{1}{\gamma}\ln\left(1+\frac{\gamma}{k}\right) - \frac{2q-1}{2}\sqrt{\frac{\sigma^2\gamma}{2kA}}\left(1+\frac{\gamma}{k}\right)^{1+k/\gamma}

这是全篇最实用的结果：四个参数（\sigma, A, k, \gamma）代入，一条算术式出报价，不用解矩阵、不用解 PDE。

核心三：比较静态的三个反直觉结论

参数 A（市场单到达频率）：\frac{\partial \delta^{b*}_\infty}{\partial A} < 0（q>0 时）、\frac{\partial \delta^{a*}_\infty}{\partial A} < 0（q=0 时）、\frac{\partial \psi^*_\infty}{\partial A} < 0。 → 市场越活跃，做市商反而挂得越宽。解释：A 大意味着成交频繁，库存被卡在手上的时间变短，库存风险下降，所以可以放心要价差。A 的作用等同于 \sigma^2 变小。

参数 \gamma（风险厌恶）：方向不确定，论文明确说这是两种力量在拉锯。 (i) 风险厌恶升高 → 收紧报价、减少成交的随机性 → 价差变窄； (ii) 风险厌恶升高 → 扩大价差、减少价格风险敞口 → 价差变宽。 论文画了两张图（\sigma=0.3 与 \sigma=0.6）展示不同 \sigma 下曲线形状不同。

参数 k：\frac{\partial \psi^*_\infty}{\partial k} < 0，即价差随 k 递减。同样是两股力量：k 大 → 成交更靠近中间价（价差该收窄）；但 k 大也 → 被成交概率降低（相当于 A 变小，价差该放宽）。论文说数值上前者主导。

核心四：市场冲击作为逆向选择（可选扩展）

论文在第 5 节引入被动市场冲击 \xi，效果直接加在报价上：

\delta^{b*}_\infty(q) \approx \underbrace{\frac{1}{\gamma}\ln\left(1+\frac{\gamma}{k}\right) + \frac{\xi}{2}}_{\text{逆向选择：报价往外挪}} + \underbrace{\frac{2q+1}{2}\sqrt{\frac{\sigma^2\gamma}{2kA}\left(1+\frac{\gamma}{k}\right)^{1+k/\gamma}}}_{\text{库存管理的副作用}}

\xi 的作用是「近似维持每次往返的利润不变、但成交概率下降」——这是对逆向选择最朴素的建模。

回测：单日一只股票

论文的实盘验证极简，只有一天一只股票：

  • 数据：France Telecom 2012-03-15 的逐笔数据
  • 参数 \gamma 直接反选，标准是「库存当天保持在 -10 到 +10 之间」（单位 ATS，1 ATS ≈ 1105 股）
  • 对照基准：「naive trader」——只在订单簿最优档挂单，成交或挂满 \Delta t 后重挂
  • 结果（图 11 vs 图 12）：模型策略 P&L 曲线在 +1400 欧元附近，naive 在 -600 附近

必须指出这篇的证据强度很弱：一天、一只股票、参数靠反选、无交易成本、无对照组的统计检验。论文自己也说「这里只是示范模型怎么用」。结论只能读成「这个模型在真实逐笔数据上不会崩」，不能读成「这套报价规则能赚钱」。

对本 wiki 的位置

论文自陈的贡献边界

作者在结论里写得很清楚，值得原样记住：

  1. 指数型强度只适合价差小的活跃股票——这是本方法最大的限制。
  2. Avellaneda-Stoikov 原文所称「最优」报价的可行性与最优性证明至今缺失，是一个公开问题；本文在有库存上限的情形下补上了验证定理。
  3. 「被动市场冲击」（做市商自己挂单对价格形成的扰动）仍无定量模型。
  4. 同一个模型也被用于最优执行（清仓）——Guéant-Lehalle-Fernandez-Tapia 自己和 Bayraktar-Ludkovski 各有一篇。