本文研究状态依赖Hawkes订单流下做市商的最优挂单数量,将执行量分解为平均订单规模、随报价深度指数衰减的需求函数和由Prony级数表示的状态乘子,并通过Cartea动态规划与CMA-ES闭环校准完成参数估计。 在MSFT五个交易日的限价订单簿数据上,模型能够结合市场订单数量、Hawkes强度和库存约束动态调整报价与下单规模;样本外结果显示,遗留参数策略日价值达到119,707美元,同时将最大库存控制在约9,988股,显著优于忽略库存控制的基准策略。
报告标题:《Optimal Size in Market Making under State-Dependent Hawkes Process》(基于状态依赖Hawkes过程的做市最优下单规模)。
作者:Jonathan Chávez Casillas、Li Gan。
机构:美国罗德岛大学数学与应用数学系。
发布日期:2026年10月。
研究主题:高频限价订单簿中的做市策略,重点研究在给定买卖报价深度后,做市商每次应提交多少股票,即“最优下单规模”问题,而不是传统研究更关注的报价位置问题。
这不是一份典型的上市公司或行业投资报告,因此没有股票评级、目标价、收入预测或传统意义上的DCF估值。报告的核心论点是:订单执行规模可以被拆分为平均订单规模、随报价深度变化的指数需求函数,以及由市场订单数量和状态依赖订单流强度共同决定的Prony级数乘数;通过这一分解,可以得到一个具有闭式表达的预期成交量函数。
作者试图解决的关键问题是:传统做市模型通常重点决定买卖报价距离,而实际市场参与者还必须决定每个报价层级放多少股票。报告认为,成交量维度在理论研究中受到的关注明显少于报价维度,但它对于库存风险、收益和策略可执行性同样重要。 因此,本文的总体贡献并不是提出一个单纯的价格预测模型,而是将“报价位置”和“报价规模”连接起来,使一个既有的报价规则也能够配套使用动态的下单规模。
报告将高频做市拆分成两个相互关联的子问题:
已有研究主要处理第一类问题,包括库存控制、保留价格、动态规划和清算成本等模型;本文认为,第二类“规模优化”尚缺乏系统性的闭式解。作者以绝对报价框架为基础,将规模决策从报价决策中分离出来,使得在给定报价深度后,可以直接计算预期成交量。
本文的技术难点在于,订单流不是简单的独立Poisson过程,而是具有自激励、交叉激励和订单簿状态依赖特征。市场订单可能在短时间内成簇出现,且当前订单流状态会影响未来订单流强度;此外,订单簿状态是离散且高维的,成交量还受到报价深度的反事实影响。因此,作者没有直接求解传统的偏微分—积分方程,而是先假设一个可参数化的规模函数,再通过动态规划与政策优化进行校准。
作者使用多变量、带成交量标记的状态依赖Hawkes过程描述市场订单流。Hawkes过程的基本思想是:某个事件发生后,会在未来一段时间内提高其他事件发生的条件强度;影响会随着时间衰减。状态依赖版本进一步允许激励强度依赖于事件发生前的订单簿状态,这里主要使用最佳买卖队列的不平衡程度。
事件分为六类买方市场订单数量区间和六类卖方市场订单数量区间,买卖两侧合计12种事件类型。订单数量区间分别是零订单、1—3、4—6、7—9、10—12以及至少13笔市场订单。 队列不平衡被划分为五个状态,阈值为-0.6、-0.2、0.2和0.6,反映卖方占优、较弱卖方占优、中性、较弱买方占优和买方占优等不同订单簿环境。
模型中的指数核可以写成类似:
[ \alpha_{e'xe}\exp[-\beta_{e'xe}(t-s)] ]
其中,(\alpha) 表示一次历史事件带来的激励幅度,(\beta) 表示激励衰减速度,(e') 是源事件,(e) 是目标事件,(x) 是源事件发生前的订单簿状态。较小的(\beta)意味着更长的记忆期,因为记忆期限大致为 (1/\beta)。作者指出,在指数核下,当前计数、条件强度和订单簿状态构成Markov状态,因此可以进行动态规划。
报告将成交量需求分成三个结构性部分:
[ Q^\pm(L,N,\lambda) \approx q_{\text{avg}}^\pm \times N \times P_N^\pm(L)\times f_N^\pm(L,N,\lambda) ]
其中:
执行概率采用指数形式:
[ P_N^\pm(L)=A_N^\pm e^{-B_N^\pm L}+C_N^\pm. ]
该形式的经济含义很直观:报价离最优价越远,成交概率通常越低;但当市场订单数量较大时,市场订单可能会消耗更深层的流动性,因此深层报价的执行概率下降得没有那么快。报告还将市场订单需求解释为在不同价格层级上对可用流动性的“未满足需求”,并承认限价订单簿具有离散的阶梯结构。
规模修正因子使用两项Prony级数:
[ f_N^\pm(L,N,\lambda)= \sum_{i=1}^{M^\pm}w_i^\pm \exp\left(\beta_{i1}^\pm L+\beta_{i2}^\pm N+\beta_{i3}^\pm\lambda\right), ]
实证中 (M^+=M^-=2),因此买卖两侧共16个参数。Prony级数本质上是多个指数函数的线性组合,优点是能够在保持闭式计算的同时,表达非线性状态依赖关系。
作者还提供了一个函数逼近层面的理论依据:在报价深度和订单数量为离散有限集合、Hawkes强度位于紧区间的状态域上,连续函数空间是Banach空间,而指数函数生成的Prony类通过Stone–Weierstrass定理可以一致逼近该空间中的任意连续函数。 这意味着Prony表示不是仅凭经验选择的曲线形式,而具有“只要阶数足够高,就能逼近真实连续规模函数”的理论基础。不过,理论上的任意逼近并不意味着两项Prony级数在有限样本下必然足够,也不等于参数能够被稳定识别。
现金和库存随每秒的买卖成交量变化。做市收益主要来自报价价差或报价位置带来的收益,但库存会受到价格波动和终端清算的影响。报告设定终端库存惩罚:
[ -\lambda_{\text{pen}}I_T^2, ]
同时加入硬性库存边界:
[ |I_t|\le I_{\max}. ]
软惩罚会鼓励策略在收盘前主动降低库存,硬约束则直接禁止策略进入不可接受的库存区域。
在中间价是鞅、成交量在决策时刻可测的条件下,作者采用Cartea ansatz,将财富、价格、库存和时间四维价值函数简化为“财富加库存乘中间价,再加一个仅依赖时间和库存的辅助函数”。这样,动态规划不再需要显式处理财富和价格,只需对库存和时间做递推。
这一降维有明确假设基础:如果中间价满足条件鞅性质,则下一期价格变动的条件期望为零;如果成交量在当前决策时已确定,就可以作为动态规划中的确定性输入。报告的经验计算中使用每个交易日完整的实际市场订单路径和重建的强度路径,再进行回溯递推。
这里存在一个重要的解释限制:作者明确说明,回溯递推使用了决策时点之后才会出现的整条当日订单流路径。因此,该实验是“条件于已实现订单流路径”的回溯评价,而不是严格意义上的实时、无前视交易模拟。 这种做法有助于比较规模参数,但会使结果不能直接等同于真实上线策略的可实现收益。
Prony参数不能简单通过普通回归获得,因为它们会改变最优报价政策,而最优报价又会反过来影响成交量、库存和动态规划价值。因此,作者将Prony参数视为政策参数,直接最大化训练日的初始价值。
外层优化使用CMA-ES,即协方差矩阵自适应进化策略。该算法不要求价值函数可微,只根据候选参数产生的目标值排序并更新搜索分布,适合动态规划中“最优行动发生跳变”导致的非光滑目标。 实证设置为16维参数、12个候选个体、6个父代,最多运行25代,初始步长为0.1。
参数受到边界限制,权重以及订单数量和强度相关系数被限制为非负,以保证修正因子非负且随订单数量和Hawkes强度不减;同时成交量还设置了上限:
[ Q_{t+1}^\pm\le q_{\text{avg}}^\pm N_{t}^\pm P_{N_t^\pm}^\pm(L_t^\pm)\kappa, ]
其中 (\kappa=3)。
报告中一个值得特别关注的技术疑点是动态规划不可行状态的障碍值。正文称不可行延续状态赋值为 (B=10^{15}),而价值函数是取最大值的形式;如果该符号确实代表正数,那么最大化过程可能反而偏好不可行状态。图8也显示前五代违反库存约束的候选被赋予约25亿美元的极高障碍值,随后第六代才出现可行候选。 这很可能是符号或转录错误,实际实现可能使用了负的大数,但报告需要明确说明,否则会影响读者对约束实现正确性的判断。
研究使用LOBSTER格式的微软公司(MSFT)限价订单簿数据,样本为2014年11月3日至7日,覆盖每个交易日09:30至16:00的连续竞价阶段,共约540万条消息,包含前十档买卖盘深度。
其中,市场订单约13万笔,限价订单约265万笔,市场订单占限价订单数量约4.9%。平均市场订单规模在买方约203.6股、卖方约206.9股,差异约1.6%,说明两侧的平均单笔规模较为接近。
表1统计了五个交易日、117,000个一秒区间内的买卖市场订单数量。报告指出,活跃区间的平均订单数约为所有区间平均数的十倍,买方单秒最大订单数超过活跃区间平均数的50倍,表明订单流高度稀疏且右偏。
图1左图显示,单秒市场订单数为1时的区间最多,随着订单数增加,区间数量快速下降;零订单区间没有在左图中绘出,但买方和卖方零订单区间分别占90.42%和90.81%。右图的累计分布显示,绝大多数区间的订单数很低,但仍存在少数高订单量尾部事件。
该分布支持作者采用“按订单数量分箱”的设定:如果所有一秒区间都具有相似订单量,分箱没有必要;正是由于零订单区间占绝大多数、活跃区间又存在极端右尾,才需要让需求函数随(N)改变。不过,这也意味着高订单量分箱的样本量可能较少,参数更容易受少数极端事件影响。
需求函数在五个非零订单数量区间、买卖两个方向上分别估计。对于每个活跃区间,作者根据市场订单总规模与订单簿各层深度计算一个代表性订单在第(L)档被执行的经验概率,然后对五个报价深度进行约束非线性最小二乘拟合。
表2报告了不同订单数量区间和买卖方向的 (A_N^\pm,B_N^\pm,C_N^\pm) 参数及样本量。报告指出,所有区间和方向的幅度参数约束均处于有效状态,即 (A_N^\pm=1);随着订单数量区间上升,衰减参数(B_N^\pm)下降,意味着市场订单越密集,执行概率向深层报价扩散得越明显;低订单量区间的常数项(C_N^\pm)接近零,而最高订单量区间的(C_N^\pm)上升,说明极端活跃时,即使较深报价也保留一定执行概率。
图2中,柱形是经验执行概率,曲线是指数拟合。所有面板都呈现随报价深度增加而下降的总体趋势;在(N\in[1,3])时,第一档的执行概率约0.7左右,第二档迅速降至约0.1,深档几乎为零;在(N\ge13)时,第二档的执行概率仍约0.7左右,第三至第五档也保留明显概率。这清楚显示了“订单越多,流动性消耗越深”的机制。
买卖两侧的拟合曲线总体相似,说明后续显著的买卖规模差异并非主要来自平均订单规模或基础需求曲线,而更可能来自动态库存控制和Prony修正因子。另一方面,指数函数只在五个离散报价层级上拟合,图中的连续曲线是插值式的模型表达,并不意味着市场真正存在连续报价深度。
Hawkes参数使用四个训练日数据,通过带权随机最小二乘和Adam更新进行估计,共300次更新,采样规模为64,学习率固定为(5\times10^{-3})。 图3显示,损失估计的滚动均值从约-0.23下降至约-1.35,说明训练目标整体改善,但末段仍存在较明显波动,并且学习率没有触发下降调度。
图4显示零订单事件的基准强度远高于所有活跃订单区间:买方零订单基准强度为0.224,卖方为0.312;而1—3订单区间只有约0.041和0.043,其他活跃区间大致在0.021—0.025之间。 这与图1中90%以上区间没有市场订单的事实一致,说明模型主要通过高零订单基准来解释订单流的稀疏性,而活跃区间之间的差异更多由激励核的动态部分解释。
图5是激励幅度矩阵,采用对数色阶。最强激励集中在买方零订单和卖方零订单的源事件与目标事件组合,说明“沉默区间”可能具有持续性,即一个没有市场订单的区间后,未来短时间内仍倾向于出现类似状态;活跃订单类型的激励显著较小。
图6展示衰减率。报告给出的衰减率区间为0.15至2.62每秒,其中零订单类型之间的记忆期限约为5—6秒,而涉及高订单量目标的交叉作用衰减更快,约为2秒量级甚至更短。 这说明模型既包含慢速订单流状态持续性,也包含快速的高强度订单冲击。
图7给出对角自激励比率(\alpha/\beta)。买方零订单状态的最大比率为0.42,中性状态约为0.42,其他状态约0.29—0.41;活跃订单区间的比率大多不超过0.02。所有比率均低于1,报告据此认为过程位于次临界区域,且结合交叉项较小,满足稳定性和平稳性要求。
需要审慎的是,单独所有对角元素低于1只是必要条件,并不自动保证完整多变量系统的谱半径小于1;报告虽然声称交叉项较小、因此满足充分条件,但没有在正文中给出完整矩阵谱半径数值。这是稳定性论证中仍可进一步补充的部分。
图8显示CMA-ES的收敛过程。前五代主要是违反硬库存约束的候选,算法在第六代首次找到可行候选,之后最佳目标值维持在每天7,462.80美元附近,步长从约0.094逐渐降至0.066。三个软库存惩罚参数设置产生了几乎完全重合的轨迹。
图9比较暖启动参数和CMA-ES最终参数。两个Prony项的权重仍接近0.5,说明总权重接近1;深度和强度相关系数总体较小。主要非对称来自订单数量系数:买方的高阶订单数量系数接近零,而卖方仍保持正值。
图10进一步显示,买方修正因子在不同订单量下基本接近1,而卖方修正因子随订单量增加至约12左右;暖启动函数则随订单量快速上升至更高水平。换言之,最终策略并没有简单地在订单越多时机械放大买卖两侧规模,而是选择保留卖方的订单量依赖、压低买方的规模放大。
在训练样本上,校准后的价值为7,462.80美元/天,(f\equiv1)基准为4,338.39美元/天,即约1.72倍提升。 不过作者也承认,买卖侧明显不对称,而底层买卖订单流统计特征却相当接近,这提示CMA-ES可能停留在局部最优;报告后续的策略比较也显示,不带硬边界训练的旧参数在样本外表现反而更好。
表3考察软库存惩罚分别为0.01、0.05和0.10时的结果。三种设置下16个Prony参数在数值精度范围内完全一致,价值差异相对于交易收入较小;作者解释称,真正控制盘中库存的是硬边界,而软惩罚主要影响收盘时的库存。
报告将两套闭式规模参数用于样本外比较:
表4的核心结果是:2014年11月7日样本外,Sopt实现约119,707美元/天,较最接近的Sretr高约11.4倍,较(f\equiv1)基准高约14倍;同时最大库存约9,988股,基本贴近但没有突破10,000股硬边界。
图11揭示了一个关键现象:Sopt盘中累计交易收入约100,277美元,略低于忽视库存的贪心策略(N_2)约103,512美元。因此,Sopt的优势并不是单纯来自更高的即时交易收入,而是来自对终端库存和库存重估风险的控制。
图12显示,三种可行策略始终位于±10,000股范围内,而固定第一档策略和贪心策略在开盘后一小时内就突破库存边界,随后库存达到20万股以上的绝对值。
其中,贪心策略虽然盘中收入更高,却在收盘时持有约-201,894股库存,最终价格按市价重估后,累计收益被大幅抵消。Sopt的终端库存绝对值不超过17股,因此能够保留接近贪心策略的交易收入,同时避免终端库存造成的巨大损失。
图13解释了Sopt相对于Sretr的优势来源。活跃买方区间中,Sopt在第二档报价的比例为47.8%,第一档为40.7%,第三档和第四档分别为10.4%和1.0%;卖方则主要集中在第一档59.1%和第二档36.9%。
旧参数在买方更倾向于把报价放到第二至第四档,尤其是在市场订单数量较大的区间,从而减少买入成交、抑制库存累积;重新训练的参数则几乎总是买方第一档报价。这说明模型的规模修正因子并不只是决定“下多少”,还会通过改变最优报价选择间接承担库存管理功能。
传统估值部分在本文中并不存在。报告没有使用DCF、P/E、EV/EBITDA、可比公司估值,也没有给出企业价值、目标价或投资评级。其“价值”是动态规划中的交易策略效用,而不是上市公司的股权价值。
因此,7,462.80美元/天的训练价值和119,707美元/天的样本外价值应理解为特定数据、特定库存边界和特定回测路径下的策略目标函数,不应直接理解为稳定的年化利润预测。尤其是样本外结果只来自一个交易日,且属于条件于实现订单流路径的回溯实验。
前视偏差风险。 动态规划使用完整实现的日内订单流路径来构造后续延续价值,这种处理不是严格实时可执行的在线策略评价,可能高估策略对未来订单流的适应能力。
样本量和外推风险。 研究只使用MSFT在2014年11月的五个交易日,其中四天训练、一天样本外,无法证明结果适用于其他股票、其他年份或不同市场状态。
市场微观结构简化。 模型省略取消事件,主要使用市场订单和新增限价订单,因而没有完整刻画订单簿流动性撤出、排队位置变化和真实成交优先级。
参数维度较高。 Hawkes部分共有1,452个参数,而训练窗口只有四个交易日;虽然使用了分箱、状态限制和随机优化,但仍存在过拟合与参数不稳定风险。
随机梯度并非严格无偏。 报告明确承认,采样权重和历史状态在求导时被冻结,衰减参数导数忽略了历史状态对参数的依赖,逆权重在当前抽样设计下通常不是无偏的,因此得到的是近似校准更新。
局部最优风险。 CMA-ES得出的买卖不对称结果与底层订单流的相似性并不完全一致,而且不带硬边界训练的旧参数样本外表现更好,说明最终结果可能高度依赖初始化、参数边界、库存约束和优化路径。
库存边界与障碍值定义需澄清。 如前所述,最大化动态规划中使用正的巨大障碍值在数学上存在明显疑点,报告需要说明实际程序中不可行状态究竟被赋予正值还是负值。
收益口径可能过于理想化。 报告强调了交易收入和库存重估,但没有在给出的正文中充分说明交易成本、手续费、延迟、冲击成本、排队优先级损失以及策略容量限制。若这些因素没有纳入,样本外美元收益不能直接代表真实可实现净收益。
本文的核心贡献是把做市中的“报价位置”和“报价规模”分开建模:指数需求函数负责描述不同报价深度的成交概率,Prony级数负责吸收订单数量和Hawkes状态依赖,动态规划则负责在交易收入与库存风险之间进行选择。 理论部分通过Banach空间和Stone–Weierstrass定理为Prony表示提供了逼近依据,实证部分则显示两项Prony级数已经足以在该MSFT样本上产生明显的买卖规模差异。
图表共同讲述了一个连贯故事:市场订单流绝大多数时间处于零订单状态,但少数活跃区间具有明显右尾;高订单量会提高深层报价的执行概率;零订单状态具有较长的Hawkes记忆;最终策略不盲目追求单步成交收入,而是通过在买方主动放深报价、控制成交规模来压制库存累积。
报告最有说服力的经验发现是,忽略库存的贪心策略可以产生略高的盘中交易收入,却会因为极端终端库存而出现巨额负的最终价值;闭式规模策略则在相近的盘中收入水平下,将终端库存控制到几乎为零,并在给定回测中取得119,707美元/天的样本外价值。 但这一结果必须结合单日样本、回溯条件路径、市场结构简化和潜在障碍值符号问题进行审慎解读。作者总体立场是:闭式成交量函数能够补足现有最优报价模型缺失的规模维度,并可以移植到Avellaneda–Stoikov、强化学习或其他报价规则中,但其真实交易有效性仍需要更长样本、严格无前视回测、加入取消与交易成本,并进行跨股票和跨市场验证。
2610.31903.pdf