本文针对高频交易中限价单簿的最优策略构建问题,修正并完善了文献[6]中的部分计算错误,最终得出近似一致的价差和报价公式。通过解析贝尔曼方程和对报酬函数的渐近展开,提出了明确的报价扩展表达式,指出报价对库存的敏感度以及价差中的主要组成部分,且通过Feynman-Kac公式推导求解关键偏微分方程,辅助验证了优化策略的合理性 。
本报告题为《On Bellman equation in the limit order optimization problem for high-frequency trading》,作者为M.I. Balakaeva和A.Yu. Veretennikov,于2025年10月21日发布。报告聚焦于高频交易(HFT)中限价单簿(bid & ask limit order book)优化问题,特别研究了Bellman方程的应用并提出了一种近似方法来构造最优策略。
核心主题围绕HFT领域的限价单优化,采用Bachelier模型描述股票中价运动,目标函数基于指数型效用,旨在最大化期望效用。报告基于Avellaneda与Stoikov于2008年提出的模型[6],指出前人工作存在一定漏洞,但经修正后主结论保持一致,且对此现象做出了解释。报告不涉及评级或具体目标价,属于理论模型与数学方法论研究。
主要信息即Bachelier价格模型及基于动态规划和Bellman方程的最优定价策略构造。通过渐近展开手段解近似方程,推导出bid/ask价格及价差的显式表达式,验证Avellaneda-Stoikov结果,发现在极限下HFT的最优限价单策略可明确定义。
本节假设交易无成本且市场完备,以Bachelier模型刻画价格中价 ( S_u ) :
[ d S_u = \sigma d W_u, \quad S_t = s, ]
其中 ( W_u ) 为标准Wiener过程,波动率为常数 ( \sigma > 0 ),初始价格为 ( s ) 。作者直接采用该模型作为价格动态的基准,适合连续且波动稳定的市场环境。
效用函数选用指数型效用:
[ U(x,q,s) = -\exp(-\gamma(x + q s)), ]
其中 ( x ) 表示现金初始资本, ( q ) 为持有股票数量, ( s ) 为股票价格,风险厌恶系数为 ( \gamma )。这样设定符合金融中风险厌恶投资者的效用最大化框架,且指数效用便于解析处理。价值函数定义为期望终端效用:
[ v(x,s,q,t) = \mathsf{E}_t[-\exp(-\gamma(x + q S_T))]. ]
利用Bachelier模型的条件期望性质,作者给出价值函数的显式形式(式2):
[ v(x,s,q,t) = -\exp(-\gamma x) \exp(-\gamma q s) \exp\left(\frac{\gamma^2 q^2 \sigma^2 (T - t)}{2}\right). ]
基于效用无差异原则,定义买卖双方的 reservation bid 与 ask 价格,满足持仓变动无差异条件,即调整价格使价值函数保持不变。这是理论上限价单定价的关键,从而在后续定价策略中起核心作用。
这段模型设定为全篇开展最优策略构造奠定数学基础,并引入了关键参数:风险厌恶、波动率、持仓规模与时间参数。
为适应HFT场景中极短时间尺度,作者引入无穷期望效用(式6),引入折现因子 ( w > 0 ),将有限期问题近似为无穷期稳定问题,并给出无穷期效用的解析式(Lemma 2),形如:
[ \bar{v} = \frac{2 \exp(-\gamma x) \exp(-\gamma q s)}{\gamma^2 q^2 \sigma^2 - 2 w}. ]
对应地定义了无穷期reservation prices(Lemma 3),表达式更为复杂包含对数函数,参数 ( w ) 约束持仓极限,即有效地设定了风控边界。
这一部分从模型动态改为稳定优控制问题,方便后续通过马尔可夫性质和Bellman方程处理,同时使策略更贴近HFT对短时交易不断重复的实际。
本节正式引入HFT的限价单动作机制,代理人(交易员)设定买入价与卖出价偏离中价的距离 (\delta^{b} = s - p^{b}), (\delta^{a} = p^{a} - s) 。执行订单的频率分别由独立的Poisson过程控制,强度函数 (\lambda^{a}(\delta^a) = A e^{-\kappa \delta^a}), (\lambda^{b}(\delta^b) = A e^{-\kappa \delta^b}) 递减,反映挂单价格离中价越远,成交概率越低。
代理人的投资组合动态通过Poisson跳变建模进出仓,资本变动为:
[ dX_t = p^{a} d N_t^a - p^{b} d N_t^b, ]
持仓为 ( q_t = N_t^b - N_t^a ) 。交易策略问题转化为选择 (\delta^a,\delta^b \geq 0) 来最大化终端期望效用函数(式7):
[ u(s,x,q,t) = \max_{\delta^{a}, \delta^{b} \geq 0} \mathsf{E}_t[-\exp(-\gamma (X_T + q_T S_T))]. ]
此处动态控制对订单流产生直接影响,构成一个非线性的反馈控制问题,体现了限价单定价与成交概率的耦合。
该部分明确了实际策略的控制变量和市场机制,用Poisson强度模型为后续Bellman方程求解做铺垫,关联了金融微观结构研究文献[1,2]。
将问题转化为偏微分方程(PDE)框架。依动态规划原理,写出价值函数的HJB方程(Bellman方程)(式8),包含价格扩散项及控制项最大化:
[ u_t + \frac{1}{2}\sigma^2 u_{ss} + \max_{\delta^b \geq 0} \lambda^b(\delta^b)[u(s, x - s + \delta^b, q + 1, t) - u(s,x,q,t)] + \max_{\delta^a \geq 0} \lambda^a(\delta^a)[u(s,x + s + \delta^a, q - 1, t) - u(s,x,q,t)] = 0, ]
终端条件为指数效用对应式。
通过变换
[ u(s,x,q,t) = -\exp(-\gamma x) \exp(-\gamma \theta(s,q,t)), ]
将PDE转为关于 (\theta) 的非线性方程(式9),便于展开后续对 (\delta^a, \delta^b) 的最优条件处理:
[ \theta_t + \frac{1}{2} \sigma^2 \gamma \theta_{ss}^2 - \frac{1}{2} \sigma^2 \gamma \theta_s^2 + \max_{\delta^b} \frac{\lambda^b(\delta^b)}{\gamma}[1 - e^{\gamma(s - \delta^b - r^b)}] + \max_{\delta^a} \frac{\lambda^a(\delta^a)}{\gamma}[1 - e^{-\gamma(s + \delta^a - r^a)}] = 0, ]
包含了执行强度参数与reservation prices。
本节核心是将原始最大化问题改写为可分析的Bellman方程,奠定数学工具基础。
利用形式计算及特定执行强度函数形态 (\lambda(\delta) = A e^{-\kappa \delta}),针对最优 (\delta^{a}, \delta^{b}) 的一阶条件,推导出关键身份关系(式10,11):
[ s - r^b = \delta^b - \frac{1}{\gamma} \ln\left(1 + \frac{\gamma}{\kappa}\right), \quad r^a - s = \delta^a - \frac{1}{\gamma} \ln\left(1 + \frac{\gamma}{\kappa}\right), ]
表明最优价差调节受到风险厌恶与订单强度参数共同决定。
之后通过Taylor级数展开以减少方程复杂度,保留零阶和一阶项,假设价差偏离 (\delta^a + \delta^b ) 极小,对应HFT小价差交易特性(Remark 1)。
将函数 (\theta) 关于持仓量 (q) 展开为:
[ \theta(s,q,t) = \theta^{(0)}(s,t) + q \theta^{(1)}(s,t) + \frac{1}{2} q^2 \theta^{(2)}(s,t) + \ldots, ]
推导报价(reservation prices)可写为:
[ r^b = \theta^{(1)} + \frac{1}{2} \theta^{(2)} (2q+1), \quad r^a = \theta^{(1)} + \frac{1}{2} \theta^{(2)} (2q-1), ]
说明持仓感应系数 (\theta^{(2)}) 调节价格水平,表现为对持仓风险的补偿。
经典结果中价差恒定且与库存无关,价差包含两部分:依赖市场流动性强度参数 (\kappa) 和库存灵敏度 (\theta^{(2)}) 贡献。
核心结论在于价差与中价偏离表达式的闭式解,为限价单最优策略提供完整数学展示。
对级数中各阶 (\theta^{(i)}) 导出对应 PDE:
给出解:
[ \theta^{(0)} = \frac{2A}{\kappa + \gamma} (T - t), ]
恒不依赖于 (s) 以满足展开假设。
解析解为:
[ \theta^{(1)} = s, ]
表现宿主价格中价对应变化。
解明确为:
[ \theta^{(2)} = - \gamma \sigma^{2} (T - t), ]
反映了波动率、风险厌恶对价格库存敏感性的核心影响。
上述每层PDE均用Feynman-Kac公式明确求解,体现严格数学处理。
根据上述展开和解析解,得出明确的出价策略:
[ r(s,q,t) = \frac{r^{a} + r^{b}}{2} = \theta^{(1)}(s,t) + \theta^{(2)}(s,t) q = s - \gamma \sigma^{2} (T - t) q, ]
价差为:
[ \delta^{a} + \delta^{b} = -\theta^{(2)}(s,t) + \frac{2}{\gamma} \ln \left( 1 + \frac{\gamma}{\kappa} \right) = \gamma \sigma^{2} (T - t) + \frac{2}{\gamma} \ln \left(1 + \frac{\gamma}{\kappa} \right), ]
这一结果完全与Avellaneda-Stoikov[6]中得到的对应表达式一致,尽管本文纠正了部分计算错误。
直观上,持仓 (q) 对定价存在线性影响,反映风险厌恶和市场影响压力,价差由库存风险和订单执行率决定。价差恒定且独立于库存量,进一步贴合极短价差、高频交易的特点。
报告中指出如未忽略小价差项(Remark 1),结果可能会有所不同。
报告未包含传统意义的图表或图片,主要由数学式和公式构成,重点在于解析式和PDE解法。下列为公式及表达式的内容说明和解读:
因此,虽然图表缺失,报告通过层层递进的数学推导形成一套完整的理论体系,体现了对HFT限价单最优定价的深刻理解。
本报告不涉及传统的证券估值(如DCF估值、公允价值测算等),而是聚焦于基于市场微观结构的最优限价策略的数学解析,因此未有经典估值模型。
不过,报告中“估值”含义可理解为策略价格的“理论价值”或“reservation price”,即:
此过程等价于通过解析PDE和有效参数估计确定的动态定价和控制策略估值。
报告内部涉及的风险因素主要以模型假设和市场机制为中心:
报告虽未专门列出风险缓解方案,但通过模型形式和稳健数学推导隐含了对这些风险部分的控制,如库存限额,价格风险折现等。
本报告围绕高频交易中限价单优化,从Bachelier中价模型开始,建立了以风险厌恶指数效用最大化为目标的动态随机控制框架。通过定义reservation bid 和 ask价格,并利用订单流的Poisson模型特点,将问题转化为求解Bellman方程,进而通过状态变量替换和渐近法展开得到持仓依赖的价格策略。
报告精细纠正了原文[6]中的部分公式错误,尤其是reservation价格的解析表达,重新推导了最优价差及均价的显式表达。最终展示的价格公式:
[ r(s,q,t) = s - \gamma \sigma^{2} (T - t) q, \quad \delta^{a} + \delta^{b} = \gamma \sigma^{2} (T - t) + \frac{2}{\gamma} \ln \left(1 + \frac{\gamma}{\kappa}\right), ]
不仅理论上具有较高的严谨性,也与经典Avellaneda-Stoikov模型结果一致,确认了模型的有效性和适用性。
整体来看,报告提供了对高频交易中限价单定价和风险管理的理论支撑,强调了动态规划和Bellman方程方法在金融市场微观结构领域的应用价值,对后续高频市场策略设计和风险评估具有重要参考意义。
2510.15988.pdf