DEX vs CEX 做市完整对比报告 (Phase 2 收官)

日期: 2026-07-28 方向: 量化 / 微观结构 / 做市 阶段: Phase 2 - 市场微观结构与做市 (Day 75-88) 标签: #做市 #DEX #CEX #对比 #Capstone #Phase2

---

今日目标

这是 Phase 2 收官。把 Day 75-87 的内容凝练成可拿出来"展示"的成果——简历、面试、Twitter post 都用。

---

一、Phase 2 知识压缩（一图流）

                        市场微观结构 + 做市
                              │
   ┌──────────────────────────┼─────────────────────────┐
   │                          │                          │
   v                          v                          v
LOB / Trade flow         做市理论                   DEX 数学
(Day 75-77)            (Day 78-83)                (Day 84-87)
   │                          │                          │
   ├─ LOB 结构              ├─ Avellaneda-Stoikov       ├─ Uniswap V2 (X*Y=K)
   ├─ Kyle / Glosten-Milgrom ├─ GLFT 渐近闭式            ├─ Uniswap V3 集中流动性
   ├─ Liquidity 指标        ├─ 库存管理 + Hedge          ├─ JIT LP
   ├─ OFI / Microprice      ├─ Almgren-Chriss 执行      ├─ V3 LP 策略
   └─ 实证校准              └─ 整合回测                  └─ Perp DEX (HL)
                                  │
                                  v
                            完整做市机器人
                              (Day 81)
                                  │
                          ┌───────┴───────┐
                          v               v
                       CEX MM         DEX MM
                    (A-S/GLFT)      (V3 LP, HL)

---

二、五维度对比报告（核心交付物）

报告标题

CEX vs DEX Market Making: A Practitioner's Comparative Analysis

摘要（200 字）

CEX (Binance, Bybit) 做市基于显式 LOB 与 A-S/GLFT 类经典模型，每秒数十次 cancel/replace 优化 spread。DEX 做市分两类：(1) 链上 LOB（Hyperliquid、dYdX）几乎复制 CEX 范式但带 200ms 延迟与无 KYC 优势；(2) AMM-based（Uniswap V2/V3、GMX）通过 mint/swap/burn 提供"被动"流动性，由 V3 集中流动性近似 CEX 离散挂单。两者关键 trade-off 在于：CEX 提供 µs 级 quote refresh 与 inventory hedge 自由度，达 Sharpe 3-5；DEX 提供无许可访问 + 链上独有现象 (JIT, MEV) 但受 gas + latency 限制，典型 Sharpe 1-3。差异化优势：CEX 适合资本密集 HFT；DEX 适合 long-tail 代币、跨域 funding arb、监管中立资金。

---

维度 1：架构与撮合

维度 2：数学与策略基础

维度 3：风险结构

维度 4：经济收益结构

维度 5：人才与就业

本人定位（10 年金融零售 PM/BA + Web3 实战）：最适合"crypto-native fund 的 quant PM 或 senior BA"，把传统 finance 经验 + Web3 微观结构知识结合，覆盖 CEX + DEX。简历上 Phase 2 的 Capstone 报告就是 differentiator。

---

三、整合代码索引

总计 ~3900 行 Python 代码。每个模块都可独立运行 + 与 Binance / Hyperliquid live API 对接。

推荐部署 stack

core MM bot:
  Rust (latency-critical: order management, ws ingestion)
  + Python (signals, calibration, monitoring)

data:
  Redis / TimescaleDB (real-time)
  ClickHouse / Parquet (historical)

infra:
  Linux + ulimit tuning
  AWS m5n.large (Tokyo region for Binance)
  Docker + systemd
  Prometheus + Grafana

backtest:
  Polars (faster than pandas for large data)
  Tardis.dev historical LOB data

---

四、面试 Cheat Sheet（10 个高频问题速答）

Q1: 描述如何实现一个生产级做市机器人。

A: 5 层结构：(i) connectivity (WS book + REST cancel/replace)；(ii) orderbook reconstruction with gap recovery；(iii) signal layer (OFI, microprice)；(iv) quoting layer (GLFT closed-form + inventory skew + asym size)；(v) inventory mgmt (L1 skew, L2 active unwind, L3 cross-venue hedge)。横切：calibration (rolling σ/k/A), monitoring, kill switch, regulatory logs。

Q2: GLFT 与 A-S 的核心区别？

A: A-S 用 CARA 效用 + 有限视界，spread 公式含 (T-t)，t→T 时不稳定。GLFT 用 linear utility + L² penalty + 无穷视界，spread 渐近闭式 = (1/k)ln(1+k/γ) + (2q±1)/2 · √(σ²γ/(2kA)·(1+k/γ)^(1+k/γ))，与 t 无关，在 σ regime shift 下更稳定。生产 ALL prefer GLFT。

Q3: 推导 V3 LP 在 [P_a, P_b] 区间内的 token 持仓。

A: 从 virtual reserves (x+L/√P_b)(y+L√P_a) = L² 与 P = y_v/x_v 出发，解得 x_v = L/√P, y_v = L√P，x = L(1/√P − 1/√P_b)，y = L(√P − √P_a)。

Q4: V3 LP delta-neutral 怎么实施？

A: (1) Mint LP at [P_a, P_b]；(2) 数值估 ∂V_LP/∂P；(3) 在 perp 市场 short 等量；(4) 触发 rebalance 当 |delta drift| > 5-10%；(5) 每月计 PnL = fee + funding − IL − hedge cost。期望 APY 20-80%（视 vol regime）。

Q5: 解释 OFI 与 microprice 信号本质。

A: OFI = order book event flow 净有向（bid 上移、ask 下移 等都是 bullish）；microprice = mid 的 imbalance-weighted 修正，Stoikov 证明在 short horizon 是 unbiased fair value。生产 MM 用 fair_value = w_micro·micro + w_OFI·(mid + β·OFI) 替代 mid 进 GLFT 公式。

Q6: Almgren-Chriss 公式与 TWAP 关系？

A: A-C 解 x(t) = X·sinh(κ(T-t))/sinh(κT), κ = √(λσ²/η)。当 λ→0 (风险中性) → κ→0, sinh(κx)≈κx → x(t) = X(1-t/T) = TWAP linear。κ 越大策略越 front-loaded（早期成交多，后期少）。

Q7: JIT LP 与 sandwich 的对偶？

A: JIT 在 victim swap 前后 mint+burn LP 赚 fee（victim 不亏）；sandwich 在 victim swap 前后做对手方向 swap 赚滑点（victim 亏）。两者都用 atomic bundle，differ in extraction target：JIT 抢 fee 给 passive LP，sandwich 抢用户钱包。

Q8: 在 Hyperliquid 做市与 Binance 做市的关键差异？

A: (i) Hyperliquid latency 200ms 必须建模 → wider spread；(ii) funding 周期 1h vs 8h → 信号更频繁；(iii) HL 用户更窄、informed 比例高 → 更保守 inventory cap；(iv) HL withdrawal 4h fraud-proof window 影响资金流转；(v) cross-venue with Binance 是核心 hedging。

Q9: 给一个新加密资产，如何评估其做市机会？

A: 7 个维度：(1) 日 volume / OI （流动性深度），(2) spread vs vol（profitability），(3) maker rebate program，(4) hedge 可用性（spot or perp 在主流 venue），(5) listing exchange 多样性（diversification），(6) team / treasury size（rug pull 风险），(7) competitor MM 数量（拥挤度）。组合形成 "MM EV" 估算。

Q10: 风险预算如何分配？

A: 顶级 MM 通常按层切预算：(i) Inventory: 30% (daily VaR 2-3% AUM)；(ii) Adverse selection: 25% (informed flow 损失 < 30% maker rebate 收入)；(iii) Cross-venue basis: 15%；(iv) Operational (latency / bug / outage): 10%；(v) Funding / hedge cost: 10%；(vi) Regulatory / compliance buffer: 10%。每日报告各项使用情况，超 80% 预算时 risk team 介入。

---

五、Phase 2 自检清单

知识检验

• 解释 LOB 增量更新与本地重建流程
• 推导 Kyle (1985) λ = (1/2)·σ_v/σ_u
• 用代码实现 Glosten-Milgrom 贝叶斯更新
• 6 类流动性指标公式 + 校准
• 推导 A-S reservation price 与 optimal spread
• GLFT 渐近闭式公式与适用条件
• 库存管理 L1/L2/L3 三层架构
• OFI 与 microprice 公式 + 校准
• A-C closed form 推导与 κ 极限分析
• Uniswap V2 X·Y=K 滑点公式
• Uniswap V3 sqrtPriceX96 + tick math 完整实现
• V3 LP delta / gamma / IL
• JIT LP 利润模型
• Hyperliquid API 接入

代码作品

• 12 个独立模块、~3900 行 Python
• 每个都能跑、有 sample / live data
• 整合一个 MM bot 框架（mm_v2 + ofi + uni_v3_math + hyper_data）

面试武器

• 10 个高频面试题答案
• 跨 CEX-DEX 完整对比框架
• Capstone 报告（本文档）

---

六、下一阶段（Phase 3 预告）

Phase 2 给了"单一资产单一策略"的深度。Phase 3 转向"多资产组合"+"衍生品复杂化"。

---

七、关键速查（终极版）

做市公式三件套：
  ─────────────────────────────────
  Reservation price (GLFT):
    r(s, q) = s − q · η, η = √(σ²γ/(2kA)·(1+k/γ)^(1+k/γ))

  Half-spread base:
    c = (1/k) · ln(1 + k/γ)

  Quote: 
    bid = r − (c + (2q+1)/2 · η)
    ask = r + (c + (2q-1)/2 · η)

V3 LP 数学：
  ─────────────────────────────────
  In-range token amounts:
    x = L(1/√P − 1/√P_b)
    y = L(√P − √P_a)

  LP value (token0 unit):
    V = L · [(2√P − √P_a − P/√P_b)/P]   (区间内)

  Concentration factor vs V2:
    f = √(P_b/P_a) / (√(P_b/P_a) − 1)

A-C 执行：
  ─────────────────────────────────
  κ = √(λσ²/η)
  x(t) = X · sinh(κ(T-t)) / sinh(κT)
  λ→0 → TWAP, λ→∞ → instant

OFI：
  ─────────────────────────────────
  bid up: +q_b^new
  bid same: +(q_b^new − q_b^old)
  bid down: −q_b^old
  ask 反向类比

Hyperliquid endpoints:
  ─────────────────────────────────
  POST /info {"type":"l2Book","coin":"BTC"}
  POST /info {"type":"metaAndAssetCtxs"}
  WS subscribe {"type":"bbo","coin":"BTC"}

---

八、Phase 2 总结一句话

CEX 做市要快、DEX 做市要新；GLFT 报价、库存管理、跨 venue hedge——这三件套用在 Binance 还是 Hyperliquid，本质相同；V3 LP 是"被动 GLFT"，JIT 是"光速 V3 LP"，永续合约是"自带 funding 的 perpetual delta exposure"——一通则百通。

---

九、面试题（终极合集，5 道压轴题）

Q1: 你管理 $10M AUM，要在 BTC/USDT 上设计一个做市策略，你会怎么开始？

A: 1️⃣ 数据：拉 30 day Binance Futures L2 + trade tape 校准 σ ≈ $30/√s, k ≈ 1.5, A ≈ 100。2️⃣ 模型：GLFT closed-form，γ 起步 0.1（中等 risk），φ = 0.001。3️⃣ 库存：Q_soft = 2 BTC, Q_hard = 5 BTC，base size 0.05 BTC。4️⃣ Hedge：100% delta neutral via Bybit perp short。5️⃣ 风控：daily VaR 1%，max DD 3%。6️⃣ 上线：先 paper trade 2 周对比模型 vs 实盘，调 latency/fill rate model。7️⃣ 监控：Sharpe, fill rate, adverse selection per hour, dashboard。

Q2: V3 LP 与 CEX MM 收益结构对比，给出风险调整后 ranking。

A: 风险调整后 (Sharpe / capital efficiency)：

1. CEX HFT MM (Sharpe 3-5) — capital efficient, but capital-constrained by exchange tier
2. CEX prop firm MM (Sharpe 2-4) — 上 Tier 1 venue
3. V3 active LP delta-neutral (Sharpe 1.5-3) — capital scalable, MEV exposure
4. Cross-venue funding arb (Sharpe 1-2) — yield carry
5. Hyperliquid passive HLP (Sharpe 1-2) — lower setup
6. V3 narrow LP no-hedge (Sharpe 0-1) — IL 大
7. V2 LP (Sharpe 0-0.5) — basically buy & hold

Q3: 设计一个跨 Binance 与 Hyperliquid 的统一做市策略。

A: 架构：(i) 单一 mid 信号引擎，blend Binance + HL mid weighted by liquidity；(ii) 在 Binance 用 GLFT base spread，HL 加 +2 bps latency premium；(iii) 跨所 inventory：max(spot+perp_BNB, perp_HL) ≤ Q_global；(iv) Hedge engine：spot fill → 立即在 BN 或 HL 选 cheaper venue (effective cost min)；(v) Funding arb：Binance funding > HL+threshold → spot long BN + short HL；(vi) Kill switch: 任一 venue 异常 → graceful unwind。

Q4: V3 LP 在 ETH crash 50% 时（出区间下方）发生什么？

A: ETH 价格跌出 P_a → LP 100% ETH（因为已经"在 P_a 卖光 USDC 接 ETH"）→ 后续下跌完全暴露。Loss vs HODL = (1) IL 进区间内移动；(2) 出区间后等价于 100% spot ETH。如果有 perp short hedge：hedge size 在 P_a 时 perp 接近全 ETH 等量 short → 50% 下跌带来 50% perp profit ≈ ETH spot loss → delta neutral. 关键：hedge size 必须随 LP delta 实时跟踪，否则裸暴露。

Q5: 给我一个 elevator pitch（30 秒）：你能给 Wintermute / GSR / Jump 带来什么？

A: "我有 10 年传统金融零售产品经验，过去 14 个月深度研究 Web3 微观结构与做市，从 Kyle 模型到 Avellaneda-Stoikov 到 GLFT 都做过严格推导和回测；从 Uniswap V3 sqrtPriceX96 数学到 Hyperliquid API 接入都有可运行代码。我能在 quant PM 角色上：(i) 设计 CEX/DEX 跨域做市策略；(ii) 用传统金融严谨度 + 链上数据透明度做产品决策；(iii) bridge 工程师与 strategy 团队，加速从模型到生产的循环。我可在第一个月给你 3 份具体改进建议，用真实你们交易的数据。"

---

Phase 2 完成 ✅

14 天产出：

• 14 篇深度技术笔记（约 9000 行 markdown）
• 12 个核心 Python 模块（约 3900 行代码）
• 60+ 真实数学公式 + 推导
• 30+ Crypto 数据 API 接入示例
• 70+ 面试问题与答案

下一站：Phase 3 衍生品与组合（Day 89 起）。