01 - 市场微观结构

定位：给有10年金融经验的架构师/PM讲清楚"交易所里面到底发生了什么" 目标：理解订单簿运行原理、价格发现机制、做市策略科学、市场冲击模型 前提：你知道什么是股票/期货/交易所，但不需要知道随机微积分

---

一、核心概念与直觉

1.1 什么是市场微观结构？

市场微观结构研究的是一个根本问题：价格是怎么产生的？

不是宏观的"供需决定价格"，而是微观的：

• 谁在买？谁在卖？
• 订单以什么顺序到达？
• 撮合引擎按什么规则配对？
• 做市商怎么设定买卖报价？
• 大单怎么拆分才能不把价格砸崩？

这些问题直接决定了交易系统的架构设计。

1.2 为什么架构师需要理解这些？

1.3 两个关键类比

订单簿就像拍卖场：

• 买方举牌报价（Bid），卖方标价出售（Ask）
• 拍卖师（撮合引擎）按规则配对
• 最高买价和最低卖价之间的差距就是"叫价差"（Spread）
• 但比拍卖场快一百万倍——每秒数百万次

做市商就像二手车商：

• 低价收车（Bid），高价卖车（Ask），赚差价
• 必须控制库存——收了太多某款车卖不掉就亏了
• 要判断来的客户是不是"内行人"——如果对方知道这车有问题/特别值钱，自己就被坑了
• 这就是逆向选择问题

---

二、订单簿(LOB)深度解析

2.1 限价单 vs 市价单：本质区别

关键洞察：限价单构成了订单簿，市价单消耗订单簿。做市商的工作就是不断往订单簿里放限价单。

2.2 订单簿的5档深度图解

                 订单簿快照 (某时刻)
                 
  卖方(Ask/Offer)           买方(Bid)
  ──────────────           ──────────
  价格    数量               价格    数量
  ──────────────           ──────────
  102.50   200  ← Ask 5    
  102.40   150  ← Ask 4    
  102.30   300  ← Ask 3    
  102.20   500  ← Ask 2    
  102.10   100  ← Ask 1 (最优卖价/最低卖价)
  ─────────────────────────────────────
                  Spread = 0.10
  ─────────────────────────────────────
  102.00   200  ← Bid 1 (最优买价/最高买价)
  101.90   400  ← Bid 2    
  101.80   350  ← Bid 3    
  101.70   150  ← Bid 4    
  101.60   100  ← Bid 5    

术语对照：

• Best Bid / Best Ask：最优买价/最优卖价
• Spread：Ask1 - Bid1 = 102.10 - 102.00 = 0.10（越小=流动性越好）
• Mid Price：(Ask1 + Bid1) / 2 = 102.05（中间价，很多模型用这个）
• Depth：每档的数量，反映流动性厚度

2.3 深度图（另一种可视化）

  数量(累积)
  1500 |                                    ████
  1200 |                               ████████
  1000 |                          █████████████
   800 |            █████████████████████████████
   600 |       ██████████████████████████████████
   400 |  █████████████████████████████████████████
   200 | ████████████████████████████████████████████
     0 |────────────|──────────|────────────────────
       101.60    102.00    102.10    102.50
                  Bid         Ask
                    ↑ Spread ↑

深度图是交易界面上常见的"山丘图"，左边是买盘堆积，右边是卖盘堆积。

2.4 价格优先-时间优先撮合规则

这是全球绝大多数交易所采用的撮合规则，也叫 FIFO (First In First Out) 规则：

第一优先级 — 价格：

• 买单：出价越高越优先（你愿意出更多钱，优先成交）
• 卖单：出价越低越优先（你愿意卖更便宜，优先成交）

第二优先级 — 时间：

• 同一价格，先到的订单先成交

示例：撮合引擎收到一笔市价买单(买200股)

卖方订单簿(按价格升序，同价按时间排)：
  #001  102.10  100股  09:30:01.001  ← 先成交(价最低，时间最早)
  #003  102.10   50股  09:30:01.005  ← 然后成交(同价，时间次早)
  #002  102.20  200股  09:30:01.003  ← 最后成交50股(下一个价位)

结果：
  成交100股@102.10 + 50股@102.10 + 50股@102.20
  加权平均价格 = (100×102.10 + 50×102.10 + 50×102.20) / 200 = 102.125

注意：这200股的买单把 Ask1 (102.10) 的流动性全部吃掉了，还穿透到了 Ask2 (102.20)。这就是市场冲击。

2.5 订单簿形态分析

架构启示：冰山单和隐藏单意味着你在行情系统里看到的订单簿是不完整的。这对策略设计有重大影响。

---

三、价格发现理论

3.1 Kyle (1985) Lambda模型

这是金融学最经典的模型之一，回答一个关键问题：知情交易者如何通过交易来传递信息？

场景设定：

• 市场上有三类参与者：
  1. 知情交易者(Informed Trader)：知道资产真实价值
  2. 噪声交易者(Noise Trader)：随机买卖
  3. 做市商(Market Maker)：观察总订单流来设定价格

核心公式：

ΔP = λ · (净订单流)

其中：
  ΔP = 价格变化
  λ (Lambda) = 市场冲击系数
  净订单流 = 买入量 - 卖出量

直觉解读：

• Lambda大 → 市场不流动 → 同样的订单量引起更大的价格变化
• Lambda小 → 市场流动性好 → 大单也不怎么影响价格
• 做市商不知道哪笔订单来自知情交易者，所以对所有订单都收取信息成本

为什么Lambda不是0？ 因为做市商知道知情交易者混在噪声交易者里面。如果Lambda=0，知情交易者可以无限量买入/卖出而不影响价格，做市商就会被掏空。

实际应用：

• 估算大宗交易的市场冲击成本
• 衡量市场流动性质量（Lambda越小越好）
• DeFi中AMM的滑点本质上就是Lambda

3.2 Glosten-Milgrom模型：Spread的来源

做市商为什么要收Spread？不是因为贪心，而是因为逆向选择。

核心逻辑：

做市商面对的每一笔交易：
  ├── 80% 可能来自噪声交易者 → 做市商赚Spread
  └── 20% 可能来自知情交易者 → 做市商亏钱

如果知情交易者知道真实价值 = 105:
  做市商报 Ask = 103 → 知情交易者买入 → 做市商亏2
  做市商报 Bid = 101 → 知情交易者卖出?不会,因为价值更高

所以做市商必须把Spread设大到足以覆盖被知情交易者割的损失。

Spread的三个组成部分：

Spread = 逆向选择成本 + 库存风险成本 + 竞争利润

  (1) 逆向选择成本：
      被知情交易者割韭菜的预期损失
      → 信息不对称越大，Spread越大

  (2) 库存风险成本：
      持有头寸的风险（价格可能朝不利方向变动）
      → 波动率越大，Spread越大

  (3) 竞争利润：
      做市商要赚的正常利润
      → 竞争越激烈，利润越薄

实际观察：

• 蓝筹股（信息透明）：Spread很小（1-2个tick）
• 小盘股（信息不透明）：Spread很大
• 财报发布前：Spread会变大（信息不对称增加）
• DeFi AMM：没有显式Spread，但有滑点曲线，本质一样

3.3 有效市场假说与现实的差距

**有效市场假说(EMH)**说：价格已经反映了所有可用信息，你无法持续跑赢市场。

现实：

• 价格发现有延迟——这就是高频交易赚钱的窗口
• 不同交易所的价格有微小差异——这就是套利机会
• 大单会临时扭曲价格——这就是最优执行问题
• 市场有微观结构噪声——价格在真实值附近来回跳

对架构师的启示：EMH在毫秒-秒级别不成立，在天-月级别大致成立。你设计的系统需要在哪个时间尺度上工作，决定了你需要考虑多少微观结构效应。

---

四、做市策略科学

4.1 Avellaneda-Stoikov最优做市模型 (2008)

这是做市策略的"教科书级"模型。核心问题：做市商应该把Bid和Ask报在哪里？

核心思想：

库存偏移 → 报价偏移

  库存偏多(持有太多) → 降低Ask(加速卖出) + 提高Bid(减缓买入)
  库存偏空(持有太少) → 提高Ask(减缓卖出) + 降低Bid(加速买入)
  库存中性         → Bid和Ask对称分布在Mid Price两侧

直觉类比： 水果店老板发现香蕉快过期了（库存太多）→ 降价促销（降低Ask）。 同时不再从批发市场进货（提高Bid，减少买入意愿）。

关键参数：

最优报价公式（简化版）：

保留价格(Reservation Price):
  r = s - q·γ·σ²·(T-t)

  其中 s = 中间价, q = 库存量

最优Spread:
  δ = γ·σ²·(T-t) + (2/γ)·ln(1 + γ/k)

  其中 k = 订单到达率参数

最优Bid = r - δ/2
最优Ask = r + δ/2

不需要记住公式，记住直觉：

• 保留价格 = 中间价 - 库存修正量
• 库存为正（多头）→ 保留价格低于中间价 → Bid/Ask整体下移 → 更容易卖出
• 库存为负（空头）→ 保留价格高于中间价 → Bid/Ask整体上移 → 更容易买入

4.2 库存与报价偏移关系图

  报价偏移
  (相对中间价)
       ↑
  +0.05|                              ──── Ask报价
       |                         ────
       |                    ────
  +0.02|               ────
       |          ────
   0.00|─────────────────────────────────── Mid Price
       |          ────
  -0.02|               ────
       |                    ────
  -0.05|                         ────
       |                              ──── Bid报价
       └──────────────────────────────→ 库存(q)
       -5   -3   -1    0    1    3    5
       空头              中性            多头

  解读：库存越偏向多头，Bid和Ask整体越往下移
        → 以更低价格卖出，加速减仓

4.3 做市商的盈利模型

做市商P&L = Spread收入 - 逆向选择成本 - 库存风险成本

  (1) Spread收入：
      每笔成交赚取 Bid-Ask 差价的一半
      日收入 ≈ (Spread/2) × 成交笔数 × 2

  (2) 逆向选择成本：
      被知情交易者方向性交易割的钱
      越是信息不对称的市场，这个成本越高

  (3) 库存风险成本：
      持有头寸期间价格不利变动的损失
      波动率越大，这个成本越高

关键公式：

预期利润 > 0 的条件：
  Spread/2 > P(informed) × E[|V - Ask|]

即：半个Spread必须覆盖被知情交易者割的期望损失

4.4 做市策略的主要风险

---

五、市场冲击模型

5.1 临时冲击 vs 永久冲击

价格
  ↑
  |         ╱╲
  |        ╱  ╲ 临时冲击(恢复)
  |       ╱    ╲────────────── 永久冲击(不恢复)
  |      ╱
  |─────╱
  |
  └──────────────────────→ 时间
       ↑                ↑
     开始交易          交易结束

  总冲击 = 临时冲击 + 永久冲击

  临时冲击：你的大单暂时推高/压低了价格，交易完成后会回弹
  永久冲击：你的交易传递了信息(或消耗了流动性)，价格永久改变

类比：

• 临时冲击 = 你去菜市场一次买50斤白菜，老板临时涨价，但你走后价格恢复
• 永久冲击 = 因为你买了50斤，其他商贩觉得白菜要涨价，集体提价

5.2 Almgren-Chriss最优执行模型

核心问题：你要卖100万股，该一次性卖完还是分批卖？

核心权衡：

  执行速度快                    执行速度慢
     ↓                           ↓
  市场冲击大                    市场冲击小
  (一次倒100万股，价格崩盘)      (慢慢卖，每次冲击小)
     ↓                           ↓
  但没有时间风险                 但有时间风险
  (快速完成，不怕价格继续跌)      (卖到一半价格暴跌)

  最优执行 = 在"冲击成本"和"时间风险"之间找平衡

5.3 常用执行算法

TWAP示例：

目标：2小时内卖出100万股

TWAP方案：
  09:30  卖出 125,000 股
  09:45  卖出 125,000 股
  10:00  卖出 125,000 股
  ...每15分钟一批，共8批...
  11:15  卖出 125,000 股

优点：简单，执行风险分散
缺点：不考虑市场实际流动性分布
     （可能09:30-10:00流动性好，应该多卖）

VWAP改进：

历史成交量分布：
  09:30-10:00  占全天 25%  → 卖出 250,000 股
  10:00-10:30  占全天 15%  → 卖出 150,000 股
  10:30-11:00  占全天 10%  → 卖出 100,000 股
  ...按实际流动性分配...

优点：跟着市场节奏走，冲击更小
缺点：依赖历史分布的准确性

5.4 Square-Root Law（平方根法则）

这是一个经验规律，被市场参与者广泛使用：

市场冲击 ∝ σ · √(Q / V)

其中：
  σ = 日波动率
  Q = 你要交易的股数
  V = 日均成交量

示例：
  日波动率 = 2%
  你要卖 100万股
  日均成交量 = 500万股

  冲击 ≈ 2% × √(100/500) = 2% × 0.447 ≈ 0.89%

  即：你的交易预期会让价格下跌约0.89%

关键特征：冲击与成交量的平方根成正比，不是线性的。这意味着：

• 交易量翻倍 → 冲击只增加41%（而不是100%）
• 这给了分批执行优化的空间

---

六、工程落地要点

6.1 订单簿数据的三个层次

数据存储设计考量：

Level 1: 简单KV存储或内存缓存
  Key: Symbol
  Value: {bid, ask, last, volume, timestamp}

Level 2: 内存中的有序结构
  BidBook: 红黑树/跳表 (价格降序)
  AskBook: 红黑树/跳表 (价格升序)
  每个价格节点: {price, total_qty, order_count}

Level 3: 内存 + 持久化
  每笔订单: {order_id, side, price, qty, timestamp, type}
  需要支持快速插入/删除/修改
  日数据量可达数十GB

6.2 撮合引擎架构

                    ┌─────────────┐
  订单输入 ───→    │  网关层      │  验证、限流、协议解析
                    └──────┬──────┘
                           ↓
                    ┌─────────────┐
                    │  预处理层    │  风控检查、账户验证
                    └──────┬──────┘
                           ↓
                    ┌─────────────┐
                    │  撮合引擎    │  ← 核心：单线程、确定性
                    └──────┬──────┘
                           ↓
                ┌──────────┼──────────┐
                ↓          ↓          ↓
         ┌──────────┐ ┌────────┐ ┌────────┐
         │ 成交回报  │ │行情推送│ │清算结算│
         └──────────┘ └────────┘ └────────┘

与支付网关的有趣对比：

关键设计原则：

• 撮合引擎通常是单线程的——避免锁争用带来的延迟抖动
• 每个交易品种一个撮合线程（品种间天然隔离）
• 先写WAL日志再撮合——崩溃恢复用

6.3 行情系统的延迟要求

数据流向：
  交易所撮合 → 行情快照/增量 → 网关压缩 → 网络传输 → 客户端解码 → 展示

  HFT要求：端到端 < 1ms
  普通机构：端到端 < 10ms
  散户App：端到端 < 1秒

关键技术选择：
  推送方式：UDP组播(最快) → WebSocket(适中) → HTTP轮询(最慢)
  更新方式：增量更新(带宽小) vs 全量快照(简单但浪费)
  压缩方式：自定义二进制(最快) vs Protobuf(适中) vs JSON(最慢)

---

七、常见误区

误区1："价格是由供需决定的"

更准确的说法：价格是由边际订单决定的。

一个股票可能有100万个持有者，但此刻价格只由订单簿上最优买卖价的那几笔小订单决定。一笔10手的市价卖单就能把价格砸下去，哪怕大多数持有者都不打算卖。

这就是为什么低流动性资产的价格波动特别大——边际订单的影响力太大了。

误区2："做市商总是赚钱的"

做市商可以在以下情况下亏大钱：

• 逆向选择严重：大量知情交易者冲进来，做市商来不及调价
• 闪崩：市场突然单方向暴跌，做市商积累的库存瞬间贬值
• 波动率突增：突发事件导致波动率飙升，Spread来不及调整
• 2015年8月24日美股闪崩，多家做市商单日亏损数千万美元

误区3："高频交易 = 赌博"

高频交易是高度科学化的工程活动：

• 基于数学模型（随机过程、最优控制）
• 基于统计检验（策略需要通过严格的统计显著性测试）
• 基于工程优化（纳秒级延迟优化）
• 有严格的风控系统（持仓限制、亏损限制、熔断机制）

赌博是"正EV不确定"的游戏，HFT是"找到确定的正EV并高频执行"的工程。

---

八、DeFi对比：AMM vs 订单簿

作为Web3方向的补充，简单对比：

关键洞察：AMM本质上把"做市"这件需要高度专业化的工作民主化了，代价是资本效率更低、LP面临无常损失。

---

九、延伸阅读

必读书籍

• 《Trading and Exchanges》 — Larry Harris
  • 市场微观结构的"圣经"，覆盖最全面
  • 适合非量化背景读者，讲解清晰
• 《Market Microstructure Theory》 — Maureen O'Hara
  • 更偏学术，适合想深入理论的读者

经典论文

• Kyle (1985) — "Continuous Auctions and Insider Trading"
  • Lambda模型的原始论文
• Glosten & Milgrom (1985) — "Bid, Ask and Transaction Prices..."
  • Spread与逆向选择的理论基础
• Avellaneda & Stoikov (2008) — "High-frequency trading in a limit order book"
  • 最优做市模型

在线资源

• MIT 15.450 Analytics of Finance (OCW课程)
• Stanford MSFE 课程材料
• QuantStart.com 的市场微观结构系列

---

十、本章小结

对架构师的核心启示：

1. 撮合引擎要单线程+纯内存，和你设计支付系统的思路完全不同
2. 行情系统分Level 1/2/3，决定了存储和带宽需求
3. 做市策略不是拍脑袋定价，而是有严格数学基础的最优控制问题
4. DeFi的AMM是传统做市的简化+民主化版本，理解传统做市才能真正理解AMM的取舍