应用在线学习算法的做市商模型——基于我国商品期货市场做市策略的研究.pdfVIP

摘要

在国外成熟的金融市场，交易制度一直是竞价交易制度和做市商制度两

种制度共存，而在我国，除了银行间市场和新三板市场，主板市场或者成交

比较活跃的期货市场都是采用单一的竞价交易制度。做市商制度主要有稳定

市场和提高不活跃市场流动性的作用，随着我国金融市场的不断发展成熟，

引入做市商制度有其必然性。而做市商除了享受一定的优惠，还必须承担一

定的责任与风险，当市场突然出现单边行情时，一个没有优秀做市商模型的

做市商很容易破产，本文的主要目的便是建立一个能够盈利的做市商模型。

在本文之前，学者研究的做市商模型主要分为存货模型和信息模型，其

中信息模型更是做市商模型研究的主流，但这些模型都有过多的假设难以贴

合实际。而做市商的模型主要研究的便是做市商上下挂单的买卖价差，本文

中的模型将重点关注于买卖价差的确定，应用在线学习的方法，力求建立一

个无后悔（no-regret）的模型。

本文总共分为5章三个部分，分别是理论部分，模型建立和实证部分。

第一部分，导论和理论概述。首先初略介绍了本文的研究背景和研究内

容，提出本文主要是对做市商模型的研究，并将该模型应用于我国商品期货

市场进行实证。此后阐述了什么是做市商制度以及做市商制度的优点，总结

了我国自上世纪90年代初建立了金融市场之后，做市商制度在我国的应用及

发展，论证了我国金融市场引入做市商制度的必然性。之后，本文对做市商

定价理论的发展作了一定的梳理，向读者介绍了做市商定价理论的研究起源

于市场微观结构的研究。做市商定价理论从以“存货模型”为基本框架的研究，

慢慢转化为以“信息模型为主”为基本框架的研究，在本章中，本文阐述了每

个模型的主要提出人物的和他们代表论文，并且简单的介绍了每个模型的思

路，和运用该模型得出的结论。

由于本文在后文的模型建立中运用了在线学习算法，在理论介绍的最后

一部分，本文首先回顾了机器学习的定义和机器学习研究最近的发展，本文

主要论述了在线学习的特点，与机器学习中的另一分类批次学习的不同。在

线学习只要接受一笔新的数据就会对本身的模型进行修正，与金融市场接受

一笔新的价格就改正自己判断方向的思路十分相似，十分适合对证券投资分

析的研究。而在线学习的主要目标是通过不断学习修正最终得到一个无后悔

（no-regret）的结果。本文也列举出两个简单例子来说明，一些简单的学习算

法也很容易达到无后悔（no-regret），甚至，有时候能得到比最优模型更好的

模型。而后应用在线学习算法的做市商模型的目标也是最后能得到一个无后

悔的模型。

第二部分模型建立是重点。本文首先建立了一个做市商基础模型，该模

型设置了最优买价和最优卖价，在最优买价下面的每个价格挂固定手数买单，

最优卖价上面的每个价格挂固定手数卖单。基础模型证明了做市商最后的利

润和当个交易日变化的绝对距离呈正相关，和最终价格相对于初始价格的变

化的二次方负相关（定理1）。虽然该模型用简单的方法证明了做市商模型利

润的影响因素，但是并没有给出三个参数，最优买价，最优卖价和挂单深度

的设定方法，因此，本文假设了一些符号和公式之后，建立了本文的第二个

模型，基于买卖价差的做市商模型。基于买卖价差的做市商模型在基础做市

商模型的基础上，给定了在每轮交易t，如何设定最优买卖价的规则，将基础

模型所需要的三个参数变为一个参数，即窗口大小b，然后在基础模型的基础

上，证明了在时刻T策略组合价值的下限（引理1），而后，本文用数学证明

了基于买卖价差做市商模型的一些性质，这样便于证明下文应用在线学习算

法的做市商模型的no-regret性质。基于买卖价差的做市商模型中的参数窗口

大小b并没有给出确定方法。所以对模型进一步进行拓展，本文给定一个窗

口组合B，应用在线学习算法模型，建立了基于在线学习的最小遗憾算法模

型，模型的思路就是,在每轮交易t,对窗口B中的每个窗口大小b赋予一定的

权重，而根据策略S(b)在这一轮的表现，根据在线学习算法修改每个b的权

重，经过大量的交易次数之后，最好想要达到的结果就是无后悔的（no-regret）。

而本文也给出了该模型后悔的上限（定理2），由于篇幅所限，本文并没有将

具体的证明过程写入其中。最小遗憾算法模型需要根据在线学习确定权重，

本文分别提出了两种在线学习算法，MMMW与MMFPL，本文分别给出了两

种算法更新权重的计算公式和其背后的含义，至此，本文已经建立一个完