自适应做市策略：基于机器学习的Avellaneda-Stoikov框架扩展研究

本研究探索将短期波动率和方向预测整合到经典Avellaneda-Stoikov做市框架中，通过XGBoost模型和苹果公司（AAPL）高频限价订单簿数据进行回测，比较基准策略与机器学习增强策略的表现。核心目标是在保持模型可解释性的同时提升做市策略性能，为量化金融领域的自适应做市提供新方法。

Avellaneda-Stoikov模型是量化金融中广泛使用的做市框架，基于随机最优控制理论，通过调整报价平衡价差收益与库存风险。但其假设波动率恒定或遵循简单随机过程，无法捕捉市场快速变化。核心问题：若能准确预测短期价格方向和波动率，能否在保持框架结构的同时提升策略表现？本研究使用AAPL高频限价订单簿数据展开实证分析。

设计原则：预测仅修改模型特定参数（波动率预测调整库存压力项，方向预测偏移预留价格，价差锚定基准波动率），确保可解释性与稳健性。

策略对比：恒定价差策略（基础对照）、基准Stoikov策略（固定波动率）、ML扩展策略（引入预测）、先知扩展策略（理论上界）。

数据来源：AAPL LOBSTER格式高频数据（订单簿快照与事件文件），按时间顺序划分训练与测试时段。

特征工程：涵盖订单簿状态（不平衡、深度等）、市场活动（事件、订单流等）、技术指标（实现波动率等）。

标签构建：方向标签基于未来中点价格分类，波动率标签用前向实现log波动率；防泄露设计确保回测真实性。

模型选择：XGBoost（高效、可解释、正则化），训练流程分探索与最终训练阶段。

核心模块：stoikov.py（基准策略）、stoikov_extension.py（ML增强策略）、constant_spread.py（对照策略）。

回测引擎：处理tick舍入、无交叉约束、队列近似、成交模拟、资金库存会计、时段平仓等细节。

回测流程：加载数据→构建特征→生成标签→加载模型→运行四种策略回测→报告指标。

核心指标：最终盈亏（pnl_final）、盈亏标准差（pnl_std）、夏普比率（sharpe_1s）、平均绝对库存、成交率、成交量。

预期发现：基准Stoikov策略优于恒定价差策略（体现库存管理价值）；ML扩展策略风险调整收益更优（验证预测有效性）；先知策略与ML策略的差距揭示预测改进空间；ML扩展策略平衡性能与可解释性。

主要贡献：方法论创新（ML融入经典框架且保持可解释性）、实证验证（真实高频数据对比）、可复现性（开源代码与文档）、特征工程参考（可解释高频特征集）。

局限性：单资产研究（普适性待验证）、简化假设（成交模拟等与真实交易有差距）、未考虑市场冲击、成本假设不充分。

潜在改进：多资产扩展（股票、期货、加密货币）、复杂模型（深度学习、强化学习）、实时部署、更复杂风险管理。

行业应用：高频做市商优化策略、量化对冲基金短期预测应用、学术研究参考、金融科技公司智能做市工具开发。