Python流动性做市风险获利 | 信息不对称买卖数学模型

本文主要是介绍Python流动性做市风险获利 | 信息不对称买卖数学模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

🎯要点

🎯动量和相对强弱指数模型:定量描述市场行为 | 🎯通用回测模型:后风险管理和未平仓头寸管理无止损程序 | 🎯市场追踪模型:确定市场模型,上涨或下跌趋势,买入或卖出时机、预测退出现有仓位时机 | 🎯趋势分析和买入持有成本:成本:点差、滑点、佣金、掉期,风险/回报和回撤回报 | 🎯限价单和止损单触发条件及其假定执行价格策略算法。

🎯市场机制分析:Python牛市熊市横盘机制 | 缺口分析 | 头寸调整算法 | 🎯资产评估:Python和MATLAB及C++资产价格看涨看跌对冲模型和微积分

🍇Python信息不对称买卖

该模型旨在说明交易者的行为表明其信息集这一概念。具体而言,它假设拥有负面信息的代理人不太可能购买证券,反之亦然。理性且具有竞争力的做市商将设定买入价和卖出价,以衡量市场中知情代理人的比例。如果知情交易者的比例很大,他们将设定较大的买卖价差以弥补这些代理人造成的损失。

在这个简单的模型中,代理是随机选择的,并且只能在市场上交易一次。这是我们稍后将看到的顺序交易模型的基础。在这种单笔交易场景中,做市商只发布一个买卖价差,并且只有一笔交易。因此,做市商没有必要在交易后修改其信息集。不同的是,在顺序交易场景中,一天内有多笔交易,需要做市商根据交易方向更新买入价和卖出价。

代理人可以交易证券并获得 V V V 的收益。日终收益可以是 V ˉ \bar{V} Vˉ V ‾ \underline{V} V,其中 V ‾ < V < V ˉ \underline{V}<V<\bar{V} V<V<Vˉ。由于 V V V 的实际价值是在开盘前决定的,因此它不受当天发生的情况的影响,然后在收盘时揭示。在交易时段结束时 V V V实现的概率是 δ \delta δ,因此 V ˉ \bar{V} Vˉ实现的概率是 1 − δ 1-\delta 1δ

市场上一小部分 μ \mu μ 代理商已经知道 V V V 的未来实际价值(知情交易者)。剩余部分 1 − μ 1-\mu 1μ 是由不知情的交易者形成的,他们事先不知道 V V V 的实现价值并随机进行交易。知情交易者会在 V = V ˉ V=\bar{V} V=Vˉ 时买入,在 V = V ‾ V=\underline{V} V=V 时卖出。这是因为,如果证券的日终价值为 V ˉ \bar{V} Vˉ,则以 V < V ˉ V<\bar{V} V<Vˉ 买入会带来利润。同样,如果日终价值为 V ‾ \underline{V} V,则以 V > V ‾ V>\underline{V} V>V 出售会产生利润。代理商可以按照经销商的询价买入,并按照经销商的出价出售。

该模型可以可视化如下:

δ
μ
0
1
1-μ
1/2
1/2
1-δ
μ
1
0
1-μ
1/2
1/2
V
V1
I
买入
卖出
U
买入
卖出
V2
I
买入
卖出
U
买入
卖出

备注:

  • V1: V ‾ \underline{V} V
  • V2: V ˉ \bar{V} Vˉ

为了计算卖价(A)和买价(B),交易商会尝试了解买入(卖出)单是否来自知情客户。交易商将公布的买卖价差如下。
A − B = 4 ( 1 − δ ) δ μ ( V ˉ − V ‾ ) 1 − ( 1 − 2 δ ) 2 μ 2 A-B=\frac{4(1-\delta) \delta \mu(\bar{V}-\underline{V})}{1-(1-2 \delta)^2 \mu^2} AB=1(12δ)2μ24(1δ)δμ(VˉV)
有趣的是,对于 μ = 1 \mu=1 μ=1,我们有 A − B = V ˉ − V ‾ A-B=\bar{V}-\underline{V} AB=VˉV。因此,当市场完全由消息灵通的交易者占据时,卖价将变为 V ˉ \bar{V} Vˉ,买价将变为 V ‾ \underline{V} V,无论结果的概率如何。这意味着在这种情况下,交易商和知情交易者都不会获利。为了确保知情交易者的利润,需要一小部分随机交易并充当流动性提供者的不知情代理人。

我们可以通过绘制卖价、买价和中间价以及买卖价差( μ \mu μ δ \delta δ 的函数)来收集更多见解。作为第一个近似值,我们可以将要价和出价之间的中间价格作为安全价格。

# imports
import pandas as pd
import matplotlib.pyplot as plt

计算要价、出价和点差

def compute_ask(V_low, V_high, delta, mu):if mu == 1 and delta == 1:return V_highelse:num = V_low * (1 - mu) * delta + V_high * (1 - delta) * (1 + mu)den = 1 + mu * (1 - 2*delta)return num / dendef compute_bid(V_low, V_high, delta, mu):if mu == 1 and delta == 0:return V_lowelse:num = V_low * (1 + mu) * delta + V_high * (1 - delta) * (1 - mu)den = 1 - mu * (1 - 2*delta)return num / dendef compute_bid_ask_spread(V_low, V_high, delta, mu):return compute_ask(V_low, V_high, delta, mu) - compute_bid(V_low, V_high, delta, mu)
V = 100 
deltaV = V / 100 V_low = V - deltaV 
V_high = V + deltaV A = [] 
B = [] 
mu = [] 
delta = [] for m in range(0, 101, 1):for d in range(1, 101, 1):mu.append(m/100)delta.append(d/100)A.append(compute_ask(V_low=V_low, V_high=V_high, delta=d/100, mu=m/100))B.append(compute_bid(V_low=V_low, V_high=V_high, delta=d/100, mu=m/100))df = pd.DataFrame({'mu': mu, 'delta': delta,'A': A, 'B': B
})
df['B-A'] = df['A'] - df['B']
df['Mid'] = (df['A'] + df['B']) / 2

曲面图:

fig = plt.figure(figsize=(15, 10))
ax = fig.add_subplot(111, projection='3d')
surf = ax.plot_trisurf(df['mu'], df['delta'], df['B-A'], cmap='plasma')ax.set_xlabel('mu')
ax.set_ylabel('delta')
ax.set_zlabel('B-A')
ax.set_title('B-A spread surface')ax.view_init(elev=40, azim=45)plt.tight_layout()plt.show()

点差变化

fig, axs = plt.subplots(2, 3, figsize=(15, 10))
axs = axs.flatten()df_copy = df.loc[df['delta'] == 0.2].copy()ax = axs[0]
ax.scatter(df_copy['mu'], df_copy['B-A'])
ax.set_xlabel('mu')
ax.set_ylabel('B-A')
ax.set_title('delta = 0.2')df_copy = df.loc[df['delta'] == 0.5].copy()ax = axs[1]
ax.scatter(df_copy['mu'], df_copy['B-A'])
ax.set_xlabel('mu')
ax.set_ylabel('B-A')
ax.set_title('delta = 0.5')df_copy = df.loc[df['delta'] == 0.8].copy()ax = axs[2]
ax.scatter(df_copy['mu'], df_copy['B-A'])
ax.set_xlabel('mu')
ax.set_ylabel('B-A')
ax.set_title('delta = 0.8')df_copy = df.loc[df['mu'] == 0.2].copy()ax = axs[3]
ax.scatter(df_copy['delta'], df_copy['B-A'])
ax.set_xlabel('delta')
ax.set_ylabel('B-A')
ax.set_title('mu = 0.2')df_copy = df.loc[df['mu'] == 0.5].copy()ax = axs[4]
ax.scatter(df_copy['delta'], df_copy['B-A'])
ax.set_xlabel('delta')
ax.set_ylabel('B-A')
ax.set_title('mu = 0.5')df_copy = df.loc[df['mu'] == 0.8].copy()ax = axs[5]
ax.scatter(df_copy['delta'], df_copy['B-A'])
ax.set_xlabel('delta')
ax.set_ylabel('B-A')
ax.set_title('mu = 0.8')fig.suptitle('How B-A spread changes with delta and mu\n', fontsize=20)plt.tight_layout()plt.show()

👉参阅一:计算思维

👉参阅二:亚图跨际

这篇关于Python流动性做市风险获利 | 信息不对称买卖数学模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1044283

相关文章

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

使用Docker构建Python Flask程序的详细教程

《使用Docker构建PythonFlask程序的详细教程》在当今的软件开发领域,容器化技术正变得越来越流行,而Docker无疑是其中的佼佼者,本文我们就来聊聊如何使用Docker构建一个简单的Py... 目录引言一、准备工作二、创建 Flask 应用程序三、创建 dockerfile四、构建 Docker

Python使用vllm处理多模态数据的预处理技巧

《Python使用vllm处理多模态数据的预处理技巧》本文深入探讨了在Python环境下使用vLLM处理多模态数据的预处理技巧,我们将从基础概念出发,详细讲解文本、图像、音频等多模态数据的预处理方法,... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Python使用pip工具实现包自动更新的多种方法

《Python使用pip工具实现包自动更新的多种方法》本文深入探讨了使用Python的pip工具实现包自动更新的各种方法和技术,我们将从基础概念开始,逐步介绍手动更新方法、自动化脚本编写、结合CI/C... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Conda与Python venv虚拟环境的区别与使用方法详解

《Conda与Pythonvenv虚拟环境的区别与使用方法详解》随着Python社区的成长,虚拟环境的概念和技术也在不断发展,:本文主要介绍Conda与Pythonvenv虚拟环境的区别与使用... 目录前言一、Conda 与 python venv 的核心区别1. Conda 的特点2. Python v

Python使用python-can实现合并BLF文件

《Python使用python-can实现合并BLF文件》python-can库是Python生态中专注于CAN总线通信与数据处理的强大工具,本文将使用python-can为BLF文件合并提供高效灵活... 目录一、python-can 库:CAN 数据处理的利器二、BLF 文件合并核心代码解析1. 基础合

Python使用OpenCV实现获取视频时长的小工具

《Python使用OpenCV实现获取视频时长的小工具》在处理视频数据时,获取视频的时长是一项常见且基础的需求,本文将详细介绍如何使用Python和OpenCV获取视频时长,并对每一行代码进行深入解析... 目录一、代码实现二、代码解析1. 导入 OpenCV 库2. 定义获取视频时长的函数3. 打开视频文

Python中你不知道的gzip高级用法分享

《Python中你不知道的gzip高级用法分享》在当今大数据时代,数据存储和传输成本已成为每个开发者必须考虑的问题,Python内置的gzip模块提供了一种简单高效的解决方案,下面小编就来和大家详细讲... 目录前言:为什么数据压缩如此重要1. gzip 模块基础介绍2. 基本压缩与解压缩操作2.1 压缩文