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

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专