5D Library › 高频限价订单簿微观结构、霍克斯自激点过程与逆向选择毒流 · English

第二章 库存风险与最优做市:阿韦拉内达—斯托伊科夫方程

从信息到库存

第一章的做市商是风险中性的,她不在乎手里压了多少货,只在乎对方是否知情。真实的做市商还面对另一种风险:成交之后,她手上多了或少了一些资产,在把它们再卖出或买回之前,价格可能对她不利。何与斯托尔最早把这一点写成动态模型:做市商会降低(或提高)买卖两边的报价,以诱导与自己库存方向相反的成交 (Ho and Stoll 1981)。阿韦拉内达(Avellaneda)与斯托伊科夫(Stoikov)2008 年把这一思路放到一个限价订单簿的框架里,给出了直到今天仍被广泛引用的近似公式 (Avellaneda and Stoikov 2008)。

模型与保留价格

设中间价 StS_t 服从无漂移的布朗运动 dSt=σdWtdS_t = \sigma\,dW_t。做市商在 St−δbS_t – \delta^b 挂买单、在 St+δaS_t + \delta^a 挂卖单;距离中间价为 δ\delta 的报价被市价单吃掉的强度为

λ(δ)=Ae−kδ,\lambda(\delta) = A\,e^{-k\delta},

阿韦拉内达与斯托伊科夫用市价单规模的幂律分布与价格冲击的对数形式说明这一指数形式的来由。设现金为 XtX_t、库存为 qtq_t,做市商在 TT 时刻最大化指数效用 −E[exp⁡(−γ(XT+qTST))]-E[\exp(-\gamma(X_T + q_T S_T))],γ\gamma 是风险厌恶系数。

保留价格。 先看不挂单、只持有库存 qq 的做市商:她对「再多买一个单位」与「再多卖一个单位」无差异的价格分别为

rb=s−(1+2q)γσ2(T−t)2,ra=s+(1−2q)γσ2(T−t)2,r^b = s – \frac{(1 + 2q)\,\gamma\sigma^2(T-t)}{2}, \qquad r^a = s + \frac{(1 – 2q)\,\gamma\sigma^2(T-t)}{2},

二者的平均就是保留价格(无差异价格)

r(s,q,t)=s−qγσ2(T−t).r(s, q, t) = s – q\,\gamma\sigma^2(T – t).

持有正库存时,保留价格低于中间价,做市商愿意以较低的价格卖出;剩余时间越长、波动越大、越厌恶风险,偏移越大。作者框架中的这一公式核对无误。

最优价差。 把报价写成围绕 rr 的对称形式,代入哈密顿—雅可比—贝尔曼方程,把价值函数按库存的幂展开(原文第 22 式),并把订单到达项换成关于报价距离的一阶(线性)近似(第 26 式),得到与库存无关的总价差

δa+δb=γσ2(T−t)+2γln⁡(1+γk).\delta^a + \delta^b = \gamma\sigma^2(T – t) + \frac{2}{\gamma}\ln\!\left(1 + \frac{\gamma}{k}\right).

第二项在 γ→0\gamma \to 0 时趋于 2/k2/k,即风险中性做市商在指数到达强度下的最优价差;第一项是对库存风险的补偿。原文明确说明这是一个近似:若对订单到达项作二次近似,库存的二阶系数 θ2\theta_2 将满足一个非线性偏微分方程。所以作者框架中「推导最优挂单双边报价价差」应理解为「推导一个近似最优的价差」。

精确解:格扬、勒阿勒与费尔南德斯—塔皮亚

证据

格扬(Guéant)、勒阿勒(Lehalle)与费尔南德斯—塔皮亚(Fernandez-Tapia)在同一模型中加入库存上下限 |q|≤Q|q| \le Q,证明哈密顿—雅可比—贝尔曼方程可以通过变量替换化为线性常微分方程组 (Guéant et al. 2013)。记 a=kγσ2/2a = k\gamma\sigma^2/2,η=A(1+γ/k)−(1+k/γ)\eta = A(1+\gamma/k)^{-(1+k/\gamma)},则

v̇q(t)=aq2vq(t)−η(vq−1(t)+vq+1(t)),vq(T)=1,\dot v_q(t) = a q^2 v_q(t) – \eta\,\big(v_{q-1}(t) + v_{q+1}(t)\big), \qquad v_q(T) = 1,

(边界 q=±Qq = \pm Q 处只有一个相邻项),最优报价为

δb*(t,q)=1kln⁡vq(t)vq+1(t)+1γln⁡(1+γk),δa*(t,q)=1kln⁡vq(t)vq−1(t)+1γln⁡(1+γk).\delta^{b*}(t, q) = \frac1k\ln\frac{v_q(t)}{v_{q+1}(t)} + \frac1\gamma\ln\!\left(1+\frac\gamma k\right), \qquad \delta^{a*}(t, q) = \frac1k\ln\frac{v_q(t)}{v_{q-1}(t)} + \frac1\gamma\ln\!\left(1+\frac\gamma k\right).

他们还证明,离终点足够远时最优报价收敛到与时间无关的极限,并给出闭式近似

δ∞b*(q)≈1γln⁡(1+γk)+2q+12σ2γ2kA(1+γk)1+k/γ,\delta^{b*}_\infty(q) \approx \frac1\gamma\ln\!\left(1+\frac\gamma k\right) + \frac{2q+1}{2}\sqrt{\frac{\sigma^2\gamma}{2kA}\left(1+\frac\gamma k\right)^{1+k/\gamma}},

δ∞a*\delta^{a*}_\infty 把 2q+12q+1 换成 −(2q−1)-(2q-1)。他们指出,最优报价「除了在终点附近,相当稳定」,「肯定不是随时间线性递减」,与阿韦拉内达—斯托伊科夫的近似不同;后者随 T−tT – t 线性变化的部分因此只在 tt 接近 TT 时准确。

下面的程序用阿韦拉内达与斯托伊科夫自己模拟时用的参数(σ=2\sigma = 2,A=140A = 140,k=1.5k = 1.5,γ=0.1\gamma = 0.1),以四阶龙格—库塔法在剩余时间 τ=T−t\tau = T – t 上积分上述方程组(Q=30Q = 30),比较三种报价:近似公式(AS)、精确解(ODE)与长期闭式近似(GLFT)。

推导

# Optimal market-making quotes with exponential utility (risk aversion g), Brownian mid
# (volatility sig) and fill intensity A exp(-k delta). Three versions:
#  AS  - Avellaneda-Stoikov (2008) approximation: reservation price s - q g sig^2 (T-t),
#        total spread g sig^2 (T-t) + (2/g) ln(1 + g/k)
#  ODE - exact solution of Gueant, Lehalle & Fernandez-Tapia (2013) with |q| <= Q:
#        dv_q/dtau = -a q^2 v_q + eta (v_{q-1} + v_{q+1}),  v_q(tau=0) = 1,
#        delta_b = ln(v_q / v_{q+1}) / k + ln(1 + g/k) / g   (delta_a: v_{q-1})
#  GLFT- their large-horizon closed-form approximation.
# Parameters are the illustrative ones of Avellaneda & Stoikov's simulations.
import math

SIG, A, K, G = 2.0, 140.0, 1.5, 0.1
a = K * G * SIG ** 2 / 2; eta = A * (1 + G / K) ** -(1 + K / G)
C = math.log(1 + G / K) / G

def solve(tau_end, Q=30, h=2e-4, keep=()):
    v = {q: 1.0 for q in range(-Q, Q + 1)}; out = {}; n = round(tau_end / h)
    def f(w):
        return {q: -a * q * q * w[q] + eta * (w.get(q - 1, 0.0) + w.get(q + 1, 0.0))
                for q in w}
    for i in range(1, n + 1):                                    # RK4 in tau = T - t
        k1 = f(v); k2 = f({q: v[q] + h / 2 * k1[q] for q in v})
        k3 = f({q: v[q] + h / 2 * k2[q] for q in v})
        k4 = f({q: v[q] + h * k3[q] for q in v})
        v = {q: v[q] + h / 6 * (k1[q] + 2 * k2[q] + 2 * k3[q] + k4[q]) for q in v}
        m = max(v.values()); v = {q: x / m for q, x in v.items()}  # only ratios matter
        if any(abs(i * h - t) < h / 2 for t in keep):
            out[round(i * h, 6)] = dict(v)
    return out

def ode_quotes(v, q):
    return (math.log(v[q] / v[q + 1]) / K + C, math.log(v[q] / v[q - 1]) / K + C)

def as_quotes(q, tau):
    half = (G * SIG ** 2 * tau + 2 * C) / 2; r = -q * G * SIG ** 2 * tau
    return half - r, half + r                                    # (delta_b, delta_a)

def glft_quotes(q):
    w = math.sqrt(SIG ** 2 * G / (2 * K * A) * (1 + G / K) ** (1 + K / G))
    return C + (2 * q + 1) / 2 * w, C - (2 * q - 1) / 2 * w

if __name__ == "__main__":
    taus = (0.1, 1.0, 5.0)
    sol = solve(5.0, keep=taus)
    print(f"sigma {SIG}, A {A}, k {K}, gamma {G}; (1/g)ln(1+g/k) = {C:.4f}; Q = 30")
    for tau in taus:
        v = sol[tau]
        print(f"T - t = {tau}:   q   bid / ask distance from mid    total spread")
        print("              AS              exact (ODE)      GLFT approx    AS   ODE")
        for q in (-4, -2, 0, 2, 4):
            ab, aa = as_quotes(q, tau); ob, oa = ode_quotes(v, q); gb, ga = glft_quotes(q)
            print(f"      {q:+d}  {ab:6.3f} {aa:6.3f}    {ob:6.3f} {oa:6.3f}    {gb:6.3f}"
                  f" {ga:6.3f}   {ab + aa:5.2f} {ob + oa:5.2f}")
    print("reservation-price shift for q = +1 (AS: -g sig^2 (T-t); ODE: (d_a - d_b)/2):")
    for tau in taus:
        ob, oa = ode_quotes(sol[tau], 1); ab, aa = as_quotes(1, tau)
        print(f"   T - t = {tau}:  AS {(aa - ab) / 2:+.3f}   exact {(oa - ob) / 2:+.3f}")
# sigma 2.0, A 140.0, k 1.5, gamma 0.1; (1/g)ln(1+g/k) = 0.6454; Q = 30
# T - t = 0.1:   q   bid / ask distance from mid    total spread
#               AS              exact (ODE)      GLFT approx    AS   ODE
#       -4   0.505  0.825     0.528  0.797     0.464  0.878    1.33  1.32
#       -2   0.585  0.745     0.595  0.730     0.568  0.775    1.33  1.32
#       +0   0.665  0.665     0.662  0.662     0.671  0.671    1.33  1.32
#       +2   0.745  0.585     0.730  0.595     0.775  0.568    1.33  1.32
#       +4   0.825  0.505     0.797  0.528     0.878  0.464    1.33  1.32
# T - t = 1.0:   q   bid / ask distance from mid    total spread
#               AS              exact (ODE)      GLFT approx    AS   ODE
#       -4  -0.755  2.445     0.462  0.880     0.464  0.878    1.69  1.34
#       -2   0.045  1.645     0.567  0.776     0.568  0.775    1.69  1.34
#       +0   0.845  0.845     0.672  0.672     0.671  0.671    1.69  1.34
#       +2   1.645  0.045     0.776  0.567     0.775  0.568    1.69  1.34
#       +4   2.445 -0.755     0.880  0.462     0.878  0.464    1.69  1.34
# T - t = 5.0:   q   bid / ask distance from mid    total spread
#               AS              exact (ODE)      GLFT approx    AS   ODE
#       -4  -6.355  9.645     0.462  0.880     0.464  0.878    3.29  1.34
#       -2  -2.355  5.645     0.567  0.776     0.568  0.775    3.29  1.34
#       +0   1.645  1.645     0.672  0.672     0.671  0.671    3.29  1.34
#       +2   5.645 -2.355     0.776  0.567     0.775  0.568    3.29  1.34
#       +4   9.645 -6.355     0.880  0.462     0.878  0.464    3.29  1.34
# reservation-price shift for q = +1 (AS: -g sig^2 (T-t); ODE: (d_a - d_b)/2):
#    T - t = 0.1:  AS -0.040   exact -0.034
#    T - t = 1.0:  AS -0.400   exact -0.052
#    T - t = 5.0:  AS -2.000   exact -0.052

剩余时间 0.1 时,三种报价相差无几(库存为 0 时 0.665、0.662 与 0.671):近似公式在终点附近是准确的。剩余时间为 1 时,精确解已经几乎与长期闭式近似重合(差别在千分之二以内),总价差 1.34;近似公式的总价差却是 1.69,库存为 ±4 时一侧报价甚至为负(−0.755,意味着越过中间价挂单)。剩余时间为 5 时,近似公式的价差为 3.29、一侧报价 9.645,精确解与剩余时间为 1 时完全相同。最后几行是库存为 1 时的保留价格偏移:近似公式为 −γσ2(T−t)-\gamma\sigma^2(T-t),从 −0.040 线性增大到 −2.000;精确解在 −0.052 处饱和。图 2 把这一差别画了出来。

左:库存不同时的买价距离(与中间价之差)。虚线为阿韦拉内达—斯托伊科夫近似公式(剩余时间 0.1 与 1),实线为格扬等人的精确解。右:库存为 1 时保留价格的偏移随剩余时间的变化(参数同阿韦拉内达与斯托伊科夫的模拟,示意)。

重做原文的模拟

阿韦拉内达与斯托伊科夫用模拟比较了两种策略:按上述公式报价的「库存策略」,以及围绕中间价对称报价、价差与库存策略平均价差相同的「对称策略」。设定为 s0=100s_0 = 100、T=1T = 1、σ=2\sigma = 2、dt=0.005dt = 0.005、A=140A = 140、k=1.5k = 1.5,中间价每步以 1/2 概率上移或下移 σdt\sigma\sqrt{dt},每个 γ\gamma 模拟 1,000 次。

证据

据作者网站公开的论文版本,原文的结果为:γ=0.1\gamma = 0.1 时,库存策略平均利润 65.0、标准差 6.6,期末库存标准差 2.9;对称策略为 68.4、12.7 与 8.4。γ=0.01\gamma = 0.01 时,两者为 68.6、8.7 与 68.8、12.8。γ=1\gamma = 1 时,库存策略 31.4、5.0,对称策略 44.0、11.0 (Avellaneda and Stoikov 2008)。原文的结论是:库存策略以略低的平均利润换来了小得多的利润方差;γ=1\gamma = 1 时其利润明显低于对称策略。

下面的程序按同样的设定重做这一模拟,并加入第三种策略:按精确解(ODE)报价。三种策略在同一会话中使用同一组随机数。

推导

# Re-running the simulation design of Avellaneda & Stoikov (2008): s0 = 100, T = 1,
# sigma = 2, dt = 0.005, A = 140, k = 1.5; the mid moves +-sigma sqrt(dt) each step, a
# quote at distance delta is filled with probability A exp(-k delta) dt. Strategies:
#  inventory - AS quotes around the reservation price s - q g sig^2 (T - t)
#  symmetric - quotes symmetric about the mid; spread = inventory strategy's mean spread
#  exact     - quotes from the exact ODE solution (Gueant et al. 2013, |q| <= 30)
# 1,000 sessions per row, common random numbers across strategies within a session.
import math, random, statistics

S0, T, SIG, DT, A, K = 100.0, 1.0, 2.0, 0.005, 140.0, 1.5
NSTEP = round(T / DT)

def exact_table(g, Q=30, sub=25):
    a = K * g * SIG ** 2 / 2; eta = A * (1 + g / K) ** -(1 + K / g)
    c = math.log(1 + g / K) / g; h = DT / sub; v = [1.0] * (2 * Q + 1); tab = [None]
    def f(w):
        return [-a * (i - Q) ** 2 * w[i] + eta * ((w[i - 1] if i else 0.0)
                + (w[i + 1] if i < 2 * Q else 0.0)) for i in range(2 * Q + 1)]
    for _ in range(NSTEP):                                    # tab[j]: tau = j * DT
        for _ in range(sub):
            k1 = f(v); k2 = f([x + h / 2 * y for x, y in zip(v, k1)])
            k3 = f([x + h / 2 * y for x, y in zip(v, k2)])
            k4 = f([x + h * y for x, y in zip(v, k3)])
            v = [x + h / 6 * (p + 2 * q + 2 * r + s)
                 for x, p, q, r, s in zip(v, k1, k2, k3, k4)]
            m = max(v); v = [x / m for x in v]
        tab.append({q: (math.log(v[q + Q] / v[q + Q + 1]) / K + c if q < Q else 99.0,
                        math.log(v[q + Q] / v[q + Q - 1]) / K + c if q > -Q else 99.0)
                    for q in range(-Q, Q + 1)})
    return tab

def run(g, kind, seed, half=None, tab=None):
    rng = random.Random(seed); s, x, q, spreads = S0, 0.0, 0, []
    for j in range(NSTEP):
        tau = T - j * DT
        if kind == "inventory":
            r = s - q * g * SIG ** 2 * tau
            sp = g * SIG ** 2 * tau + 2 / g * math.log(1 + g / K)
            bid, ask = r - sp / 2, r + sp / 2
        elif kind == "symmetric":
            bid, ask = s - half, s + half
        else:
            db, da = tab[NSTEP - j][max(-30, min(30, q))]
            bid, ask = s - db, s + da
        spreads.append(ask - bid)
        u1, u2, u3 = rng.random(), rng.random(), rng.random()
        if u1 < A * math.exp(-K * (ask - s)) * DT:
            q -= 1; x += ask
        if u2 < A * math.exp(-K * (s - bid)) * DT:
            q += 1; x -= bid
        s += SIG * math.sqrt(DT) * (1 if u3 < 0.5 else -1)
    return x + q * s, q, statistics.fmean(spreads)

if __name__ == "__main__":
    print("gamma  strategy   mean spread  profit  sd(profit)  final q  sd(q)  profit/sd")
    for g in (0.01, 0.1, 1.0):
        inv = [run(g, "inventory", sd) for sd in range(1000)]
        half = statistics.fmean(r[2] for r in inv) / 2; tab = exact_table(g)
        rows = {"inventory": inv,
                "symmetric": [run(g, "symmetric", sd, half=half) for sd in range(1000)],
                "exact ODE": [run(g, "exact", sd, tab=tab) for sd in range(1000)]}
        for name, rs in rows.items():
            p = [r[0] for r in rs]; qq = [r[1] for r in rs]
            m, sd = statistics.fmean(p), statistics.stdev(p)
            print(f" {g:<5} {name:10s}  {statistics.fmean(r[2] for r in rs):6.2f}  "
                  f"  {m:6.1f}   {sd:6.1f}    {statistics.fmean(qq):+6.2f}"
                  f"  {statistics.stdev(qq):5.1f}   {m / sd:6.1f}")
# gamma  strategy   mean spread  profit  sd(profit)  final q  sd(q)  profit/sd
#  0.01  inventory     1.35      68.6      9.3     -0.03    5.3      7.4
#  0.01  symmetric     1.35      69.2     14.5     +0.07    9.0      4.8
#  0.01  exact ODE     1.34      68.8     10.2     +0.01    5.6      6.8
#  0.1   inventory     1.49      64.8      6.5     +0.07    2.9      9.9
#  0.1   symmetric     1.49      68.6     14.3     +0.01    8.8      4.8
#  0.1   exact ODE     1.34      67.9      7.3     +0.04    3.0      9.2
#  1.0   inventory     3.03      31.2      4.8     -0.03    1.6      6.5
#  1.0   symmetric     3.03      44.0     10.8     -0.07    5.2      4.1
#  1.0   exact ODE     1.21      63.9      5.6     -0.02    1.6     11.4

前两种策略的结果与原文接近:γ=0.1\gamma = 0.1 时库存策略为 64.8 与 6.5(原文 65.0 与 6.6),对称策略为 68.6 与 14.3(原文 68.4 与 12.7);γ=1\gamma = 1 时为 31.2、4.8 与 44.0、10.8(原文 31.4、5.0 与 44.0、11.0)。对称策略的标准差比原文略高,可能来自实现细节(例如同一步中两侧成交的先后顺序),不影响结论。

第三种策略说明了近似的代价。γ=1\gamma = 1 时,近似公式的平均价差为 3.03,精确解只有 1.21;精确解的平均利润为 63.9、标准差 5.6,利润与标准差之比为 11.4,而近似公式的库存策略只有 31.2、4.8 与 6.5。也就是说,原文中「库存策略在 γ=1\gamma = 1 时利润明显较低」的结论,很大程度上是近似公式在 T−tT – t 较大时把价差放得过宽造成的,不是控制库存本身的代价。γ=0.1\gamma = 0.1 时精确解的平均利润也更高(67.9 对 64.8),但利润标准差略高(7.3 对 6.5),利润与标准差之比反而略低(9.2 对 9.9)。这提醒我们:精确解最大化的是期望指数效用,不是利润与标准差之比;用哪一个指标评价策略,本身是一个需要事先写明的选择(第八章)。

模型的界限

注

这个模型里没有逆向选择。 中间价是外生的布朗运动,成交只取决于报价离中间价的距离,与之后价格怎样走无关;所以第一章那种「被知情者吃单」的损失在这里不存在,库存风险只来自无方向的波动。真实的做市商同时面对两种风险,而且二者相互作用:知情者的单子正好让做市商积累「错误方向」的库存。此外,指数到达强度、常数参数、单一资产与连续报价都是假设;卡特亚、扎伊蒙加尔与佩纳尔瓦以及格扬的专著讨论了加入漂移、逆向选择、订单簿形状与多资产的推广 (Cartea et al. 2015; Guéant 2016)。第八章的试点环境在阿韦拉内达—斯托伊科夫的模型中加入「毒性脉冲」,正是为了检验库存控制能否部分抵御逆向选择。

证据

门克维尔德研究了一家在欧洲两个市场(老牌交易所与一家新进入的平台)同时做市的高频交易商:它在老牌市场参与 8.1% 的成交、在新平台参与 64.4%,五分之四的成交是被动成交(它的报价被别人吃掉);它在库存上亏损,在买卖价差上盈利;其夏普比率对资本成本的假设非常敏感 (Menkveld 2013)。这与本章模型的分解一致:价差收入与库存损益是两个可以分开度量的部分(第八章的核查表第三步就是这样做的)。

假说 · 尚未验证 · 库存偏置报价的防御作用

作者的假说(尚未确立): 在混入短暂、单边的知情订单流(「毒性脉冲」)时,按库存偏置报价的做市策略(阿韦拉内达—斯托伊科夫式)比固定对称报价的策略有更高的跨会话夏普比率,原因是偏置报价减慢了错误方向库存的积累。什么样的结果能证明它是错的: 在第八章预注册的独立模拟撮合实验中,夏普比率之差的置信区间包含零或为负。

本章小结

阿韦拉内达—斯托伊科夫的保留价格 s−qγσ2(T−t)s – q\gamma\sigma^2(T-t) 与总价差公式核对无误,但价差公式依赖指数到达强度、按库存的展开与对订单到达项的一阶近似。格扬等人的精确解显示,最优报价在远离终点时几乎与时间无关;在原文参数下,剩余时间为 1 时近似公式已把库存为 1 的保留价格偏移高估约八倍(−0.400 对 −0.052)。重做原文模拟得到与原文接近的结果;按精确解报价时,γ=1\gamma = 1 的平均利润从 31.2 升到 63.9。模型中没有逆向选择,这是第八章实验设计的出发点。

参考文献

Avellaneda, Marco, and Sasha Stoikov. 2008. “High-Frequency Trading in a Limit Order Book.” Quantitative Finance 8 (3): 217–24. https://doi.org/10.1080/14697680701381228.
Cartea, Álvaro, Sebastian Jaimungal, and José Penalva. 2015. Algorithmic and High-Frequency Trading. Cambridge University Press.
Guéant, Olivier. 2016. The Financial Mathematics of Market Liquidity: From Optimal Execution to Market Making. Chapman; Hall/CRC.
Guéant, Olivier, Charles-Albert Lehalle, and Joaquin Fernandez-Tapia. 2013. “Dealing with the Inventory Risk: A Solution to the Market Making Problem.” Mathematics and Financial Economics 7 (4): 477–507. https://doi.org/10.1007/s11579-012-0087-0.
Ho, Thomas, and Hans R. Stoll. 1981. “Optimal Dealer Pricing Under Transactions and Return Uncertainty.” Journal of Financial Economics 9 (1): 47–73.
Menkveld, Albert J. 2013. “High Frequency Trading and the New Market Makers.” Journal of Financial Markets 16 (4): 712–40. https://doi.org/10.1016/j.finmar.2013.06.006.

Fan, Y. (2026). High-Frequency Limit Order Book Microstructure, Hawkes Self-Exciting Point Processes and Adverse-Selection Flow Toxicity: From the Avellaneda–Stoikov Market-Making Equations to VPIN, Read Beside Classical Chinese Thought on Market Equilibrium [高频限价订单簿微观结构、霍克斯自激点过程与逆向选择毒流] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23828065 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).