Grid Trading vs. Market Making de Avellaneda-Stoikov: Comparativa Matemática y Estructural (2026)

La base teórica de la creación óptima de mercado es el Precio de Reserva (Precio de Indiferencia)r(s, q, t), que representa el valor subjetivo del activo dado el inventario actualq:

r(s, q, t) = s - q \gamma \sigma^2 (T - t)

Dondeses el precio medio actual del mercado,qes la cantidad de inventario retenido (positivo largo, negativo para corto),\gammaes el coeficiente absoluto de aversión al riesgo del operador,\sigmaes la volatilidad de los activos y(T - t)representa el horizonte comercial restante. Observe la elegancia matemática intuitiva: si el bot es muy largo (q > 0), su precio de reservarcae por debajo del precio medio del mercadoq0___.< / p> < p>Los márgenes medios óptimos para ask (q1___) y bid (q2___) alrededor del precio de reserva se derivan como:

q3___

q4___

Dondeq5 _ _ _ es el parámetro de densidad de liquidez del libro de órdenes que rige la intensidad de llegada de órdenes. A medida que el inventarioq6 _ _ _ se expande, la cotización de la oferta se retira más profundamente en el libro, mientras que la cotización de la demanda se ajusta hacia el precio de mercado, incentivando el flujo de compradores entrantes para reducir el riesgo del balance del bot.< / p>

\Delta_{optimal} = \frac{2}{\gamma} \ln\left(1 + \frac{\gamma}{\kappa}\right) + \gamma \sigma^2 (T - t)< / p> < p>Este ajuste dinámico resuelve la vulnerabilidad principal de las cuadrículas estándar: llenarse repetidamente durante ráfagas de volatilidad a alta velocidad con márgenes de beneficio inadecuados para compensar la selección adversa.< / p>

Durante una prueba de estrés de 60 días sobre BTC / USDT y SOL / USDT en el laboratorio de pruebas Grid Bot Wars, nuestros investigadores enfrentaron un bot de cuadrícula aritmética estándar de 50 peldaños contra un motor de creación de mercado Avellaneda-Stoikov basado en Python.< / p> < p>Durante el corte lateral limitado al rango (días 1-28), la cuadrícula estática produjo un recuento bruto de llenado ligeramente mayor (1420 rellenos frente a 1180 rellenos) porque mantuvo cotizaciones ajustadas continuamente, compensando + 12,4% frente a AS + 10,8%.

Sin embargo, durante los días 29-35, cuando SOL sufrió una abrupta ruptura de la tendencia bajista del 24%, la red estática acumuló el 100% de su inventario largo a precios altos, lo que resultó en una reducción no realizada de -21.6%. El motor AS, al detectar la acumulación de inventario, amplió progresivamente sus cotizaciones de oferta y redujo drásticamente sus solicitudes, descargando el 65% de su posición larga durante retrocesos menores. Su reducción se limitó a < strong>-7.2%, terminando la prueba de 60 días con una relación de Sharpe de < strong>3.12 versus1.84 < /strong> para la cuadrícula estática.< / p>

1. < strong>Factor de Ponderación de inventario: < / strong> Calcular la relación de inventarioI_{ratio} = \frac{Q_{current} - Q_{target}}{Q_{max}}.< / li>
2. < strong>Sesgo dinámico de pasos: < / strong> En lugar de peldaños equidistantes, multiplique los tamaños de los pasos de compra por(1 + \alpha \cdot I_{ratio})y venda los tamaños de los pasos por(1 - \alpha \cdot I_{ratio})donde\alpha \approx 0.5.< / li>
3. < strong>Densidad asimétrica: A medida que el inventario largo suba por encima del 50% de su capacidad, cancele el 20% superior de las órdenes de límite de compra más bajas y reasigne ese margen a las órdenes de límite de venta restantes más cercanas al precio actual.
4. Escalado automatizado de volatilidad: < / strong> Vincule el espaciado de la cuadrícula directamente a los estimadores de volatilidad Parkinson o Garman-Klass en tiempo real en lugar de a las distancias estáticas de precios.< / li > < / ol>