企业官网建设流程全解析

Nautilus Trader 网格做市策略（Grid Market Maker）深度指南：库存感知定价、几何网格与仓位风控

【免费下载链接】nautilus_traderProduction-grade Rust-native trading engine with deterministic event-driven architecture项目地址: https://gitcode.com/GitHub_Trending/na/nautilus_trader

网格做市（Grid Market Making）是加密货币与衍生品市场中最经典的流动性提供策略之一：围绕最新中间价对称挂出一组限价买单与卖单，通过价格波动反复成交赚取买卖价差。nautilus_trader 仓库在crates/trading中内置了生产级参考实现GridMarketMaker，它在传统网格基础上加入了库存感知偏斜（Avellaneda-Stoikov 启发）、最坏情况仓位投影与异步撤单保护等机制。读完本文，你将掌握该策略的完整下单流程、全部配置参数与调优方法，并能同时在 Rust 与 Python（v2）两条路径中将其接入LiveNode或BacktestEngine运行。

本文以 crates/trading/src/examples/strategies/grid_mm/README.md 为核心骨架，并结合同目录下的 strategy.rs、config.rs、tests.rs 源码与测试逐一展开印证。

策略概览

GridMarketMaker是一套库存感知（inventory-aware）的网格做市策略，核心设计目标有三：

1. 围绕中间价对称挂单：在每个 requote 周期内，按几何间隔在中间价两侧各生成num_levels档限价单（买、卖各num_levels档）。
2. 降低撤换单频率：已挂出的订单不会逐 tick 重建，只有当中间价相对上次挂单位置移动超过requote_threshold_bps阈值时才整体撤换，从而减少无谓的 cancel/replace 流量。
3. 抑制库存堆积：整张网格会按当前净持仓方向施加一个与仓位成比例的偏斜（skew），鼓励市场消化已有库存，而非单向越积越多。

策略通过DataActor接口订阅单个合约的QuoteTick行情流，所有状态（instrument、price_precision、last_quoted_mid、pending_self_cancels）都保存在策略实例内部，采用纯事件驱动方式响应行情与订单事件。

下单流程：一次 requote 的完整生命周期

几何网格定价公式

GridMarketMaker每次 requote 的订单生成逻辑集中在 strategy.rs 的grid_orders方法中。网格采用**几何间隔（geometric spacing）**而非等差间隔，即价格按指数递减/递增：

• 买入第 N 档：mid × (1 - grid_step_bps / 10000) ^ N - skew
• 卖出第 N 档：mid × (1 + grid_step_bps / 10000) ^ N - skew

其中grid_step_bps为网格间距（以中间价的基点计），10 bps = 0.1%。几何网格在高价位区间相邻档位间距更大、在低价位区间更密，天然契合价格百分比波动近似的市场特征，是网格做市的常见做法。

源码中对应实现为：

let pct = self.config.grid_step_bps as f64 / 10_000.0; for level in 1..=self.config.num_levels { let buy_f64 = mid_f64 * (1.0 - pct).powi(level as i32) - skew_f64; let sell_f64 = mid_f64 * (1.0 + pct).powi(level as i32) - skew_f64; let buy_price = instrument.next_bid_price(buy_f64, 0); let sell_price = instrument.next_ask_price(sell_f64, 0); // ... }

值得注意的是，计算出的裸价格并不会直接下单，而是经过instrument.next_bid_price/next_ask_price做tick 取整：

• 买入价向下取整到最近的有效买盘 tick（保证buy_price ≤ 理论价，对买方更有利、更易成交）；
• 卖出价向上取整到最近的有效卖盘 tick（保证sell_price ≥ 理论价）。

源码注释明确指出这一步是为了防止在 tick 间隔较粗的合约上出现自成交（self-cross）——若两侧都向下或向上取整，买价与卖价可能在窄网格下互相穿越。测试 tests.rs 中给出精确例证：mid=1000、grid_step_bps=100（1% 网格）时，三档买价为 990.00 / 980.10 / 970.29，三档卖价为 1010.00 / 1020.10 / 1030.31（970.299→970.29 向下取整、1030.301→1030.31 向上取整）。

requote 触发条件：阈值 + 空仓兜底

每个QuoteTick到达后，on_quote 首先从 bid/ask 计算中间价：

let mid_f64 = f64::midpoint(quote.bid_price.as_f64(), quote.ask_price.as_f64());

随后调用should_requote（strategy.rs）判断是否满足撤换条件——中间价相对last_quoted_mid的相对位移是否达到requote_threshold_bps：

let threshold = self.config.requote_threshold_bps as f64 / 10_000.0; (mid.as_f64() - last_f64).abs() / last_f64 >= threshold

另外还有一层空网格兜底：即使中间价仍在阈值内，只要当前既没有 resting（open）订单也没有 inflight（在途）订单，策略也会强制 requote（strategy.rs），避免出现"零挂单干等价格漂移"的僵局。测试 tests.rs 验证了阈值判定边界：5 bps 阈值下 mid 从 1000.00 移到 1000.30（0.03%）不 requote，移到 1000.50（0.05%）或 999.40（-0.06%）则 requote。

requote 的完整执行顺序（README 与源码一致）：

1. 计算最新 quote 的中间价；
2. 判断中间价自上次挂网以来是否移动超过requote_threshold_bps；
3. 撤销全部既有订单（cancel_all_orders）；
4. 按几何间距公式计算各档买/卖价（并做 tick 取整）；
5. 逐档校验max_position仓位上限（计入在途订单的最坏情况敞口）后才挂出。

库存偏斜（Inventory Skew）：Avellaneda-Stoikov 启发

网格不是永远对称的。为了抑制库存堆积，策略会根据当前净持仓对整张网格施加平移偏斜，公式为：

skew = skew_factor * net_position

当net_position > 0（持有净多头）时，skew > 0，此时：

• 卖出档价格 =mid × (1+pct)^N - skew，整体下移→ 卖价更贴近市场，更激进地出掉多头库存；
• 买入档价格 =mid × (1-pct)^N - skew，同样下移→ 买价离市场更远，不再继续追买。

净空头时则完全对称地反向作用。这一"偏斜方向与持仓相反、幅度与仓位成正比"的思路正是 Avellaneda-Stoikov 做市模型中库存风险控制的核心思想（README 与 mod.rs 的文档注释均明确标注 "Avellaneda-Stoikov inspired"）。

测试 tests.rs 给出精确数值例证：skew_factor=1.0、net_position=2.0时skew=2.0，mid=1000、5% 网格下单档买价 = 1000×0.95 − 2.0 =948.00，单档卖价 = 1000×1.05 − 2.0 =1048.00，整张网格整体下移 2 个价格单位。

仓位上限：基于最坏情况敞口的逐档校验

为什么必须用"最坏情况"

撤单是异步的：策略发起cancel_all_orders后，被撤订单在交易所确认之前仍可能成交。因此max_position的校验不能只看当前持仓，而必须把在途（pending）买单/卖单一并计入投影敞口。on_quote中通过缓存（cache）分别聚合：

• net_position：所有 open 仓位的带符号数量（signed_qty）之和，用于计算 skew；
• worst_long= 当前仓位 + 所有在途买单剩余数量（leaves_qty）；
• worst_short= 当前仓位 − 所有在途卖单剩余数量。

源码在聚合 open/inflight 订单时还对ClientOrderId做了去重（strategy.rs），因为订单在状态迁移过程中可能同时出现在 open 与 inflight 集合里，避免重复计仓。

逐档投影校验

grid_orders内逐档累加投影敞口（strategy.rs）：

if let Some(buy_price) = buy_price && projected_long + trade_size <= max_pos { orders.push((OrderSide::Buy, buy_price)); projected_long += trade_size; } if let Some(sell_price) = sell_price && projected_short - trade_size >= -max_pos { orders.push((OrderSide::Sell, sell_price)); projected_short -= trade_size; }

即：只有"当前投影多头 + 本档买单 ≤max_position"时才挂买档，只有"当前投影空头 − 本档卖单 ≥ −max_position"时才挂卖档，越界的档位直接跳过（skip）。max_position是双向硬顶（long 与 short 对称）。tests.rs 中用一组参数化测试完整覆盖了这些分支：

• 持仓 9.9、trade_size=0.1、max=10.0时，买档只放得下 1 档，卖档 3 档全放（tests.rs）；
• 持仓恰好等于max（10.0）时，买档全部被拦截（tests.rs）；
• max_position=0.15、trade_size=0.1时两侧各只能放 1 档（投影敞口跨档累加校验，tests.rs）；
• max_position=0.05小于单档trade_size=0.1时网格为空（tests.rs）。

还有一个容易被忽略的细节：当网格计算出来为空时，last_quoted_mid不会更新（strategy.rs），这样下一个 quote 仍会触发 requote 重试，策略不会因仓位限制而永久停滞。

订单生命周期与事件处理

策略不仅处理行情，还通过nautilus_strategy!宏注册了四个关键订单事件处理器（strategy.rs），核心逻辑围绕pending_self_cancels集合与last_quoted_mid锚点展开：

pending_self_cancels会在每次 requote 撤单前由on_quote填充（当on_cancel_resubmit=true时，见 strategy.rs）。on_cancel_resubmit的典型应用场景是 dYdX 这类协议会主动撤销短时订单的交易所：外部撤单事件到达后策略能感知到网格残缺并在下一根 quote 上自动重挂。

tests.rs 针对这一区分逻辑设计了多组边界测试（tests.rs），例如"自撤单不重置 mid → 后续协议撤单正常重置"、"订单在撤单确认前先成交，不影响后续协议撤单触发重挂"、"on_cancel_resubmit=false时任何撤单都不重置"等。

启动、停止与重置

DataActor生命周期回调（strategy.rs）：

• on_start：从缓存解析合约，缓存price_precision与min_quantity；若配置未显式给出trade_size，则回退为合约min_quantity（再退化为Quantity::new(1.0, size_precision)）；随后subscribe_quotes订阅行情。
• on_stop：cancel_all_orders撤掉全部订单、close_all_positions平掉全部仓位、unsubscribe_quotes退订行情，干净退出。
• on_reset：清空instrument、price_precision、last_quoted_mid、pending_self_cancels，并把trade_size还原为配置值（tests.rs 验证了重置后状态完整性）。

配置参数全解

README 中的参数表是配置的核心依据，下表在保留全部字段的基础上，补充了 config.rs 中 builder 默认值、python/examples.rs Python 绑定签名及init.pyi 的类型信息：

此外，Rust builder 默认注入基础策略配置（config.rs）：默认strategy_id = "GRID_MM-001"、order_id_tag = "001"（tests.rs 的test_config_defaults逐一断言了全部默认值）。

Python 构造器还额外暴露两个基础配置项（examples.rs）：

• strategy_id: StrategyId | None = None：自定义策略 ID；
• order_id_tag: str | None = None：订单 ID 标签；
• use_uuid_client_order_ids: bool = False/use_hyphens_in_client_order_ids: bool = True：客户端订单 ID 生成方式（部分交易所如 OKX 要求纯字母数字 clOrdId，需关闭连字符，见 examples/live/okx/exec_tester.py 的实际用法）。

下单时所有限价单均以post_only=true提交（strategy.rs），即只挂单不吃单，确保策略纯粹作为流动性提供者运行，同时避免与 taker 单竞争。

参数调优指南

README 给出了三组典型场景的调参建议，可归纳为以下决策框架：

• 窄价差、高成交量市场：grid_step_bps=5、num_levels=5、requote_threshold_bps=2。网格更密、撤换更灵敏，能捕捉更多 tick，但会产生更高的订单流量（对成交与撤换速度要求高）。
• 宽价差、低成交量市场：grid_step_bps=20、num_levels=3、requote_threshold_bps=10。放宽阈值减少对流动性差合约的无谓 requote，避免频繁撤换单带来的滑点与手续费损耗。
• 库存控制：从skew_factor=0.5起步，若策略持续累积方向性库存再逐步提高；同时把max_position设为可承受的最大敞口，配合投影校验杜绝超限。

调参时需理解三组参数的耦合关系：requote_threshold_bps决定"多久撤换一次"（影响订单流量），grid_step_bps × num_levels决定"网格覆盖的价格范围"（影响成交概率与库存累积速度），skew_factor × max_position决定"库存如何被抑制与封顶"（影响风险敞口）。expire_time_secs适合设置后自动清掉残单的场景（配合on_cancel_resubmit=true实现"过期自动重挂"闭环）。

Rust 用法

策略暴露在nautilus_trading::examples::strategies模块下（见 strategies/mod.rs 的 re-export），通过 builder 构造配置、GridMarketMaker::new实例化后注册到节点：

use nautilus_trading::examples::strategies::{GridMarketMaker, GridMarketMakerConfig}; let config = GridMarketMakerConfig::builder() .instrument_id(InstrumentId::from("BTC-USDT-SWAP.OKX")) .max_position(Quantity::from("10.0")) .trade_size(Quantity::from("0.1")) .num_levels(5) .grid_step_bps(15) .skew_factor(0.5) .requote_threshold_bps(5) .build(); let strategy = GridMarketMaker::new(config); node.add_strategy(strategy)?;

纯 Rust 路径不需要 Python 运行时：编写策略与main函数后用cargo build构建独立二进制，node.add_strategy(strategy)?注册后node.run().await?即可运行（参考 docs/concepts/rust.md 中的 Pure Rust 示例）。

Python 用法（v2）

Python 侧通过add_builtin_strategy把配置传给LiveNode或BacktestEngine（crates/live/src/python/node.rs 与 crates/backtest/src/python/engine.rs 均实现了同名方法）。Python 只负责提供配置，策略本体完全在 Rust 中运行——这是"single-source"设计：同一份 Rust 策略代码同时服务 Rust/Python 文档、示例与测试（见 docs/concepts/rust.md 的说明与内置策略注册表）。

from nautilus_trader.trading import GridMarketMakerConfig config = GridMarketMakerConfig( instrument_id=InstrumentId.from_str("BTC-USDT-SWAP.OKX"), max_position=Quantity.from_str("10.0"), trade_size=Quantity.from_str("0.1"), num_levels=5, grid_step_bps=15, skew_factor=0.5, requote_threshold_bps=5, ) node.add_builtin_strategy("GridMarketMaker", config)

add_builtin_strategy("GridMarketMaker", ...)的字符串类型名与GridMarketMakerConfig的对应关系记录在 docs/concepts/rust.md 的内置策略表中。需要注意的是：add_builtin_strategy是内置示例策略的注册通道，并非自定义原生策略的一等扩展路径——如需编写自己的原生策略，请走纯 Rust 路径（add_strategy）。Python 调用方若使用BacktestEngine，同样调用engine.add_builtin_strategy("GridMarketMaker", config)（crates/backtest/src/python/engine.rs）。

源码验证与测试覆盖

策略的正确性由一组完备的单元测试背书（tests.rs，使用rstest参数化框架，测试合约为crypto_perpetual_ethusdt桩）：

• 默认值：test_config_defaults断言 strategy_id、order_id_tag、trade_size=None、num_levels=3、grid_step_bps=10、skew_factor=0.0、requote_threshold_bps=5、expire_time_secs=None、on_cancel_resubmit=false；
• requote 阈值：无上次报价必 requote；阈值内不 requote；恰达阈值/越过阈值（正负方向）均 requote；
• 几何网格：平坦仓位下 1% 网格两侧各 3 档，价格精确到 tick（买档向下取整、卖档向上取整）；
• 库存偏斜：skew=2.0 时买/卖单档价格精确平移 2.0；
• 仓位限制：多头/空头越界拦截、全拦截、投影敞口跨档累加、全约束时空网格；
• 错误路径：instrument 未解析、price_precision 未解析时的错误信息断言；
• 撤单语义：自撤/协议撤/成交后撤/关重挂开关 四种组合下last_quoted_mid与pending_self_cancels的状态转移；
• 重置：on_reset后全部状态清空、trade_size 还原。

这些测试既验证了 README 描述的每一项行为，也明确了异常边界（如max_position < trade_size时返回空网格而非报错），可作为二次开发时理解语义的第一手材料。

小结

GridMarketMaker把网格做市从"简单对称挂单"推进到了"库存感知 + 最坏情况风控 + 异步撤单感知"的生产级形态：几何网格定价配合 tick 取整保证可成交性与无自成交，requote_threshold_bps抑制无谓撤换单流量，skew = skew_factor × net_position实现 Avellaneda-Stoikov 式库存管理，max_position投影校验覆盖在途订单。它同时是理解 nautilus_trader 事件驱动策略框架（DataActor、nautilus_strategy!宏、cache 查询）的优秀参考实现。上手路径清晰：Rust 侧 builder 构造 +add_strategy，Python 侧GridMarketMakerConfig+add_builtin_strategy("GridMarketMaker", config)，配置与调优完全对齐本文参数表。

【免费下载链接】nautilus_traderProduction-grade Rust-native trading engine with deterministic event-driven architecture项目地址: https://gitcode.com/GitHub_Trending/na/nautilus_trader