成交越多越亏：

做过做市的人大多都有过同一种经历：
你把阈值放低一点、把挂单贴近一点、把撤单宽松一点，成交立刻变多；但是如果你还贪心，想继续增加交易量，就会发现随着交易量增加，平均每笔收益变差，越亏越多，越做越像在给市场交“隐形税”。
这和对手方的Taker手续费、Tick精度占比密切相关，也就是对手盘的手续费越高，Tick精度越大，趋势发动的成本就会越高，你要赚的Spread就要越大。

这是一种结构性的两难：Fill Probability 上去了，Post-Fill Return 往往更差。
最直觉、也最常见的解决办法当然是“提高成交难度”：挂得更远、价差更大、撤得更快。问题在于这等于默认接受了“要赚钱就得少成交”，把做市变成一种保守的被动生意。

除了“提高成交难度”之外，还有没有更好的做法？
有。但前提是，你得需要认识到这件事的本质不是“成交多少”，而是你在跟谁成交——也就是做市里绕不开的四个字：逆向选择。

1. 逆向选择：老生常谈，但永远是重中之重

逆向选择说得直白一点：在信息不对称的市场里，吃你单的人往往更“有消息”、更“快”、更“确定”。你一成交，价格反而顺着对手方向继续走，你吃到的那点 spread 很快就被更差的 markout 吃回去，甚至倒贴，你成了“接盘侠”。

也正因为如此，大部分做市策略无论显式还是隐式，本质都在做同一件事：尽量少吃有毒成交。

在我们的尝试下，在某交易所，用RFI挂单（新出的一种订单形式，只和个人玩家成交，不与Api订单成交），不需要增加任何alpha，无脑挂单就能稳定赚钱

为什么会这样？

1. API订单，都是专业玩家，有编程的基础，自带Alpha，大部分都是有毒订单
2. 个人玩家，二八定律，20%的人赚钱，80%亏钱，说白了就是韭菜

2. “成交困境”不是感觉：在真实做市里，它可以被量化

一篇很有代表性的实盘工作《The Market Maker’s Dilemma: Navigating the Fill Probability vs. Post-Fill Returns Trade-Off》直接把这件事摊开讲：作者在币安 BTC 永续上做了真实的做市实验，用最朴素的 maker 基线去量化这个 trade-off。

他们的做法很简单：

• 先当一周“傻瓜做市商”：永远挂在最优 bid/ask，有仓位就平掉。
• 用本侧队列量、对侧队列量和盘口不平衡度等信息，拟合一个经验成交概率函数
  
• 然后在相同“队列条件”下统计：如果这类单被吃掉，接下来几秒钟的平均收益是多少。

结论非常干脆：成交越容易的区域，成交概率更高，但成交后的平均收益明显偏负；成交越困难的区域未必很好赚，但至少离 0 更近。

也就是说：

• 高成交率天然绑定更强的逆向选择
• 想“多成交”，本质就是往更“有毒”的区域走
• 真要盈利，你关注的应当是“哪些成交值得吃”，而不是“怎么让更多成交发生”

这就是做市里最常见的 KPI 陷阱：把成交当 KPI，你会被市场奖励“成交”；但市场不会奖励你“赚钱”。

3. 关键一手：在“高成交概率区域”里识别好坏成交

到这里，很多人会下意识走向一个结论：那就把单挂远点、少成交。
但这篇工作的真正价值在于，它告诉你：不是只能二选一。你可以把“多成交 vs 多赚钱”的矛盾，变成一个更可控的问题——

只在“高成交概率区域”里，学习区分“好成交 vs 有毒成交”。

它的核心是“先条件化，再分类”：

1. 用 $p_{\mathrm{fill}}$ 先缩小关注范围

   用上一步得到的 $p_{\mathrm{fill}}$，在每一笔订单提交时算一个估计成交概率：

   $\hat{p}{\mathrm{fill}} = p{\mathrm{fill}}(q{\mathrm{near}}, q{\mathrm{opp}}, I)$

   然后只保留那些满足 $\hat{p}_{\mathrm{fill}} \ge 0.8$ 的订单，得到一个“高成交概率子集”。
   这些单的含义是：从队列结构看，它们八成会被吃掉。

2. 在这个子集上重新定义“好 / 坏成交”

   对每一笔属于高成交概率子集的订单，看真实路径：

   • 若最终没成：记为 0；
   • 若成了，找到成交完成后，midprice 第一次变动的时刻，计算收益：
     • 若对做市商不利（价格继续沿对手方向走），记为 0；
     • 若对做市商有利（价格反向走），记为 1（reversal）。

这样，标签就不再是“会不会涨跌”，而是在一个本来就高成交概率、风险较大的状态下，这笔真实发生的成交，是“好成交”（1）还是“有毒成交 / 一般成交”（0）。

这一步剔除了大量“本来就成不了”的噪声样本，把模型训练任务聚焦在“如何在必成区域内识别好坏成交”这一件事上，更贴近做市的实际决策。

4. 模型和策略：不需要全能大脑，只要一层“过滤门”

在有了「高成交概率子集 + 好/坏标签」之后，作者才开始建模，这里他们也刻意保持简单：

• 特征：多时间尺度上的价格振幅、短期收益结构（自相关等）、成交频率与方向，外加顶档挂单量、深度分布、top-of-book 存活时间等标准 LOB 信息。
• 模型：Logistic 回归（方便看系数）和 Random Forest（做非线性对照和重要性分析）。

真正关键的是策略层怎么用。它不是推翻原有做市框架，而是在原框架上加一道“门”：

• 仍然沿用最简单的做市骨架：挂在最优 bid/ask、仓位 -1/0/+1、成一边补另一边。

• 每次准备挂单时：

  1. 先看 $\hat{p}_{\mathrm{fill}}$ 是否在高成交概率区
  2. 若是，再看 $P(\mathrm{rev} \mid x)$ 是否高于阈值
  3. 只有满足才允许挂单，否则就拒绝这笔潜在成交

一句话概括这层过滤器的角色：
它替你多问一句——“这笔几乎肯定会成的挂单，值不值得让我成交？”

效果也符合直觉：阈值提高后，每日成交次数减少，但单笔往返收益从负转正，整体 Sharpe 改善。
这不是“少做单就赚钱”，而是“少做坏单就赚钱”。

5. 回到开头的问题：除了提高成交难度，还能怎么做得更好？

“提高成交难度”本质是被动防守：把自己从危险区域撤出来。
而上述思路提供了一种更主动的路径：在危险区域里做精细化筛选——不靠“整体变保守”，而靠“有选择地拒绝”。

当然，过滤层不是唯一答案。把视野放宽一点，规避有毒订单的手段本来就是一套组合拳：配合预测偏移报价、缩短挂单有效期或在异常时及时撤单、在高风险时期收缩敞口、精挑细选下单时机……论文只是其中一种实现方式。

更现实的做法往往是叠加使用：

• 价差 / quote skew：决定你愿意在什么价格上见对手
• 时间与撤单规则：决定你暴露多久（行情延迟更是危险信号）
• 库存与下单量：决定你一次承担多大风险
• 过滤规则与模型：在关键场景下给你一票否决权

把它们串起来，其实就是一句最朴素的职业经验：
先认清成交背后的逆向选择，再学会对一部分成交说“不”。

结语：做市不是和数据做生意，而是和对手玩无限游戏

逆向选择是做市商的入门考题，也是所有老练交易者需要用整个职业生涯反复解答的终极命题。
因为你面对的不是固定规律，而是同样聪明、同样贪婪、同样会进化的对手。

所以，做市这门生意真正的“经验感”，从来不是“怎么成交更多”，而是：
当市场兴奋地把成交送到你面前时，你能不能冷静地分辨——
这到底是一笔利润，还是一口毒。