为世界定价的算法

AI做市与量化交易的底层逻辑、历史演进与当代启示——兼论个人交易、企业套期保值与人的全面发展

目录

引言：那个让全世界重新计算“报价”的数学博士1

一、出处与缘由：643亿元从何而来2

1.1 新闻出处与事实核查：一条热搜背后的硬数字2

1.2 缘由与底层逻辑：为什么“赚差价”能赚成世界级4

1.3 意义与目的：这件事为什么值得写成一篇文章5

二、含义与理论框架：把“做市”放进显微镜6

2.1 核心概念界定：先给名词一个准谱6

2.2 市场微观结构的理论框架：从存货到信息再到机器学习7

2.3 各要素的辩证关系：速度、信息、风险与体系的耦合8

三、关联概念辨析：一场跨域的概念对谈9

3.1 做市、自营、高频与统计套利：谁在赚谁的钱9

3.2 传统量化与AI量化：从因子到特征10

3.3 做市与投资：过路费生意与股权生意的分野11

3.4 跨市场变体：外汇、股票、期货与加密市场里的做市11

3.5 与“有效市场假说”“自适应市场假说”的对话11

四、历史演进与经典案例：四百年报价史的正反面12

4.1 前电子时代：从阿姆斯特丹到纽约专家经纪商12

4.2 电子化与监管重构：1971—200513

4.3 算法与AI时代：2005年至今13

4.4 中国市场的本土演进：从红马甲到做市商制度14

五、现实意义、边界局限与SWOT15

5.1 现实意义与核心启示15

5.2 边界与局限16

5.3 SWOT分析：给AI做市画一张全景图17

5.4 超越与创新之法：如何突破边界17

六、践行之道：从认知升级到干中学18

6.1 个人认知的四层脚手架18

6.2 干中学、学以致用、知行合一18

6.3 普通人可走的“小XTX”路径19

6.4 规避与改进：AI交易的防身术19

七、身心健康：交易者的四大支柱20

7.1 饮食：把血糖曲线当成另一条“资金曲线”20

7.2 运动：给久坐的交易生涯装上“止损线”20

7.3 睡眠：交易决策质量的“底层操作系统”21

7.4 情绪：给心理装一套“风控熔断系统”21

八、对个人交易者的意义与期货交易员实操22

8.1 对外汇、股票、期货等个人交易者的意义22

8.2 期货交易员切实践行的详细方法步骤23

九、企业套期保值：从理论到账户利润24

9.1 套期保值的原理与会计逻辑：先想清楚“保什么”24

9.2 外汇套保的实操落地：把汇率波动变成“可预算的成本”25

9.3 商品期货套保的实操落地：从“看天吃饭”到“锁价经营”26

9.4 真实企业案例深度解析：用别人的学费与红利照亮自己的路26

9.5 如何让套保真正降本增效：组织、制度与考核三位一体29

9.6 把套保思路转化为企业真实账户利润：操作细节清单29

十、家庭与人生：育儿、孝亲与安度晚年30

10.1 如何成为更好的父母：先修自己，再修孩子30

10.2 更新认知、与子女共同进步：做终身学习的“同学”31

10.3 子女如何与父母更好相处：理解、沟通与“孝而不顺”31

10.4 养儿育女带娃与亲子教育：把日常过成课程32

10.5 育儿成才与家国情怀：从“小我”到“大我”32

10.6 安度晚年：把人生下半场当作“长期组合”来管理33

十一、总结与展望33

11.1 总结：一条主线、三个判断、一份答卷33

11.2 展望：算法时代的三个“下一步”34

附录：术语与关键概念释义34

参考文献36

引言：那个让全世界重新计算“报价”的数学博士

故事得从一条手机推送说起。2026年10月，一个普普通通的上午，你的新闻客户端弹出一条消息：据《星期日泰晤士报》最新发布的2026英国富豪榜，46岁的俄裔数学博士亚历克斯·格尔科（Alex Gerko）位列第八，总资产超过160亿英镑，约合人民币1417亿元；过去一年，他的财富暴涨72.61亿英镑，约合643亿元人民币，平均每天进账大约1.7亿元。

你可能会放下咖啡杯，问出三个问题：这人是谁？他凭什么？以及最扎心的那个——同样是人，凭什么他的一天顶我一辈子？

他叫格尔科，1979年出生在莫斯科，二十岁出头就在莫斯科国立大学拿下数学博士学位，研究方向是交换代数与同调维数。我猜你听到这两个词就想打瞌睡，这很正常，因为这两个词的主业就是让外行昏昏欲睡；可恰恰是这种“让外行想睡觉、让同行想膜拜”的抽象训练，后来成了他给全球5.3万余种金融工具实时定价的底层肌肉。

拿到博士学位之后，他还去俄罗斯新经济学院读了经济学硕士，2004年进了德意志银行，做股票和外汇领域的量化研究，随后又在一家名为GSA Capital的伦敦对冲基金打磨了多年。从2004年到2015年，他在投行和对冲基金的后台、中台、前台摸爬滚打了整整十一年，把“书本数学”翻译成“市场语言”；2015年1月，他在伦敦创办了自己的公司，取名XTX Markets。

XTX是一家什么样的公司呢？一句话：一家没有销售部、没有客户经理、连官网都像大学实验室主页的算法交易公司。全公司大约300名员工，其中一多半是数学家、物理学家、程序员和机器学习研究员；它每天在全球35个国家、超过5.3万种金融工具上，用机器学习模型实时预测价格，持续挂出买价和卖价，靠一买一卖之间的微小价差累积利润。

日均2500亿美元的交易额是什么概念？我给你算笔账：那大约相当于A股一个特别热闹的交易日全市场的成交规模。A股这一天是几千家上市公司、上亿投资者、几百家券商一起干出来的；而XTX这边，是300个人外加2.5万块GPU干出来的。

为了把算力握在自己手里，这家公司正在芬兰的卡亚尼修建一个耗资约10亿欧元的超大规模数据中心园区，占地478英亩，规划五座设施，理由是那里电价便宜、天气寒冷、靠近北欧水电。别人建厂是造汽车、造芯片，格尔科建厂，是造“报价”。

2025年，XTX对外披露的收入约为52亿美元，利润约为23亿美元；据多家外媒报道，格尔科当年从公司拿走了创纪录的8.95亿英镑分红。把时间的镜头拉回到2026年的富豪榜，于是就有了开头那串让无数人失眠的数字。

这里我要先泼一盆冷水，替所有想靠“抄作业”发财的朋友醒醒脑：格尔科的财富，严格来说不是“炒”出来的。你要是把做市理解成炒股，那就好比把开收费站理解成开车；人家不赌方向，人家收过路费。这正是本文要讲清楚的第一件事，也是整篇论文的发动机。

接下来的篇幅，我会沿着一条从“出处”到“践行”的完整链条走下去：643亿元的出处与缘由，做市与量化的理论框架，相关概念的辨析，四百年做市史的正反案例，现实意义与边界局限，个人如何认知升级、如何把“干中学”落到实处，交易员如何保重身体，期货交易员如何一步步上手，企业如何把套期保值做成真实的账户利润，以及这套思维如何反哺家庭、育儿与晚年——最后是总结与展望。

你可能会嘀咕：一篇讲AI金融的论文，怎么还扯上吃饭睡觉、养儿育女？别急，我保证你读到第九章和第十章时会明白：定价世界的算法和经营人生的算法，用的是同一套底层逻辑。现在，请跟着我，从一个数学博士的账本开始。

一、出处与缘由：643亿元从何而来

1.1 新闻出处与事实核查：一条热搜背后的硬数字

1.1.1 富豪榜上的“数学家”

这一轮舆论的源头，是《星期日泰晤士报》发布的2026年英国富豪榜，随后被财联社、证券时报等国内媒体援引传播。榜单给出的口径很具体：格尔科总资产160.06亿英镑，约合1417亿元人民币，位列全英第八；过去一年财富增加72.61亿英镑，约合643亿元人民币，平均每天增值约1.76亿元。

需要提醒读者的是，富豪榜的财富数字本质上是“估值”，不是银行对账单，它由媒体根据持股比例、公司业绩、公开披露和同业估值推算而来，存在口径差异和时滞；但即便打个对折，一个靠算法做市起家的数学家跻身一国财富前十，这件事本身就已经足够说明问题。

再往下一层看，财富的来源也基本透明：格尔科持有XTX约75%的股份，公司没有引入外部投资者，也没有上市；公司2025年对外披露的收入约52亿美元、利润约23亿美元，2025年派发股息约18亿英镑，其中格尔科个人的分红据外媒报道达到创纪录的8.95亿英镑。换言之，这是一台“利润机器”对单一所有者的直接反馈，中间没有基金、没有股东会、没有层层抽成。

1.1.2 XTX Markets：没有销售员、没有交易员工牌的公司

这家公司最反常识的地方，在于它的“人设”：它既不是我们想象中那种交易大厅里红马甲乱跑、电话此起彼伏的投行，也不是互联网公司那种靠流量变现的平台，而更像一个昼夜运转的、自带资金的研究所。根据XTX官网及历年公开披露，其关键经营指标可以汇总如下（见表1）。

表1XTX Markets关键经营指标（数据来源：XTX官网及公开披露）

表1至少说明三件事。第一，这家公司的“产量”是流动性，不是某种看得见的商品，它每天在全球约35个国家和超过5.3万种金融工具上同时运转；第二，它的“产能”来自算力与数据，官网披露研究集群拥有超过2.5万块GPU、可用存储超过1EB（约合1000PB），并且还在芬兰建设大规模数据中心以锁定算力与电力；第三，它的“人效”高得惊人，约300名员工支撑日均约2500亿美元的交易额，人均利润据估算达到数百万美元量级，远超传统金融机构。

如果把这家公司拆开看，它的组织形态可以概括为“研究加工程加交易基础设施”三块拼图：数学、物理和机器学习背景的研究者负责改进定价模型，系统工程师负责保证微秒级执行与数据质量，风控团队负责限额设定与模型失效熔断；整条交易主链路几乎是全自动的，从读取行情、计算特征与预测、生成报价、风控校验，到下单对冲与仓位管理，人并不盯每一笔交易，人只研究模型、数据管道、低延迟执行与风险规则。

1.2 缘由与底层逻辑：为什么“赚差价”能赚成世界级

1.2.1 做市生意的本质：卖“即时成交”这门服务

要理解643亿元的由来，必须先忘掉“炒股”这个框架。股票投资者赚的是价格方向的钱：低买高卖、押注公司成长；做市商赚的是“服务”的钱：无论价格涨跌，只要有人想买、有人想卖，做市商就同时挂出买价与卖价，成交之后赚取两者之间的价差，行话叫买卖价差。

说得再白一点，做市商像是市场的“收费站”：他不生产商品，不预测天气，他只负责保证“你随时想交易，都有人接单”，然后对这份确定性收一点服务费。价差看着很小，股票上往往只有几个基点的量级，但乘以海量成交笔数、乘以一年两三百个交易日，就是一台吞金巨兽。

格尔科把这件事做到了极致：他的系统扫描全球多市场、多品种，捕捉同一资产在不同交易场所的微小价差，捕捉外汇交叉盘、股票与期货和ETF之间的统计偏离，捕捉短期供需失衡造成的错误定价，然后以极快的速度完成对冲；本质上是微观定价加极速对冲，依靠海量高频、低边际的定价优势日积月累。这不是某一次押对方向的暴富，而是每天把“过路费”收一遍的复利。

1.2.2 小团队与大机器：算力如何变成“劳动力”

AI真正带来的变化，是让一个极小团队拥有了巨大的业务处理能力。过去，一家交易公司的瓶颈是资深交易员的带宽：一个交易员一天能看的行情、能下的单、能管理的敞口都是有限的，公司规模必须跟着人头走；而在XTX，瓶颈被换掉了，数据、模型迭代速度、算力和执行延迟成了新的瓶颈，而这三样东西都可以用钱和时间堆出来，并且可以无限复制。

同样的预测与报价框架，可以近乎零边际成本地复制到数万种品种上；模型的迭代走的是“回测、训练、上线、监控”的并行流水线，不再依赖师傅带徒弟的口传心授。用一句直白的话说：算力在这里扮演了“劳动力”的角色，GPU集群就是这家公司最大的“员工宿舍”。

这也是为什么格尔科宁可花10亿欧元去芬兰盖数据中心，也不愿意租云了事：算力就是产能，电力就是燃料，把产能和燃料握在自己手里，等于把生意的命脉握在自己手里。对普通投资者来说，这条逻辑同样成立——你的“算力”就是你的认知与时间，你的“数据中心”就是你的知识体系，投资于自己的底层设施，永远是最划算的生意。

1.2.3 体系与资本结构：最深的那道护城河

这门生意最深的壁垒，不是某一条策略，而是模型加一整套体系：数据质量、算力投入、研究人才、交易执行、风险管理，缺一不可。普通人打开一个AI工具，不等于拥有量化机构；同样用AI，有人用计算器，有人建发电厂，工具容易普及，体系难以复制。

资本结构本身就是壁垒。格尔科持有XTX约75%的股份，公司没有外部投资者，这意味着他可以不受季度报表和投资人脸色约束，长期投入买芯片、建数据中心、养团队，让AI在金融领域的应用越来越强；相比之下，受制于短期业绩压力的机构，很难做出这种以十年为尺度的投入决策。

还应该看到，所谓“一夜暴富”其实是二十多年积累的兑现。从数学博士到银行量化，再到创业做市，格尔科走了二十多年：扎实的数学训练是地基，德意志银行与GSA Capital的实盘经验是脚手架，2015年创办XTX之后的十年是主体工程。外界只看到AI带来财富跃升，而底层支撑始终是那几句老话：机会总是给有准备的人，而“准备”从来不是一蹴而就的。

1.3 意义与目的：这件事为什么值得写成一篇文章

讲清楚这笔财富的来龙去脉，不只是为了满足好奇心，更是因为其中藏着四个关乎你我的真问题：第一，当AI开始大规模参与金融，市场结构会发生什么变化，普通投资者的处境是变好还是变坏；第二，个人交易者能从这套体系里学到什么，又该警惕什么；第三，企业与个人如何借鉴“做市思维”与“套保思维”，把不确定性变成可控的成本；第四，在这个算法定价的时代，人应该守住什么，才能不被机器甩在身后。

这篇文章试图回答的，正是这四个问题。下面的章节会依次展开：先给“做市”建立理论坐标系，再做概念辨析，接着走一遍四百年报价史，然后落到现实意义、个人践行、身心健康、交易实操、企业套保与家庭人生。读者可以按顺序读，也可以挑自己最关心的章节先读；我力求每一章都有真实的数据、真实的案例和可以照做的办法。

二、含义与理论框架：把“做市”放进显微镜

2.1 核心概念界定：先给名词一个准谱

2.1.1 做市商、买卖价差与流动性

做市商（Market Maker）是指在特定市场持续同时挂出买入报价与卖出报价、并承诺按报价成交的金融机构或个人，其核心义务是“提供双边报价、维持市场连续性”，核心收入来源是买卖价差（Bid-Ask Spread），即卖出价与买入价之差。

与做市商相对的是指令驱动（Order-Driven）模式，即买卖双方直接撮合，交易所或电子平台只提供撮合服务，国内A股市场的连续竞价就属于典型的指令驱动；而做市商模式是报价驱动（Quote-Driven）的，价格由做市商“报”出来，这在债券、外汇、期权以及新三板部分板块中更为常见。

为什么要有人做市？因为市场天然存在“不同步”：想买的人不会恰好在你想卖的那一刻出现。做市商用自己的资金和库存填补这种时间错配，向市场出售一种极其重要却看不见摸不着的商品——流动性。流动性的定义可以很学术，也可以很朴素：你想买一万股，价格几乎不动，那就是流动性好；你刚买完，价格立刻跳空，那就是流动性差。

2.1.2 算法做市、高频交易与量化交易

算法做市（Algorithmic Market Making）是指用计算机程序自动完成报价、风控、下单与对冲全流程的做市方式，格尔科的XTX就是其最典型的代表；高频交易（High-Frequency Trading，HFT）则强调极低的延迟与极高的报撤单频率，二者高度重叠但并非同一概念，做市是“功能”，高频是“手段”。

量化交易（Quantitative Trading）是以数学模型、统计方法替代主观判断的交易方式，涵盖因子选股、统计套利、做市等多种策略；AI量化则更进一步，用机器学习、深度学习模型从海量数据中自动学习特征与规律，而不是靠人手工写规则^[14][15]。

三者关系可以这样概括：量化是方法论家族，高频是速度流派，做市是其中一种具体的商业模式；XTX是把三者合流之后推向极致的样本，它同时是算法做市商、高频玩家和机器学习机构。

2.1.3 价格发现与错误定价

价格发现（Price Discovery）是指市场价格通过交易不断吸收新信息、向“真实价值”收敛的过程，是金融市场最核心的社会功能之一；做市商和交易者的每一次报价与成交，都在这个过程中投下自己的一票。

错误定价（Mispricing）则指市场价格暂时偏离其合理水平的状态，可能由信息不对称、供需失衡、情绪冲击或流动性枯竭造成；算法做市的一大利润来源，就是识别并利用短暂错误定价，同时用自己的报价把价格“拉”回合理区间——从这个意义上说，做市商既是错误定价的套利者，也是错误定价的纠偏者。

2.2 市场微观结构的理论框架：从存货到信息再到机器学习

2.2.1 存货模型：价差是“库存风险”的报酬

学术界对做市商的第一波系统性解释，是存货模型（Inventory Model）。德姆塞茨在1968年首次把做市商视为“提供即时性的服务商”，指出价差是对其承担时间错配与库存风险的补偿；斯托尔（Stoll）在1978年进一步模型化：做市商持有库存，面临价格不利变动的风险，因此要求价差收入覆盖这种风险成本，价差本质上就是做市商的“保险费”。

存货模型的洞见在今天依然适用：XTX的模型在做预测的同时，必须时刻管理自己的持仓敞口，价差收入减去库存波动损失之后的净额，才是真正的利润；一家做市商如果只看到价差、看不到库存风险，迟早会被一次剧烈行情清零，这正是后文骑士资本案例要展示的教训。

2.2.2 信息模型：价差是“逆选择”的代价

对存货模型的修正来自信息模型。格罗斯滕与米尔格罗姆在1985年提出经典框架：做市商面对两类交易者，一类是知情交易者（可能掌握私有信息），一类是噪声交易者（纯粹因流动性需求而交易）；做市商无法区分二者，只能把价差拉大，用噪声交易者贡献的利润去弥补与知情交易者成交时的损失，这就是著名的“逆选择成本”^[7]。

凯尔（Kyle）在1985年则用“市场深度”（Lambda）刻画了另一个维度：知情交易者的单子越大，对价格的冲击越大，做市商和市场吸收信息的能力越强，市场深度越大；这两个模型共同奠定了市场微观结构理论的地基，也为后来的学术文献所系统总结^[8][9][10]。

把信息模型翻译成大白话：做市商最怕的不是市场波动，而是“你比我更懂行情”。所以XTX这类机构会拼了命地把预测模型做准、把延迟做低、把数据吃透——不是在赌方向，而是在缩小自己与“知情者”之间的信息差，从而把逆选择成本压到最低。

2.2.3 机器学习时代的新定价范式

传统的微观结构理论假设做市商面对的是相对静态的信息环境，而机器学习把这个问题升级为“高维动态预测”：模型需要从数十亿笔逐笔数据、订单簿快照、新闻文本、宏观数据中实时学习价格的条件分布，再据此决定双边报价的宽度、位置与库存调整节奏^[14][15]。

这一范式与传统因子模型的最大区别，在于“特征”的来源：传统量化靠人设计因子，机器学习靠算法自动发现特征；传统模型解释“为什么”，机器学习只关心“是否更准”。对于做市这种毫秒级决策场景，预测精度与执行速度压倒一切，可解释性反而退居其次，这正是AI做市与传统量化在方法论上的分水岭。

当然，机器学习的强项与软肋是一体两面的：它能捕捉人类看不见的统计规律，也会把历史噪音当规律（过拟合），遇到分布彻底改变的黑天鹅时会给出极其自信的错误预测。后文关于边界与局限的章节，会专门讨论这一问题的应对之道。

2.3 各要素的辩证关系：速度、信息、风险与体系的耦合

2.3.1 速度、信息与风险的三方博弈

做市生意的三个关键变量——速度、信息、风险——之间是此消彼长的辩证关系：速度越快，报价越新，越不容易被“抢先”，但速度本身不产生信息优势，快而无知只是更快地犯错；信息越充分，逆选择成本越低，但信息处理的延迟会抵消信息的价值；风险控制越严，生存概率越高，但过严的风控会压缩报价宽度、降低成交量。

最优解从来不是把某一项推到极致，而是在三者之间求动态均衡：XTX的报价系统、风控熔断、仓位管理是一套联动的整体，任何一环失灵都会牵动全局；这就像骑自行车，速度、平衡与方向感必须协同，单练任何一项都会摔跤。

2.3.2 数据、算力、人才与资本的结构耦合

如果把做市机构看作一台机器，那么数据是原料，算力是加工厂，人才是设计师，资本是燃料，四者形成正反馈闭环：资本买算力，算力养数据，数据出模型，模型赚利润，利润再投入资本；任何一个环节的短板都会成为整个系统的天花板。

这正是“体系壁垒”的数学表达：单点优势可以靠钱买到，但闭环优势必须靠时间磨合。格尔科二十年积累的本质，就是把这四个要素拧成了一股绳；普通人可以借力AI工具，但若没有数据纪律、迭代流程与风险底线，工具只会放大错误而不是放大财富。

2.3.3 效率与稳定的张力：做市的社会价值与外部性

从社会福利的角度看，做市商的存在让市场更厚、价差更窄、成交更顺，学术研究表明算法交易总体上改善了流动性^[16]；但硬币的另一面是，当算法在极端行情下集体撤单时，流动性会瞬间消失，市场反而更加脆弱，2010年“闪电崩盘”就是这种外部性的集中爆发^[18]。

效率与稳定之间的张力，是监管者与市场设计者永恒的课题：既要鼓励做市商提供流动性，又要防止其成为波动放大器。理解了这种张力，也就理解了为什么各国交易所要对做市商设义务、给激励，为什么监管对算法交易的关注从未松懈，以及为什么“稳健”二字对任何交易者来说都是第一位的。

三、关联概念辨析：一场跨域的概念对谈

3.1 做市、自营、高频与统计套利：谁在赚谁的钱

在金融术语的江湖里，“做市”“自营”“高频”“统计套利”四兄弟经常被混为一谈，其实它们的账本逻辑完全不同。做市赚的是价差，自营赚的是方向，统计套利赚的是相关关系回归，高频赚的是速度优势；四者可以组合，但赚钱的源头各不相同（见表2）。

表2做市、自营、高频与统计套利对照

表2带来的第一个启示是：想清楚“你到底在赚什么钱”，是任何交易体系的起点。很多散户亏钱，恰恰是因为账本混乱——明明在做方向判断，却以为自己是在做价值投资；明明在承担杠杆风险，却以为自己在做套利。概念不清，是亏损的第一温床。

第二个启示是：做市是四兄弟里最“不性感”但最稳健的一种。它不赌方向、不做预测胜负的博弈，而是收取确定性的服务费；代价是利润单薄、需要规模支撑。普通投资者很难复制做市，但完全可以借鉴它的思维：把自己生意的每一笔交易，都设计成“有确定收入的过路费”，而不是“赌一把大的”。

3.2 传统量化与AI量化：从因子到特征

传统量化（因子投资）的核心工作流是：研究者基于金融理论与经济直觉设计因子（如估值、动量、质量、波动率），再用统计方法检验因子是否有效、如何组合，代表人物与理论根基可上溯到马科维茨的组合理论与夏普的资本资产定价模型^[3][4]。

AI量化的核心工作流则是：把海量原始数据直接喂给机器学习模型，让算法自动学习特征、交互与非线性关系，研究者转而负责数据治理、模型架构、防止过拟合与风险管理，洛佩斯·德·普拉多（López de Prado）对此给出了系统的工程方法论^[15]。

两者的关系不是替代而是接力：因子是“人的假设”，特征是“机器的发现”；传统量化在样本外稳定性上通常更可信，AI量化在预测维度和速度上更有优势。头部机构早已不是二选一，而是让两者互相验证——用因子做逻辑锚点，用机器学习做精度提升，这本身就是一种“辩证统一”。

3.3 做市与投资：过路费生意与股权生意的分野

做市是“流量生意”，投资是“存量生意”。做市商每天买进卖出、收过路费，不关心公司三年后值多少钱；投资者买入股权，赌的是公司未来现金流的折现值。做市的胜率靠次数，投资的胜率靠深度，二者的风险收益结构完全不同。

把这对概念放在一起比较，对普通人最大的启发是：不要用投资的逻辑做交易的频率，也不要用交易的逻辑做投资的仓位。频繁交易的成本（价差、手续费、税费、情绪损耗）在数学上几乎必然吞噬长期收益，这也是为什么长期投资者总是劝人“少操作”；反过来，真正以交易为业的人，必须像做市商一样把每一笔的期望值算清楚，而不是靠感觉下单。

3.4 跨市场变体：外汇、股票、期货与加密市场里的做市

做市机制在不同市场有不同的长相。外汇市场是全球最大、最分散的场外市场，没有中央交易所，做市商（银行、XTX这类专业机构）直接向客户报价，价差以“点”计，流动性时段高度集中；股票市场在多数国家已电子化、集中化，做市商与指令簿共存，纽约证券交易所的指定做市商（DMM）与纳斯达克的电子做市商是两种典型形态。

期货市场的做市商围绕标准化合约报价，同时要管理基差与交割风险，国内商品交易所通过做市商制度提升期权与部分期货合约的流动性；加密市场则是一个极端的做市试验场，7×24小时交易、无涨跌停、波动剧烈，做市商的库存风险被放大到传统市场难以想象的程度。

把四个市场放在一起看，会发现一个共同规律：哪里流动性不足、哪里信息不对称严重，哪里就需要做市商，哪里的做市利润就越高；而做市商最密集、竞争最充分的地方（如欧美股票、主流外汇），价差已经被压到极薄，利润越来越依赖技术体系而非单纯的风险承担。

3.5 与“有效市场假说”“自适应市场假说”的对话

有效市场假说（EMH）由法玛于1970年系统提出，认为市场价格已充分反映可得信息，投资者无法系统性地跑赢市场^[5]；如果市场真的完全有效，做市商就不该赚到钱，因为价差里没有任何可利用的错误定价。可现实是，XTX赚得盆满钵满，这本身就构成对强式有效的反证。

罗（Lo）在2004年提出的自适应市场假说（AMH）给出了更圆融的解释：市场不是静止有效的，而是像一个生态系统，在“有效”与“低效”之间随参与者结构、技术、监管的变化而波动，套利机会时有时无，策略会像物种一样出现、繁盛、衰退^[12]。

用AMH的视角看格尔科的成功，会非常通透：2004到2015年，他赶上电子化与算法化的红利窗口；2015到2026年，他赶上机器学习与算力军备竞赛的第二波红利。市场的“有效性”从来不是常数，而是竞争者之间的动态军备竞赛——今天的暴利，是昨天正确预判的奖赏；明天的均值回归，是今天人人涌入的必然。这套“生态位”思维，对个人投资者选择策略与入场时机同样适用。

四、历史演进与经典案例：四百年报价史的正反面

4.1 前电子时代：从阿姆斯特丹到纽约专家经纪商

4.1.1 1688年的《混乱之混乱》：第一本“交易员手记”

做市的历史远比股票交易所古老。1688年，犹太商人德·拉·维加在阿姆斯特丹写下《混乱之混乱》（Confusion de Confusiones），以四段对话的形式记录了当时欧洲最发达的证券市场的交易生态，其中就包括“为买卖双方撮合并承担交易风险”的中间人角色；这本书被后世视为金融市场的第一部纪实文献，今天读来依然鲜活^[1]。

阿姆斯特丹的模式告诉我们一个朴素的道理：只要存在“想买的人和想卖的人不在同一时刻出现”的错配，就会有人站出来充当桥梁，并收取过桥费；做市不是现代金融的发明，而是人类交易本能的结构化产物。

4.1.2 纽交所专家制度：特权与义务的古老平衡

现代做市制度的雏形，是纽约证券交易所的专家经纪商（Specialist）制度。专家被交易所指定负责某只股票的双边报价，享有“看到订单簿”的特权，同时承担“维持公平有序市场”的义务，包括在市场恐慌时承接买卖、平滑价格跳跃；这套“特权换义务”的设计，是几代做市制度的共同基因。

专家制度的弊端也随着时间暴露：特权容易滋生垄断与信息滥用，人工专家的报价反应慢、成本高，无法覆盖日益庞大的交易量。到二十世纪后期，随着计算机与电子网络的兴起，人工专家的时代开始倒计时，做市的“接力棒”交到了机器手里。

4.2 电子化与监管重构：1971—2005

4.2.1 纳斯达克做市商与指令处理规则

1971年，纳斯达克（NASDAQ）成立，采用多做市商电子报价系统，把做市从“交易所内的人工特权”变成了“电子网络里的竞争性生意”；但早期的纳斯达克做市商之间也存在默契合谋、人为扩大价差的质疑，促使监管出手。

1997年前后，美国证交会（SEC）出台指令处理规则（Order Handling Rules），要求做市商公开显示客户限价单，并允许电子通信网络（ECN）接入报价；其直接后果是报价透明度大幅提升、价差显著收窄，做市利润从“信息不透明的租金”转向“真刀真枪的效率竞争”，一大批纯人工做市商就此出局。

4.2.2 十进制化与Reg NMS：利差缩水引发的商业模式革命

2001年，美国证券市场完成“十进制化”改革，最小报价单位从十六分之一美元（约6.25美分）降到1美分，股票价差大幅压缩；2005年，SEC又通过《全国市场系统规则》（Reg NMS），要求订单在价格最好的场所成交，并推动市场间联网，2007年全面实施。

这一系列改革的净效应是：价差变薄、竞争变快、交易量暴增，手工交易和人工做市被彻底边缘化，算法交易与高频做市成为唯一可行的商业模式；正是这一波“利差革命”，为格尔科这类技术型做市商在2015年前后的崛起铺好了赛道，也为研究文献反复验证的“算法交易改善流动性”提供了天然实验场^[16][17]。

4.3 算法与AI时代：2005年至今

4.3.1 2010年闪电崩盘：流动性的双刃剑（反例）

2010年5月6日，美股在几分钟内暴跌近千点，道琼斯指数一度蒸发约万亿美元市值，随后快速收复大半失地，史称“闪电崩盘”；事后美国商品期货交易委员会（CFTC）与美国证交会（SEC）的联合报告显示，一种程序化卖单的连环触发叠加高频交易者的集体撤单，导致市场流动性瞬间枯竭，价格在数分钟内失去锚点。

凯里连科等学者的后续研究进一步揭示：闪电崩盘不是某个算法的孤立故障，而是“高频做市商在极端压力下集体撤出”这一系统性行为的集中体现^[18]。这个反例给所有做市商和交易者上了沉重的一课：流动性是“信心”的衍生物，机器不会恐慌，但机器会一起逃跑，而机器一起逃跑的时候，比人恐慌更可怕。

4.3.2 2012年骑士资本之殇：机器的另一面（反例）

2012年8月1日，美国最大股票做市商之一的骑士资本（Knight Capital）在部署新软件时触发故障，开盘后45分钟内错误发出超过400万笔订单，成交约3.97亿股，涉及148只股票，公司当日亏损约4.4亿美元（含后续法律等成本合计约4.68亿美元），被迫接受4亿美元紧急注资并最终被收购；SEC随后对其提起执法行动。

骑士资本的教训与“闪电崩盘”互为镜像：前者是市场系统性撤出流动性，后者是单一机构的风控失灵；两起事件共同说明，算法做市的命门不在“聪明”而在“控制”，一次未被熔断捕获的错误，可以抹掉机构多年的利润，这也是XTX这类顶级机构把风控熔断与限额体系置于核心位置的原因。

4.3.3 XTX的崛起：人机协同的正例

与上述反例几乎同时，格尔科于2015年1月创办XTX Markets，用机器学习加极速执行重新定义了做市；短短数年间，它在主流外汇市场调查中长期位居流动性提供商前列，并在股票、固收、商品、加密市场全面扩张，2025年实现收入约52亿美元、利润约23亿美元，成为算法做市时代最成功的人机协同样本。

XTX的正面意义在于：它证明了“机器负责速度、人负责体系”的组织形态可以稳定创造利润——人不再与机器比拼手速，而是设计机器的目标函数、数据管道与风险边界；这种“人机分工”的范式，正是后文第六、八、九章要向个人交易者与企业反复强调的核心思想。

4.4 中国市场的本土演进：从红马甲到做市商制度

4.4.1 从交易所初创到电子化交易

1990年沪深交易所相继开业，中国证券市场从“红马甲”人工报单起步；2000年代电子化交易全面普及，2010年沪深300股指期货上市，2013年国债期货重启，衍生品市场逐步成型，为机构运用期货对冲风险创造了前提。

4.4.2 做市商制度在期权、商品与新三板的落地

2014年新三板引入做市转让制度，2015年上证50ETF期权上市并同步建立做市商制度，2017年豆粕、白糖等商品期权上市并引入做市商，此后国内交易所不断优化做市商激励与考核机制；与此同时，商品期货市场的产业客户群体日益壮大，套期保值的制度环境与会计环境日趋成熟，中粮、江铜等企业的实践就是这段历史的注脚。

纵观四百年演进（见表3），一条主线清晰可见：做市的每一次“降本增效”，都来自技术与制度的合力——电子化消灭了人工成本，十进制化消灭了垄断租金，机器学习则消灭了“人的反应时间”；而每一次技术跃迁，也都伴随新的风险形态，需要新的控制手段。理解这条主线，是理解格尔科财富来源的最好钥匙，也是预判未来十年金融变革的最好罗盘。

表3四百年做市演进时间线

五、现实意义、边界局限与SWOT

5.1 现实意义与核心启示

5.1.1 对市场：流动性、定价效率与波动

AI做市对市场的现实意义，可以概括为“三个更”：报价更连续、价差更薄、定价效率更高。学术证据表明，算法交易显著降低了买卖价差与交易成本，改善了流动性^[16]；高频活动整体上也加速了价格对新信息的吸收，提升了价格发现效率^[17]。

但“三个更”的另一面是“两个更脆弱”：极端行情下流动性更易瞬间蒸发，算法之间的同质化行为更易放大波动^[18]。监管者因此普遍对算法做市既鼓励又约束：鼓励其提供流动性，约束其避免幌骗、抢先与无序撤单；普通投资者则要清醒认识到，AI让日常交易更便宜，但并没有让市场更安全，风控责任始终在自己肩上。

5.1.2 对个人：工具易得、体系难建

AI做市对个人投资者最大的启示，是一句听起来像废话却极少人做到的话：工具可以外包，体系不能外包。你可以订阅最贵的行情、调用最强的模型，但你的资金曲线由你的决策体系决定——仓位规则、止损纪律、复盘流程、情绪管理，这些才是“体系”，而体系只能靠自己的时间与教训来建造。

另一个现实启示是“生态位思维”：XTX占据的是“速度与规模”的生态位，普通散户天然无法在此竞争，但市场里还有大量其他生态位——深度研究、长期持有、另类数据、小众市场；与其在强者的主场拼刺刀，不如在弱竞争生态位建立自己的优势，这也是自适应市场假说给个人投资者的实用忠告^[12]。

5.2 边界与局限

5.2.1 模型风险与黑天鹅

机器学习模型的第一个硬伤是过拟合：模型在历史数据上表现完美，一到实盘就失灵，因为市场结构、参与者与流动性随时在变^[15]；第二个硬伤是分布突变：模型假设“未来的统计规律与过去相似”，而黑天鹅事件（如2020年疫情初期的流动性危机、2022年伦镍逼空）恰恰是分布本身的断裂。

1998年长期资本管理公司（LTCM）的陨落是永恒的警钟：一群诺贝尔奖级的量化天才，用高杠杆押注历史相关性，最终在相关性集体失效的极端行情中几乎破产，靠美联储组织救助才免于系统性灾难。AI做市的纪律必须从这段历史里吸取：模型越自信，越要留足极端情况下的缓冲。

5.2.2 算力军备竞赛、能耗与监管伦理

算法做市的竞争正在演变为一场“算力军备竞赛”：谁的GPU多、延迟低、数据全，谁就能报出更优的价；Budish等学者尖锐地指出，高频军备竞赛消耗了巨大社会资源，却未必带来相应的福利提升，并提出“频繁批量拍卖”等替代性市场设计^[17]。

与此同时，超大规模数据中心带来的能耗与碳排放、算法“幌骗”与市场操纵的新形态、AI在金融领域的可解释性与责任归属，都是尚未妥善解决的治理难题。技术可以跑得比监管快，但长期看，缺了制度约束的技术红利一定会以危机的方式收回。

5.3 SWOT分析：给AI做市画一张全景图

综合前文的理论与案例，可以把“AI做市与量化交易”作为一个整体对象做一次系统评估，其优势、劣势、机会与威胁如下（见表4）。

表4AI做市与量化交易SWOT分析

这张SWOT表的中心结论是：AI做市的优势与威胁同源——它的效率来自机器学习与算力，它的脆弱也来自模型失效与算力依赖；机会与劣势同源——市场越复杂，算法越有价值，但对数据、人才与资本的要求也越苛刻。看懂这张表，就能看懂格尔科的生意，也能看懂个人投资者该站在哪里。

5.4 超越与创新之法：如何突破边界

突破模型风险的创新路径有三条：一是“更好的数据”，从价格数据走向订单流、另类数据与语义数据，让模型看到别人看不到的维度；二是“更好的稳健性”，用对抗训练、分布外检测、多模型集成和压力测试让模型在极端环境里“不自信”；三是“更好的约束”，把风控熔断、仓位上限、紧急人工接管写进系统底层，让机器永远没有“失控的自由”。

突破算力依赖的创新路径也有三条：一是“更聪明的架构”，用模型蒸馏、稀疏计算降低单次推理成本；二是“更优的算力布局”，如XTX自建数据中心锁定电力的思路，本质是把算力变成可管理的资产；三是“更开放的生态”，开源工具、云算力与标准化数据让中小机构也能触及前沿能力，缩小与巨头的代差。

对个人而言，“超越”还有一个更朴素的版本：不做市场里最快的机器，而做自己领域里最深的专家。把做市思维的“确定性收入”逻辑迁移到职业与事业上，把算法思维的“回测、上线、监控”循环迁移到学习与决策上，你就已经超越了绝大多数人——这为第六章的“践行之道”埋下了伏笔。

六、践行之道：从认知升级到干中学

6.1 个人认知的四层脚手架

要把“做市思维”化为己用，认知必须先升级，我把它拆成四层脚手架，层层相扣。第一层是概率思维：把任何判断都翻译成“概率加赔率”，而不是“对错”；交易里没有必胜，只有期望值为正的行动，这是从凯利公式到现代组合理论共同的内核^[3]。

第二层是系统思维：把交易拆成信号、仓位、执行、风控、复盘五个环节，任何一个环节的短板都会拖垮整体，正如做市机构把研究、工程、风控拧成体系；只研究信号、不管仓位和风控的人，就像只练油门不练刹车的司机。

第三层是贝叶斯思维：把新信息当作对旧信念的“更新”，而不是非黑即白的翻案；市场每时每刻都在给你新证据，你的观点应该像模型权重一样平滑调整，而不是像赌徒一样死守阵地。

第四层是反身性思维：记住市场参与者本身会改变市场，你看到的热门策略往往已经拥挤，你追捧的“圣杯”往往正在失效；保持对自身判断的怀疑，是对抗过度自信这一人类最顽固认知偏差的最有效武器^[13]。

6.2 干中学、学以致用、知行合一

认知的尽头是行动，行动的尽头是习惯。所谓“干中学”，不是先学完再干，而是学一点、干一点、错了改一点，用最小可行回路推进；具体到交易，就是“读一本书，写一条规则；开一个模拟盘，跑一组数据；做一笔小单，记一篇日志”，把知识从脑子搬进肌肉。

所谓“学以致用”，关键在于“迁移”：做市商管理库存风险的方法，可以迁移到管理职业风险（不把收入押在单一客户或单一技能上）；算法回测的方法，可以迁移到人生决策（任何重要选择先在小范围试错，再放大投入）；风控熔断的方法，可以迁移到情绪管理（设好“情绪止损线”，失控即离场）。

所谓“知行合一”，最难的是把“知道”变成“做到”，这里有一个被无数人验证的笨办法：写下来。把交易规则写成白纸黑字，把复盘写成固定格式的日志，把风险预算做成一张贴在桌上的表；纸面化的规则有一种神奇的力量，它让“冲动”和“执行”之间多了一道需要跨过的坎，这道坎就是纪律。

6.3 普通人可走的“小XTX”路径

普通人当然建不起XTX，但可以按它的方法论搭一个“个人版”：用开源回测框架（如vectorbt、backtrader或各类云服务）替代自建回测平台，用云GPU或免费算力替代2.5万块GPU，用公开数据加自己整理的数据替代EB级存储，用每月定额投入替代10亿欧元数据中心。

个人版体系同样要跑通“回测、训练、上线、监控”的循环：策略先在历史数据上验证，再在模拟盘上验证，再投入可承受亏损的小资金，最后进入持续监控；每一步都设“熔断”：回测过拟合即废弃，实盘回撤超预算即停手，规则失效即回到研究阶段重新迭代^[15]。

更重要的是，个人要接受“规模错配”：XTX靠速度与规模赚钱，个人靠“认知差”与“耐心”赚钱；个人真正的优势不是快，而是能等待、能持有、能在机构被迫交易的时刻从容出手。找准自己的生态位，小资金也能复利成长。

6.4 规避与改进：AI交易的防身术

面对铺天盖地的“AI荐股”“AI自动交易”，普通人最需要的是防身术。第一条：不迷信输出，只相信流程，任何AI结论都要追问“数据从哪来、假设是什么、失效条件是什么”，没有流程背书的高收益承诺，几乎必然是骗局。

第二条：警惕回测过拟合，一个策略在历史数据上收益越完美、参数越精细，越要怀疑它只是记住了历史；用样本外测试、参数稳健性和真实成本（滑点、手续费）三把尺子反复丈量，是量化从业者的基本功^[15]。

第三条：永远把风险放在收益前面，单笔亏损不超过总资金的一个小额比例，最大回撤设上限，杠杆留足缓冲；第四条：保持“人机分工”，让AI做计算与执行，让人做目标设定、风险边界与价值观判断——机器的长处是快，人的长处是“知道为什么”，两者缺一不可。

最后一条防身术，其实是整篇论文最温柔的一句忠告：投资是为了更好的生活，而不是相反。如果一项交易技术让你失眠、焦虑、透支健康与家庭，那么无论它多赚钱，它都已经在向你收取最昂贵的费用；关于这一点，第七章会给出具体的四维操作方案。

七、身心健康：交易者的四大支柱

7.1 饮食：把血糖曲线当成另一条“资金曲线”

交易是高强度的认知劳动，大脑耗能巨大，而认知质量与血糖稳定高度相关；把血糖曲线当成另一条“资金曲线”来管理，是交易者最容易忽略、也最立竿见影的功课。

具体做法可以拆成四步。第一步，控糖：戒掉含糖饮料与精制碳水过量摄入，避免血糖大起大落带来的注意力漂移与情绪波动；第二步，优质蛋白打底：每餐保证蛋、奶、鱼、豆制品等优质蛋白，让饱腹感和精力更持久。

第三步，向“地中海饮食”靠拢：大量蔬菜水果、全谷物、橄榄油与坚果、适量鱼类，随机对照试验已证实这种饮食模式能显著降低心血管事件风险，而心血管健康正是长期交易生涯的底仓^[29]；第四步，规律补水与少食多餐：每小时补水，把三餐拆成“三正餐两加餐”，让大脑始终处于燃料充足状态，避免饥饿驱动的冲动决策。

7.2 运动：给久坐的交易生涯装上“止损线”

交易员是典型的久坐人群，而久坐是心血管疾病、代谢疾病与情绪障碍的独立风险因素；世界卫生组织发布的《关于身体活动和久坐行为的指南》建议，成年人每周应进行至少150到300分钟的中等强度有氧运动，或75到150分钟的高强度有氧运动，并配合每周两次以上力量训练^[30]。

对忙碌的交易者，运动设计要“碎片化加结构化”。碎片化是指利用交易间隙做微运动：每45分钟起身活动、做几组深蹲或拉伸、走楼梯代替电梯，把全天久坐切成小段；结构化是指把运动排进日程表，像执行交易计划一样执行：每周三次有氧（快走、慢跑、游泳、骑车均可），每周两次力量训练，周末安排一次户外长时运动。

运动对交易的回报是双重的：身体层面，心肺功能提升让大脑供血更足、反应更快；心理层面，运动是天然的减压阀，能显著改善情绪与睡眠，让交易者在下一次开盘前“清零”上一笔交易的得失。

7.3 睡眠：交易决策质量的“底层操作系统”

如果说饮食是燃料、运动是引擎，那么睡眠就是整台交易机器的底层操作系统。神经科学家沃克在《我们为什么要睡觉》中系统论证：睡眠剥夺会削弱记忆、判断、情绪调节与风险决策能力，长期缺觉者的错误率与冲动性显著上升，而这些问题在交易中都会被资金曲线加倍惩罚^[28]。

交易者的睡眠工程建议分四步落地。第一步，固定节律：每天在同一时间上床、同一时间起床，包括周末，把生物钟当作不可违背的“交易时间表”；第二步，睡足时长：成人以7到9小时为目标，宁可减少盘中操作时间，也不牺牲睡眠时间。

第三步，睡前“停机一小时”：睡前一小时远离手机屏幕与剧烈情绪刺激，用阅读、拉伸、温水澡过渡，让大脑从“盯盘模式”切到“待机模式”；第四步，白天管理：午后15到20分钟小睡可以显著恢复警觉度，但不宜超过30分钟，以免影响夜间入睡；咖啡因在下午两点后逐步减量，避免睡眠结构被破坏。

7.4 情绪：给心理装一套“风控熔断系统”

交易者的最大敌人不是市场，而是自己的情绪：追高杀跌、死扛亏损、报复性交易，几乎全部源于恐惧与贪婪的失控；行为金融学早已用实验证明，人在损失面前会表现出强烈的损失厌恶，在盈利面前却过度自信，这两种偏差叠加，足以让任何好策略变成坏结果^[11][13]。

给情绪装“风控熔断系统”，第一招是预设离场规则：开仓前就把止损、止盈和最大亏损写死，触发即执行，不让情绪有讨价还价的机会；第二招是仓位降档：把单笔仓位降到“输了也不影响睡眠”的水平，让情绪没有失控的燃料。

第三招是情绪日志：每天收盘后用三行字记录“今天最冲动的时刻和当时的身体状态”，坚持一个月，你会发现自己情绪的“扳机”高度可预测；第四招是心理缓冲带：连续亏损或连续盈利后强制休盘一两天，用运动、社交或爱好切换大脑回路，防止“上头”与“恋战”。

饮食、运动、睡眠、情绪四根支柱互相咬合（见表5）：吃得好，才睡得沉；睡得沉，情绪才稳；情绪稳，运动才坚持得下去；运动坚持，饮食才守得住。把这四件事当作与交易同等重要的事业来经营，才是长期复利真正的地基。

表5交易者身心健康四大支柱行动清单

八、对个人交易者的意义与期货交易员实操

8.1 对外汇、股票、期货等个人交易者的意义

格尔科的故事对外汇、股票、期货等各类个人交易者，至少有四重意义。第一重是“认账”：认清自己不是与市场博弈，而是与全球最快、最聪明的机器同场竞技，散户在速度与信息上毫无胜算，唯一的护城河是耐心、纪律与认知深度。

第二重是“学做市”：做市思维可以移植到个人交易里——关注价差与流动性时段，外汇交易者在伦敦—纽约重叠时段交易以降低点差，期货交易者避开开盘与收盘的剧烈波动，股票交易者用限价单而非市价单控制冲击成本，这些都是在“卖即时成交”这件事上反向为自己省钱。

第三重是“建体系”：把机构的风险预算、仓位上限、熔断机制缩小化后搬到个人账户，用“一笔一个规则、一天一次复盘、一周一次回测”的节奏运转，让交易从“碰运气”变成“跑流程”。

第四重是“守底线”：把第七、六章的身心健康与防身术落到实处，牢记任何技术红利都买不回健康与家庭；交易是为了让生活更好，而不是让生活为交易陪葬。

8.2 期货交易员切实践行的详细方法步骤

8.2.1 第一步：建立交易系统，先立“宪法”再谈“战术”

期货交易员的第一步，不是找“圣杯”指标，而是写一份属于自己的《交易系统说明书》，相当于给交易立宪法。宪法必须回答四个问题：交易什么品种（只做流动性好、自己懂基本面的品种，如螺纹钢、豆粕、原油、黄金等）？用什么逻辑入场（趋势、突破、套利或基本面驱动，只能选一类并写清理由）？怎么出场（止损、止盈、时间止损三条腿缺一不可）？以及什么时候不做（震荡期、重大数据公布前、连续亏损后）。

把宪法写成白纸黑字还有一层深意：它把“我”和“我的交易”分开，让复盘有基准、让情绪有参照；没有宪法的交易者，每一次亏损都只会怪市场，有了宪法的交易者，每一次亏损都能找到具体的规则缺口，这才是“干中学”的入口。

8.2.2 第二步：资金管理与风险预算，先算“能亏多少”再算“能赚多少”

期货是杠杆交易，保证金制度放大了收益也放大了爆仓风险，因此资金管理是期货交易员的生死线。三条铁律必须刻在脑子里：第一，单笔风险不超过总资金的1%到2%，即开仓前先算出“如果止损，亏多少钱”，再反推仓位大小；第二，单日或单周亏损达到预算上限（如总资金的5%）即停手，让“熔断”保护账户；第三，总杠杆率留足缓冲，保证金占用一般不超过可用资金的一半，给波动留出呼吸空间^[22]。

这里推荐一个可操作的风控公式：仓位等于“账户总资金乘以单笔风险比例，再除以（入场价减止损价）”；举个例子，10万元账户、单笔风险1%、止损距离5%，那么单笔最大手数对应的名义仓位就是2000元除以5%等于4万元的合约价值，这笔账必须在开仓前算清，而不是开仓后祈祷。

8.2.3 第三步：执行与复盘，把“知行合一”变成流水线

执行环节要解决的是“下单那一刻的变形”：用条件单和限价单代替冲动市价单，把止损单在开仓时同步挂好，让纪律“自动化”；每次下单记录时间、价格、逻辑、情绪状态四个字段，为复盘留下原始数据。

复盘环节是个人交易者的“回测系统”：每日收盘后花15分钟，对照宪法逐条检查“该做的做了没有、不该做的做了没有、盈亏与逻辑是否一致”；每周做一次统计，算胜率、盈亏比、最大回撤、单笔平均亏损四个指标；每月做一次策略体检，判断逻辑是否仍然成立，成立则坚持，失效则回到研究阶段迭代。复盘不是为了找借口，而是为了找规律。

8.2.4 第四步：心理建设与认知偏差管理，给大脑装“补丁”

期货交易的心理战场集中在三个偏差上：损失厌恶让人死扛亏损单，处置效应让人过早卖出盈利单，过度自信让人在连续盈利后加倍下注^[11][13]。给大脑打“补丁”的方法很具体：死扛亏损时，提醒自己“止损是成本，不是认错”；过早止盈时，对照交易计划检查出场理由而非价格感受；连赢之后，强制把仓位降回标准仓位，用规则对抗亢奋。

另一个被忽视的心理技巧是“间隔化”：把注意力从“这笔赚亏多少钱”转移到“这笔是否符合系统”，赚钱与否是结果，符合系统才是过程，只有过程可复盘、可改进；长期做“过程管理”的交易者，资金曲线自然稳定，而天天盯“结果”的交易者，往往在情绪里反复打转。

8.2.5 第五步：用AI做“副驾”，不做“方向盘”

对个人期货交易员而言，AI的正确用法是“副驾”而不是“方向盘”：用机器学习做数据处理、回测加速、盘后复盘与风险预警，但入场决策、仓位大小与止损位置必须由自己的系统决定；理由很简单，AI模型在你不知道的时候可能已经失效，而你的宪法不会。

具体的落地路径是：先用AI和开源框架搭建回测流水线，把历史行情、手续费与滑点真实计入；再用AI辅助扫描品种强弱、监控基差与持仓结构；最后让人做最终决策并承担责任。记住XTX的启示：机器的长处是快，人的长处是“知道为什么”，副驾可以帮你开得更快，但方向盘上的手必须是你的。

九、企业套期保值：从理论到账户利润

9.1 套期保值的原理与会计逻辑：先想清楚“保什么”

套期保值的学术定义很干净：通过在期货或衍生品市场建立与现货头寸方向相反、数量匹配（或按最优比例匹配）的头寸，对冲现货价格波动的风险，把“不确定的价格”变成“确定的成本或收入”^[19][20][21]。

用一句话说透原理：企业不想赌价格方向，只想锁利润，套保就是用衍生品市场的小额“保险费”换取现货经营利润的确定性。而理解套保的第一把钥匙是“期现一体”：期货端的亏损往往对应现货端的盈利，反之亦然，因此评价套保业绩必须把期货与现货合并看，绝不能只看期货账户的盈亏——这是无数企业犯错的根源。

会计逻辑同样关键。中国《企业会计准则第24号——套期会计》与国际财务报告准则IFRS 9允许符合条件的企业运用套期会计，把套期工具与被套期项目的公允价值或现金流量变动在损益中“配对”处理，从而平滑利润表波动；没有套期会计资格的企业，衍生品损益会直接冲击利润表，明明在“保险”，账面上却像在“投机”^[22]。

9.2 外汇套保的实操落地：把汇率波动变成“可预算的成本”

对出口型与进口型企业来说，汇率是悬在利润表上的达摩克利斯之剑；外汇套保的标准操作流程可以拆成六步。第一步，敞口识别：梳理外币收付与外币资产负债，算出各币种的净敞口（如未来12个月预计美元收汇减去付汇后的净额），这是套保的“标的物”。

第二步，政策与制度准备：由董事会或管理层批准年度套保方案，明确交易品种（远期结售汇、外汇掉期、外汇期权等）、交易对手（银行）、保证金与授信额度上限、止损限额与责任部门，这一步决定了套保的“合法性”与“边界”^[22]。

第三步，工具选择与期限匹配：以远期结售汇锁汇为主，锁定未来收汇或付汇汇率；对不确定的敞口用期权（买入期权支付权利金、保留好处）或掉期管理；期限尽量与订单账期匹配，避免“裸期限”。

第四步，建仓与执行：分批建仓而非一次锁死，平滑汇率点位；与多家银行询价比较，降低锁汇成本；第五步，持续监控与动态调整：每月测算套保比例与基差变化，汇率出现重大方向性变化时按制度调整头寸，而不是凭感觉砍单。

第六步，会计与考核：对符合条件的套保头寸运用套期会计，把衍生品损益与被套期项目的汇兑损益配对；考核上坚持“期现合并”口径，用“实际锁汇汇率与不锁汇的模拟结果对比”评价套保效果，防止业务部门把套保亏损误读为经营失误。

9.3 商品期货套保的实操落地：从“看天吃饭”到“锁价经营”

原材料采购型企业怕涨价，产成品库存企业怕跌价，两头受挤的企业则需要双向套保；商品期货套保的标准流程同样可以拆成六步。第一步，敞口计量：把库存、在手订单、采购计划折算成标准合约对应的数量与月份，形成“敞口日历”，这是套保的总账本。

第二步，方向决策：采购敞口做买入套保（怕涨价，先在期货买），库存与销售敞口做卖出套保（怕跌价，先在期货卖），双向敞口分别对冲，绝不混淆。

第三步，比例与基差管理：按可承受的风险预算确定套保比例（参考江西铜业“保值量控制在产量三分之一左右、不超量保值”的纪律），并盯住基差——现货价减期货价的差；基差走强走弱直接影响套保效果，基差贸易、点价交易就是在基差上做文章的进阶玩法^[22]。

第四步，工具与场所选择：国内以商品期货与商品期权为主，境外业务可辅以掉期；第五步，风控与保证金管理：设立保证金预警线、止损线与紧急平仓线，专人专岗盯保证金，防止套保头寸被极端行情“逼”成投机头寸。

第六步，平仓与交割衔接：到期前选择平仓了结（现货按原渠道销售）或实物交割（期货接货/交货），把期货头寸与现货购销无缝衔接；全流程坚持“期现匹配、逐笔对应、禁止裸单投机”，这是套保区别于投机的生命线，也是中航油、联合石化等反例用巨额学费换来的教训。

9.4 真实企业案例深度解析：用别人的学费与红利照亮自己的路

9.4.1 正面案例群：把套保做成“第二利润中心”

先说中粮集团与中储粮体系。中粮是国内最早大规模运用期货的央企之一，其旗下中粮期货及风险管理子公司长期深耕农产品套保：2008年全球金融危机期间，油脂油料价格全线暴跌，中粮因提前在豆粕、豆油、大豆等品种上做了卖出套保，不仅未受重创，还实现了盈利；中粮期货还推动“保险加期货”模式，为合作社3.9万亩大豆提供收入险并赔付200余万元，把期货市场的价格发现功能下沉到了田间地头。

中储粮体系同样把期货嵌进主粮轮换：中储油公司仅在2015年就交易豆粕441万手、豆油85万手，通过轮入轮出、点价、套保与交割的组合拳对冲经营风险；中粮祈德丰商贸则把“轮储加套保”做成产品，为某省级储备完成5.9万吨玉米轮换的风险管理，确保储备粮轮换“低买高卖”的目标不因价格波动而落空。这两个案例的共同点是：期货不是投机工具，而是“政策性储备与市场化经营”之间的稳定器。

再看制造业里的两个标杆。江西铜业长期坚持“只做保值、不做投机”，套保量控制在产量的三分之一左右，用现货与期货互动调节、取平均价锁定目标利润，其经验被上海期货交易所作为经典案例推广；湖南华菱钢铁则把套保覆盖到钢材、铁矿石、焦煤、焦炭、动力煤、硅锰、硅铁、镍乃至海运等全产业链品种，明确“坚持套期保值原则、严格期现匹配核查、杜绝投机交易”，2025年套保预算额度不超过5亿元，把价格风险从经营里“剥离”出去。

贵金属与新能源行业也不缺样本。山东黄金长期开展黄金租赁与黄金远期组合业务，既融到了低成本资金，又锁定了金价波动风险；中金黄金下属冶炼厂对金、银、铜、镍产品全面套保；宁德时代则把外汇套保做成制度化动作，2022年度套保计划批准外汇套保保证金最高占用不超过80亿元，工具覆盖远期结售汇、外汇掉期、外汇期权等，为出海收入筑起汇率防火墙（各案例要点见表6）。

表6企业正面套保案例（公开披露资料汇总）

把正面案例放一起看，能提炼出五条“公约数”：第一，套保服务于现货经营，头寸始终有现货背书；第二，比例克制，不超量保值；第三，制度先行，董事会授权、专人专岗、独立风控；第四，期现合并考核，不以期货单边盈亏论英雄；第五，工具多元但纪律统一，期货、期权、掉期、点价、保险加期货按需组合。这五条，就是“把套保思路转化为账户利润”的组织基础。

9.4.2 反面案例群：套保越界，就是最大的风险

反面案例的第一座“纪念碑”是中航油新加坡。2004年12月，这家净资产仅1.45亿美元的上市公司宣布在石油衍生品交易中巨亏5.5亿美元，因严重资不抵债申请破产保护；据多家媒体报道，其巨额期权头寸的交易对手包括高盛等国际投行，时任总裁陈久霖后被新加坡法院以欺骗银行、内幕交易等罪名判处四年三个月监禁。中航油的本质错误不是“用了衍生品”，而是把套保做成了单向押注，在油价上涨时卖出大量看涨期权收取权利金，等于把“保险”做成了“裸卖期权”，最终被行情反噬。

第二座“纪念碑”是中国石化旗下联合石化。2018年，联合石化在采购进口原油时对国际油价走势判断失误，部分套期保值业务交易策略失当，在油价下跌过程中期货端产生损失，全年经营亏损约46.5亿元人民币；但耐人寻味的是，同一份公告也披露，按国际标杆油价对比，2018年联合石化为中国石化炼厂节省了约64亿元进口原油采购成本。这说明：套保的“期货端亏损”与“现货端受益”往往是一体两面，真正的教训是策略失当与风控缺位，而不是“不该套保”。

第三座“纪念碑”是2022年3月的青山控股伦镍逼空事件。青山在伦敦金属交易所持有约20万吨镍空单用于对冲其镍产量，却被市场传闻的巨量逼空推至风口浪尖：伦镍价格两个交易日内从约3万美元冲上每吨10万美元上方的历史极值，青山浮亏传闻一度超过80亿美元，伦敦金属交易所随即暂停镍交易并取消当日部分交易。青山事件的核心教训是“敞口与工具错配”：以高冰镍为主的产品并不完全符合伦镍交割标准，套保头寸在极端行情下无法通过实物交割闭环，反而沦为被逼仓的靶子。

三个反面案例（见表7）共同指向三句话：套保的命门是“现货背书”，头寸必须能与实物交割闭环；套保的边界是“比例与止损”，越界即成投机；套保的灵魂是“制度与问责”，一旦决策权集中在个别人手里，再好的工具也会变成赌具。

表7企业反面套保案例（公开披露资料汇总）

9.5 如何让套保真正降本增效：组织、制度与考核三位一体

套保要做成“降本增效”的实事，组织上必须“三分开”：决策、执行、监督相互分离，董事会或套保委员会定方向与限额，交易团队管执行，独立风控与内审盯合规，任何一方都不能既当运动员又当裁判员；嘉吉这家百年粮商的“秘密武器”就是内生的严格风控——专门的风险管理团队7×24小时监测各事业部风险，员工人人遵守授权界限，这种“对风险神经质般敏感”的组织文化，才是其穿越百年周期的真正护城河。

制度上必须“四件套”：年度套保计划与授权额度、逐笔交易台账与限额监控、保证金预警与紧急处置预案、期现匹配的核查机制；华菱钢铁“严格期现匹配核查、杜绝投机”的做法，就是这套制度的朴素表达。

考核上必须“一把尺”：以“期现合并后的综合损益”衡量套保效果，以“锁定的采购成本或销售价格相对预算的偏离度”评价套保质量，并配套容错机制——只要流程合规、比例克制，期货端亏损不应被追责，否则业务团队会被逼着“只做能赚钱的套保”，最终变成投机；联合石化的教训之一，正是考核压力下套保头寸悄然变质。

9.6 把套保思路转化为企业真实账户利润：操作细节清单

把以上原理、流程与案例落到账户层面，企业可以按一张“十步清单”执行：第一步，成立套保领导小组并取得董事会授权；第二步，用一个月时间建立敞口台账，把采购、库存、在手订单、外币收付全部数字化；第三步，确定套保比例上限（建议参照江铜的“三分之一”纪律并写入制度）。

第四步，选择工具并完成银行或期货公司准入，锁定保证金与授信；第五步，分批建仓，避免单一时点锁价；第六步，建立基差与价差监控日报，动态调整移仓计划；第七步，设置保证金预警线与止损线，压力测试覆盖极端行情；第八步，到期前完成平仓或交割衔接，确保期现闭环；第九步，按套期会计规则记账，期现合并出具月度报告；第十步，每季度复盘“锁价效果对比未套保情景”，把节约的采购成本、锁定的销售利润、稳定的库存价值写成可审计的成果，向董事会与股东证明套保的“利润贡献”。

最后再强调一句被反复验证的话：套保赚的不是市场的钱，而是“确定性”的钱——它把企业从“赌价格”的赌桌上拉下来，让制造业专心制造、让贸易商专心贸易、让种植者专心种植；当一家企业把价格风险管住了，它的融资成本会下降、客户信任会上升、产能利用率会提高，这些才是“综合竞争力”的真实来源，也是格尔科故事里“体系比工具重要”的企业版答案。

十、家庭与人生：育儿、孝亲与安度晚年

10.1 如何成为更好的父母：先修自己，再修孩子

把做市与量化的思维延伸到家庭教育，会发现最深刻的道理就一句：孩子是父母的“复利”，你今天投入的陪伴、示范与边界，会在二十年后连本带利地兑现；而父母最容易犯的错误，恰恰是只修孩子、不修自己——给孩子报班报课，自己却在沙发上刷手机，这种“双标”的教育，效果约等于零。

教养科学给出了三个可操作的支柱。第一支柱是“权威型教养”：权威型父母既高要求又高温暖，规则清晰、执行坚定，同时尊重孩子的感受与表达，研究反复证实这种教养方式与孩子的学业、情绪与社交发展正相关，优于放任型与专制型^[26]。

第二支柱是“安全依恋”：依恋理论告诉我们，生命早期的安全感是孩子探索世界的“基地”，父母稳定、可预期、及时回应的陪伴，比昂贵的玩具和课程更能塑造孩子的心理底座^[25]。

第三支柱是“成长型思维”：父母要在日常语言里传递“能力可以培养”的信念，表扬努力与策略而非天赋与结果，让孩子敢于挑战、不怕失败，这种思维模式是终身学习能力的种子^[27]。三个支柱合起来，就是“温柔而有边界，稳定而能放手”的中国式好父母画像。

10.2 更新认知、与子女共同进步：做终身学习的“同学”

数字时代最残酷的现实是：孩子的世界更新得比父母快，父母若停止学习，很快就会从“引路人”变成“门外汉”。更新认知的第一条路径是“向孩子学”：电子产品、新语言、新审美，父母的谦逊本身就是最好的身教，承认“我不懂、你教我”不仅不丢人，反而会赢得孩子的尊重。

第二条路径是“一起学”：每周安排一次家庭共同学习时间，一起读书、一起看纪录片、一起研究一个问题，把“教育”变成“共同成长”；第三条路径是“开放边界”：允许孩子在不同领域试错，父母的责任是提供试错的资源与兜底的安全网，而不是替孩子选择并垄断正确答案。

回到本文的主线：格尔科式的成功源于持续二十年的专业积累，而父母最该传给孩子的，正是这种“长期主义”的学习态度——不追求速成，不迷信捷径，把学习当作一辈子的事业；父母自己做到了，孩子自然看在眼里、长在身上。

10.3 子女如何与父母更好相处：理解、沟通与“孝而不顺”

作为子女，与父母相处的核心心法是“理解代沟而不强求改变”：父母的时代塑造了父母的观念，硬要他们认同你的消费观、职业观与婚恋观，多半徒劳；更聪明的策略是“抓大放小”——原则问题温和坚持，非原则问题顺从让步，让家庭氛围先“松”下来。

沟通上要“多听少辩”：每周固定给父母打一次电话，多问“最近身体怎么样”“家里有什么要帮忙的”，少争论“你的观念过时了”；用行动替代说教，父母看到你过得踏实、想得清楚，自然愿意靠近你的世界。

经济与照料上要“提早规划”：定期为父母梳理医疗与养老安排，帮助父母建立稳健的理财习惯（借鉴本文的“风险预算”思维：本金安全优先，拒绝高息诱惑），必要时引入专业照护资源；真正的孝顺不是盲目顺从，而是用成年人的智慧为父母托底——“孝而不顺，敬而有度”，才是现代子女与父母相处的理想状态。

10.4 养儿育女带娃与亲子教育：把日常过成课程

养儿育女的功夫，九成在日常而不在课堂。作息上，固定睡眠与饮食节律是孩子身心健康的地基（第七章的健康四支柱同样适用于孩子，儿童睡眠不足会直接影响情绪与学习）；运动上，保证每天至少一小时的户外活动，让眼睛与骨骼在阳光下成长；阅读上，亲子共读是最好的“早教”，它同时训练语言、注意力与情感联结。

劳动与金钱观是两堂必修课：让孩子从小参与家务、管理小额零花钱，理解“钱是赚来的、存起来的、需要计划的”，这比任何财商课程都管用；挫折教育则藏在游戏与失败里，孩子输掉一局棋、摔了一跤，父母要教的是“再来一次”而不是“别玩了”。

亲子教育的总纲，可以借用中国传统家训与现代心理学的交集：颜之推在《颜氏家训》里强调“风化者，自上而行于下者也，自先而施于后者也”，父母的身教重于言教^[23]；曾国藩在家书中反复叮嘱子弟“读书明理”、勤俭自立、耕读传家^[24]。今天做父母，本质上仍是同一件事：把自己活成一个值得孩子模仿的人，把家庭经营成一个值得孩子依恋的地方。

10.5 育儿成才与家国情怀：从“小我”到“大我”

育儿成才的终点，不只是个人成功，还有家国情怀。把眼光放远，孩子未来面对的是一个算法定价、全球竞争的时代，真正能让孩子走远的能力是四样：强健的体魄、终身学习的能力、诚实守信的品格、服务社会的志向——前三样是“个人复利”，第四样是“社会复利”。

家国情怀的培育不需要空洞说教：带孩子读历史、看山河、了解大国重器背后的奋斗故事，让他们理解“个人命运与国家命运同频共振”；当孩子把“成为更好的自己”与“让世界因为自己更好一点”连在一起，学习的动力会从“被催促”变成“自驱”，这才是最持久的成长引擎。

回到本文的主题：格尔科的财富来自体系、纪律与长期主义，而一个国家、一个民族的竞争力同样来自体系、纪律与长期主义；培养一个身心健康、热爱学习、有责任心的孩子，就是为家庭、为国家积累最确定性的“资产”，这份资产不惧市场波动，穿越任何周期。

10.6 安度晚年：把人生下半场当作“长期组合”来管理

安度晚年的本质，是把人生下半场当作一个“长期组合”来管理，四大配置缺一不可。第一是财务配置：提前做好养老储蓄与资产配置，遵循“风险预算”原则，把大部分资产放在稳健品种上，用小比例资产追求增长，绝不把养老钱投入高杠杆投机——这是本文所有金融纪律在人生尺度上的应用。

第二是健康配置：坚持第七章的饮食、运动、睡眠与情绪四支柱，定期体检、管理慢病、保持肌肉与平衡能力，健康是晚年幸福唯一的“本金”。第三是社交配置：保持三五知己、社区参与与代际联系，孤独是老年人最大的隐形杀手，而社交是成本最低的“长寿药”。

第四是精神配置：持续学习新技能、发展新爱好、整理人生经验传给后辈，让晚年从“被照顾”变成“再出发”；同时提前做好遗嘱、医疗预嘱与照护安排，把决定权握在自己手里，不给子女留纠纷。管理好这四大配置，晚年就不是“下坡路”，而是人生组合的“稳定分红期”。

写到这里，读者应该已经看出：从定价世界的算法，到经营人生的算法，底层逻辑始终是同一套——识别不确定性、管理风险预算、坚持长期主义、建设复利体系。第十一章，我们把这条主线收拢成最后的结论与展望。

十一、总结与展望

11.1 总结：一条主线、三个判断、一份答卷

把全文收拢成一条主线：AI做市不是“炒股神话”，而是“体系红利”——格尔科用数学功底、二十年积累、无外部股东的资本结构与研究加工程加风控的组织形态，把做市这一古老生意推进到机器学习时代；他的643亿元财富，是微观定价与极速对冲的复利，更是数据、算力、人才、资本四要素闭环的必然结果。

围绕这条主线，本文给出了三个核心判断。第一，工具易得、体系难建：AI让每个人都能“用计算器”，但只有少数人建得起“发电厂”，个人与企业真正的差距在体系；第二，风险先于收益：从闪电崩盘、骑士资本到中航油、联合石化、青山，所有反例都在警告，没有现货背书、比例克制与制度问责的衍生品操作，本质上都是投机；第三，人的因素永恒：饮食、运动、睡眠、情绪四根支柱，育儿、孝亲、晚年的长期组合，与交易体系共用同一套“风险预算与长期主义”的算法。

如果说这篇论文是一份答卷，那么它回答的就是引言里那个扎心的问题：凭什么他的一天顶我一辈子？答案是——他不赌运气，他赌体系；他不追风口，他建能力；他不透支健康与家庭，他把人生当作复利资产来经营。这些，恰恰是每一个普通人都能开始做的事。

11.2 展望：算法时代的三个“下一步”

展望未来十年，第一个“下一步”是算力与能源的合流：以XTX自建芬兰数据中心为代表，金融科技正在变成“算力基础设施生意”，电力、土地与芯片成为新的金融生产资料，这一趋势将深刻改写金融业的成本结构与竞争格局。

第二个“下一步”是监管与市场设计的进化：面对算法军备竞赛与极端行情下的流动性真空，频繁批量拍卖、做市商义务与激励的再平衡、AI交易的审计与问责，将成为全球监管者的共同课题，中国的做市商制度与套保会计环境也会在借鉴中继续完善。

第三个“下一步”是人与机器的再分工：AI会接管越来越多的计算、执行与预测，但目标设定、价值观判断、风险承担与情感联结仍将是人的领地；未来的赢家，不是最懂算法的人，而是最懂“人为何而投资”的人——这既是本文的结语，也是给每一位读者的邀请：在算法为世界定价的时代，愿你为自己的人生定价。

附录：术语与关键概念释义

为便于读者查阅，现将本文出现的主要术语按主题归类释义如下（见表8），释义力求口语化而不失准确。

表8术语与关键概念释义

参考文献

本文核心参考文献按学科领域分类汇总，共三十篇，均为相关领域的经典权威文献，供读者按图索骥、深入研读。

金融学与市场微观结构

[1] DE LA VEGA J. Confusion de Confusiones（混乱之混乱）[M]. Amsterdam, 1688.

[2] KEYNES J M. A Treatise on Money（货币论）[M]. London: Macmillan, 1930.

[3] MARKOWITZ H. Portfolio Selection[J]. The Journal of Finance, 1952, 7(1): 77-91.

[4] SHARPE W F. Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk[J]. The Journal of Finance, 1964, 19(3): 425-442.

[5] FAMA E F. Efficient Capital Markets: A Review of Theory and Empirical Work[J]. The Journal of Finance, 1970, 25(2): 383-417.

[6] BLACK F, SCHOLES M. The Pricing of Options and Corporate Liabilities[J]. Journal of Political Economy, 1973, 81(3): 637-654.

[7] GLOSTEN L R, MILGROM P R. Bid, Ask and Transaction Prices in a Specialist Market with Heterogeneously Informed Traders[J]. Journal of Financial Economics, 1985, 14(1): 71-100.

[8] KYLE A S. Continuous Auctions and Insider Trading[J]. Econometrica, 1985, 53(6): 1315-1335.

[9] O'HARA M. Market Microstructure Theory[M]. Cambridge: Blackwell, 1995.

[10] HARRIS L. Trading and Exchanges: Market Microstructure for Practitioners[M]. New York: Oxford University Press, 2003.

行为金融与认知科学

[11] KAHNEMAN D, TVERSKY A. Prospect Theory: An Analysis of Decision under Risk[J]. Econometrica, 1979, 47(2): 263-291.

[12] LO A W. The Adaptive Markets Hypothesis[J]. The Journal of Portfolio Management, 2004, 30(5): 15-29.

[13] KAHNEMAN D. Thinking, Fast and Slow[M]. New York: Farrar, Straus and Giroux, 2011.

人工智能与量化交易

[14] GOODFELLOW I, BENGIO Y, COURVILLE A. Deep Learning[M]. Cambridge: MIT Press, 2016.

[15] LOPEZ DE PRADO M. Advances in Financial Machine Learning[M]. Hoboken: John Wiley and Sons, 2018.

[16] HENDERSHOTT T, JONES C M, MENKVELD A J. Does Algorithmic Trading Improve Liquidity?[J]. The Journal of Finance, 2011, 66(1): 1-33.

[17] BUDISH E, CRAMTON P, SHIM J. The High-Frequency Trading Arms Race: Frequent Batch Auctions as a Market Design Response[J]. The Quarterly Journal of Economics, 2015, 130(4): 1547-1621.

[18] KIRILENKO A A, KYLE A S, SAMADI M, et al. The Flash Crash: High-Frequency Trading in an Electronic Market[J]. The Journal of Finance, 2017, 72(3): 967-998.

套期保值与风险管理

[19] WORKING H. Futures Trading and Hedging[J]. The American Economic Review, 1953, 43(3): 314-343.

[20] JOHNSON L L. The Theory of Hedging and Speculation in Commodity Futures[J]. The Review of Economic Studies, 1960, 27(3): 139-151.

[21] EDERINGTON L H. The Hedging Performance of the New Futures Markets[J]. The Journal of Finance, 1979, 34(1): 157-170.

[22] HULL J C. Options, Futures, and Other Derivatives[M]. 10th ed. Harlow: Pearson, 2017.

教育与家庭

[23] 颜之推. 颜氏家训[M]. 北齐至隋初. 北京: 中华书局点校本.

[24] 曾国藩. 曾国藩家书[M]. 清. 长沙: 岳麓书社点校本.

[25] BOWLBY J. Attachment and Loss, Vol.1: Attachment[M]. New York: Basic Books, 1969.

[26] BAUMRIND D. Current Patterns of Parental Authority[J]. Developmental Psychology Monographs, 1971, 4(1, Pt.2): 1-103.

[27] DWECK C S. Mindset: The New Psychology of Success[M]. New York: Random House, 2006.

身心健康

[28] WALKER M. Why We Sleep: Unlocking the Power of Sleep and Dreams[M]. New York: Scribner, 2017.

[29] ESTRUCH R, ROS E, SALAS-SALVADO J, et al. Primary Prevention of Cardiovascular Disease with a Mediterranean Diet[J]. The New England Journal of Medicine, 2013, 368(14): 1279-1290.

[30] World Health Organization. WHO Guidelines on Physical Activity and Sedentary Behaviour[R]. Geneva: WHO, 2020.

说明：文中涉及的格尔科身家、XTX经营数据、企业套保案例等事实性信息，均来自正文引用的公开报道、公司公告与交易所披露文件，出处已在正文相应位置以机构名称注明；经典文献的书目信息以出版方原始记录为准。