Maker-Taker 费率结构与订单类型博弈：谁在补贴谁 • halo 的技术博客

你每在交易所下一笔单，背后就发生一笔「转移支付」：有人因为提供了流动性拿到返佣，有人因为拿走流动性付了费用，而交易所稳稳抽走中间的差价。这套机制叫 maker-taker 费率结构，它是过去二十年电子交易、尤其是高频做市生态的底层燃料。

结论先放这：在正常市场里，是 taker（吃单方，往往是 impatient 的投机者、套利者、零售流）在补贴 maker（挂单方，往往是做市商与高频流动性提供者）。 在我们的 2520 个交易日（约 10 年）模拟里，taker 累计付费 $3,855，其中 $2,570（66.7%）以返佣形式流入 maker 口袋，剩下 $1,285（33.3%）归交易所；maker 在扣除逆选择成本后净盈利 $7,700，taker 净成本 $8,985。但这个关系不是永恒的——当知情单比例越过盈亏平衡点 $p_{\text{info}}^* \approx 0.60$ 时，补贴方向会逆转，maker 开始亏钱、taker 反而相对占优。

在真实市场，这套转移支付是天文量级的生意：美股单日成交量常以百亿股计，哪怕每手 0.4–0.6 bps 的费率差，乘以海量成交，也是交易所与做市商之间每年数十亿美元的再分配——这恰恰是许多高频做市利润的来源之一。理解它，是看懂一切执行成本与最优下单算法的前提。

每笔成交的费用分配：taker 付费被拆成 maker 返佣 + 交易所净收

一、费率结构：一笔成交怎么被「分账」#

maker-taker 的核心就一句话：挂单提供流动性 → 拿返佣（rebate，负的费用）；吃单拿走流动性 → 付费（fee，正的费用）。

假设某股票中间价 50 美元，半价差 $s=0.01$ 美元，maker 返佣 $R=0.002$ 美元/股，taker 费用 $F=0.003$ 美元/股（对 50 美元股价分别约等于 0.40 bps 和 0.60 bps，是真实的零售/机构量级）。当一个 taker 市价卖单砸到买一档、被 maker 的限价买单吃掉时：

maker 以买一档（ $50 - s = 49.99$ ）成交，交易所退给他 $R = 0.002$ 美元/股；
taker 以买一档成交，付给交易所 $F = 0.003$ 美元/股；
交易所 净收 $F - R = 0.001$ 美元/股，正好是 taker 费用的 33.3%。

每笔成交的费用分配：taker 付费被拆成 maker 返佣 + 交易所净收

所以每一笔成交，taker 交的费里有一大块（这里是 2/3）被「搬运」到了 maker 账上。交易所不生产流动性，它只是流动性的二传手——把 taker 的钱抽一道头，把剩下的返给 maker。这就是「谁补贴谁」的财务骨架。

二、订单类型博弈：同一笔「想买 100 股」，两种成本#

maker-taker 的精妙在于：它把同一个经济决策拆成了两种订单类型，让交易者自己选成本结构。

假设你想买入 1000 股，面前有两条路：

市价单（taker）：立刻以卖一档 $50 + s = 50.01$ 成交，代价 = 跨越的半价差 $s$ + taker 费用 $F$ 。好处是确定成交、零等待、规避逆选择——你马上拿到头寸，不用赌价格往哪走。
限价单（maker）：挂在买一档 $49.99$ 等待。代价是不确定是否成交 + 一旦成交要承担「被知情单挑中」的逆选择。好处是拿到半价差 $s$ 的价内改善 + maker 返佣 $R$ 。

关键矛盾在这里：maker 的限价单是「被动」的，它只在有人主动来吃时才成交；而来吃的人往往带着信息——知情交易者会在坏消息前抢先卖出，于是 maker 刚以 49.99 买到，下一期中间价就跌到 49.94，maker 账上浮亏。换句话说，maker 拿到返佣，是用「接住逆向单」的风险换来的。返佣本质上是对逆选择风险的补偿（premium），不是白给的补贴。

把两边的期望每手净收益写清楚（设知情单比例为 $p_{\text{info}}$ ，知情后不利移动为 $\Delta$ ）：

\text{maker 每手净} = s + R - p_{\text{info}}\,\Delta, \qquad \text{taker 每手净成本} = s + F - p_{\text{info}}\,\Delta

注意两式只差在 $R$ 与 $F$ ：maker 多拿返佣、taker 多付费用，但两者都暴露在同样的逆选择 $\Delta$ 上。这说明 maker-taker 不是「谁更聪明」的游戏，而是「谁愿意接逆向单、谁愿意为确定性付费」的风险分工。

三、谁补贴谁：10 年对抗模拟#

为了把上面的账算实，我搭了一个最小但自洽的模拟：中间价随机游走，每个交易日以概率 $p_{\text{take}}=0.5$ 出现一笔吃单，其中 $p_{\text{info}}=0.30$ 是知情单（触发下一期不利移动 $\Delta = 0.02$ 美元/股）。maker 永远挂买一等待被吃，taker 永远市价卖。逐笔累加现金，跑满 2520 个交易日。

资金流向：maker 稳赚、交易所抽水、taker 持续失血

结果（全部由脚本真实计算）：

共成交 1285 笔，其中知情成交 386 笔（30.0%）；
maker 总返佣 $2,570；taker 总费用 $3,855；交易所总收入 $1,285（正好是 $F-R$ 的累计）；
maker 通过「挂买一、次日按中间价平仓」捕获半价差 $12,850，被逆选择吃掉 $7,720，净盈利 $7,700；
taker 净成本（费用 + 价差 − 知情避损）$8,985，其中知情单「提前离场避开下跌」省下 $7,720。

10 年累计资金流向：taker 付费养活 maker 与交易所

把费用拆开看补贴率：taker 每交 1 美元费用，66.7% 流入 maker 返佣，33.3% 归交易所。这就是标题答案——在日常市场，是 impatient 的 taker 在补贴坐等流动性的 maker，交易所抽走手续费差价。maker 的 $7,700 净盈利里，$2,570 是直接来自 taker 费用的返佣，$12,850 是半价差捕获，而 $7,720 的逆选择损失恰恰提醒我们：这部分盈利不是无风险的。

四、逆选择决定补贴方向：盈亏平衡点#

上面的结论依赖一个前提—— $p_{\text{info}}$ 没大到让 maker 的返佣被逆选择吞光。把 maker 每手净收益对 $p_{\text{info}}$ 画图，它会是一条向下倾斜的线，在

p_{\text{info}}^* = \frac{s + R}{\Delta} = \frac{0.01 + 0.002}{0.02} = 0.60

处穿过零轴。越过这个点，maker 开始净亏损，补贴关系逆转：原本被补贴的 maker 反过来成了风险的承接方，而愿意付费买确定性的 taker 相对更划算。

逆选择强度决定补贴方向：越过盈亏平衡, maker 转亏、taker 反补

这解释了现实里两个现象：① 正常波动市，做市商和高频流动性提供者稳定赚取返佣+价差；② 一旦进入信息不对称暴涨的行情（财报、宏观冲击、闪崩），知情单比例飙升，maker 会主动撤单、拉宽价差——因为此时 $p_{\text{info}} > p_{\text{info}}^*$ ，继续挂单是在补贴别人。交易所的 maker-taker 费率表是静态的，但流动性供给是动态博弈的结果。

五、复现：核心模拟代码#

下面这段就是上面所有数字的产生器（numpy 即可跑）：

import numpy as np

P0, s, R, F = 50.0, 0.01, 0.002, 0.003   # 中间价/半价差/maker返佣/taker费用
q, T = 1000, 2520                         # 每笔股数/交易日
p_take, p_info, delta = 0.50, 0.30, 0.02 # 吃单概率/知情比例/不利移动
rng = np.random.default_rng(20260712)

mid = P0
mk_reb = mk_spr = mk_adv = tk_fee = tk_spr = tk_avoid = 0.0
fills = inf = 0
for t in range(T - 1):
    mid *= 1.0 + 0.0002 + 0.012 * rng.standard_normal()
    if rng.random() < p_take:
        fills += 1
        informed = rng.random() < p_info
        mk_reb  += q * R          # maker 拿到返佣
        mk_spr  += q * s          # maker 捕获半价差
        tk_fee  += q * F          # taker 付费
        tk_spr  += q * s          # taker 付价差
        if informed:
            inf += 1
            mk_adv   += q * delta # maker 逆选择损失
            tk_avoid += q * delta # taker 避开下跌

print("maker 总返佣", mk_reb, "taker 总费用", tk_fee, "交易所收入", tk_fee - mk_reb)
print("maker 净盈利", mk_reb + mk_spr - mk_adv)
print("taker 净成本", tk_fee + tk_spr - tk_avoid)
print("盈亏平衡 p_info* =", (s + R) / delta)

python

把 p_info 调到 0.6 以上再跑，你会看到 maker 净盈利由正转负——补贴关系逆转的一刻，就是这段代码给你的。

六、真实市场里的六大陷阱#

模型干净，但落地有坑，至少六个：

返佣不等于免费：maker 净盈利里最大头是半价差捕获，返佣只是其中一块；把返佣当「白赚」会严重高估做市利润。
排队优先级（queue priority）：同价挂单按时间优先，你的限价单可能排在第 100 位，等轮到你时价格早已不利——非优先 maker 实际成交率远低于模型假设。
隐藏单 / iceberg：大单拆成冰山单挂在簿上，会插队、会伪装流动性，单纯看档位深度会误判真实成交概率。
订单流付款（PFOF）：零售流被券商卖给做市商，maker 拿到的是经过路由抽成后的「二级返佣」，终端散户并不真正拿到 rebate。
暗池与跨市场路由（ISO）：很多 taker 流量被导向暗池或走 ISO 直连，绕开公开市场，公开簿上的 maker-taker 只是全貌的一角。
撤单博弈：maker 可以秒挂秒撤（quote stuffing），用极短驻留时间骗取 rebate 而不承担逆选择——这也是为什么部分交易所改成「阶梯返佣」（要求最小驻留时间）。

结语#

maker-taker 不是一张费率表，而是一台把流动性风险重新定价、再分配的机器：它用返佣把 impatient 的 taker 的钱，一部分转给愿意接逆向单的 maker，一部分留给交易所。日常里 taker 补贴 maker；但当知情比例越过盈亏平衡，maker 撤单、价差拉宽，补贴关系瞬间逆转。理解这笔转移支付，你才算真正看懂了订单簿背后的激励结构——而这，正是所有执行成本、滑点、最优下单算法研究的起点。

注：本文为教学用极简模型，参数为演示校准，不代表任何真实交易所费率或某只标的。真实费率因交易所、会员层级、月度成交量阶梯差异极大；实盘下单涉及合规与经纪商规则，本文不构成任何交易建议。