一、行情数据全景概览：什么是多源行情数据？为什么需要融合？

做量化交易这些年，我每天打交道最多的就是行情数据。说白了，行情数据就是市场的「心跳声」——每一笔成交、每一次报价，都在告诉你市场正在发生什么。

但问题来了：市场上的行情数据源太多了。交易所给一套，第三方数据商给一套，OTC市场又是一套。它们格式不同、延迟不同、甚至价格都有差异。你该信谁？

嗯，这就是我们今天要聊的核心——多源行情数据融合。

1.1 什么是多源行情数据？

多源行情数据，字面意思就是来自多个数据源的行情信息。我习惯把它分成三类：

• 交易所直连数据：比如你直接连上交所、深交所的行情网关，拿到的是最原始的快照数据。
• 第三方聚合数据：像彭博、路透、Wind这些数据商，它们把多个交易所的数据收过来，清洗、对齐后再卖给你。
• OTC市场数据：场外交易的数据，比如加密货币的币安、OKX，或者外汇市场的ECN平台。

你想想看，如果你只盯着一个数据源，很容易被「带偏」。我在项目中遇到过好几次，单看交易所的Level-2数据觉得流动性很好，结果OTC那边的深度完全不一样——这就是信息差。

1.2 为什么需要融合？

这个问题我问过不少刚入行的朋友。他们的第一反应是：「数据越多越准呗。」

其实没那么简单。融合的核心原因有三个：

1. 补全信息盲区：单个数据源只能看到局部。比如A股市场，上交所和深交所的行情是分开的，你不融合就看不到全市场资金流向。
2. 提高数据质量：任何一个数据源都可能出错。我遇到过交易所网关偶尔丢包，第三方数据商延迟抖动。多源交叉验证，能帮你揪出这些「脏数据」。
3. 降低单一依赖风险：万一某个数据源挂了，你的策略就停摆了？这不行。多源融合相当于给系统上了「双保险」。

1.3 主流数据源介绍

下面这张表是我自己整理的，基本覆盖了市面上常见的数据源类型：

数据源类型	代表平台	特点	适用场景
交易所直连	上交所、深交所、CME	延迟最低，数据最原始	高频交易、做市策略
第三方聚合	彭博、Wind、聚宽	数据清洗过，接口统一	回测、中低频策略
OTC市场	币安、Coinbase、LMAX	24小时交易，深度分散	加密货币、外汇策略

这里我想多说一句：很多人觉得交易所直连就是最好的。其实不一定。直连虽然延迟低，但数据格式很「原始」——你得自己解析二进制协议、处理重连逻辑。第三方数据商虽然慢几毫秒，但省心很多。

我曾经在项目中为了省那2毫秒，硬啃了上交所的STEP协议。结果呢？花了三周时间调试，最后发现第三方数据商的延迟也就多了5毫秒，但稳定性好得多。嗯，有时候「够用」比「极致」更重要。

1.4 多源融合的核心逻辑

说了这么多，到底怎么融合？我画了一张图，帮你理清思路：

这张图展示的就是我常用的融合流程。三个数据源进来，经过融合引擎处理，最后输出一份统一的行情数据。融合引擎里做了四件事：

• 时间对齐：不同数据源的时间戳可能差几毫秒，得先对齐到统一时间轴。
• 格式统一：把不同格式的数据转成标准结构。比如交易所给的是二进制，第三方给的是JSON，都转成内部定义的ProtoBuf格式。
• 冲突解决：当两个数据源的价格不一致时，按规则选一个。我常用的规则是「取中位数」或「取最近成交价」。
• 质量校验：检查数据是否完整、是否有异常跳变。比如价格突然涨了10%，大概率是数据错误。

1.5 一个小例子：如何判断数据源质量？

说了这么多理论，来点实际的。假设你同时接了三个数据源，怎么判断哪个更靠谱？

我一般用这个简单的Python脚本来做「心跳检测」：

import time
import statistics

def check_data_quality(data_sources):
    """
    检查多个数据源的质量
    data_sources: 字典，key是数据源名称，value是行情数据列表
    """
    results = {}
    
    for name, data in data_sources.items():
        # 计算数据到达间隔
        intervals = []
        for i in range(1, len(data)):
            interval = data[i]['timestamp'] - data[i-1]['timestamp']
            intervals.append(interval)
        
        # 统计指标
        avg_interval = statistics.mean(intervals)
        std_interval = statistics.stdev(intervals)
        missing_count = sum(1 for i in intervals if i > 1000)  # 超过1秒算缺失
        
        results[name] = {
            'avg_latency_ms': avg_interval,
            'jitter_ms': std_interval,
            'missing_count': missing_count
        }
    
    return results

# 使用示例
sources = {
    'exchange': [...],  # 交易所数据
    'third_party': [...],  # 第三方数据
    'otc': [...]  # OTC数据
}

quality = check_data_quality(sources)
print(quality)

这个脚本很简单，但很实用。它能告诉你每个数据源的延迟、抖动和缺失情况。我每次接入新数据源，都会先跑一遍这个脚本，心里才有底。

好了，这一章的内容就到这里。多源行情数据融合，说白了就是「兼听则明」——多听几个声音，才能看清市场的全貌。下一章我们会深入聊具体的数据采集和清洗技术，到时候见。