第三章 流动性分层：L1/L2/L3订单簿结构、深度图解读、流动性聚合
做市这件事，说白了就是跟流动性打交道。
你想想看，我们赚的是买卖价差，但前提是——市场得有足够的单子让你吃。如果盘口空空如也，你挂单也没人理，那还做什么市？
所以这一章，我们来聊聊流动性的底层结构。我个人习惯把流动性分成三个层次：L1、L2、L3。别被这些术语吓到，其实没那么复杂。
3.1 订单簿的骨架：L1/L2/L3 到底指什么？
先给个直观的定义：
- L1（Level 1）：最优买卖价。也就是你看到的那一档——买一价、卖一价，加上对应的挂单量。
- L2（Level 2）：多档深度。从买一到买N，从卖一到卖N，每一档的价格和数量都给你。
- L3（Level 3）：逐笔委托。每一笔挂单的完整信息，包括订单ID、价格、数量、时间戳，甚至能追踪到订单的修改和撤单。
我在做高频做市的时候，L3数据是必需品。为什么？因为L2只能告诉你「现在有多少单子」，但L3能告诉你「这些单子是谁挂的、挂了多久、有没有撤单倾向」。说白了，L3让你看到市场的「呼吸」。
核心观点：L1是表象，L2是骨架，L3是肌肉和神经。做市算法越精细，对数据层级的要求就越高。
3.2 深度图解读：别只看价格，要看形状
深度图（Depth Chart）是L2数据的可视化。横轴是价格，纵轴是累计挂单量。买盘在左，卖盘在右，中间那个缺口就是当前价。
我见过很多新手做市商，只看深度图上的「厚度」——觉得买盘厚就安全，卖盘厚就危险。其实没那么简单。
真正有价值的是深度图的形状。我总结了几种常见形态：
| 形态 | 特征 | 做市策略含义 |
|---|---|---|
| 陡峭型 | 靠近最优价时深度极厚，远离时迅速变薄 | 市场流动性集中，适合窄价差做市 |
| 平缓型 | 深度随价格变化缓慢，没有明显断层 | 市场深度分散，价差可以适当放宽 |
| 断层型 | 某个价格区间突然出现深度缺失 | 可能存在大单埋伏或流动性黑洞，需警惕 |
| 单边倾斜型 | 买盘明显厚于卖盘，或反之 | 市场情绪偏向一方，做市需调整库存方向 |
举个例子。我曾经在某个山寨币上做市，深度图看起来买盘很厚，但仔细一看——买一到买五之间有个明显的断层。也就是说，如果价格跌穿买一，会直接砸到买五的位置。这种结构下，我果断把止损线设在了断层上方。结果第二天，果然有人砸盘，我的止损刚好触发，躲过一劫。
我的习惯：每次启动做市算法前，先拉出深度图看5分钟。不是看价格涨跌，而是看形状有没有异常。形状变了，说明有人在搞事情。
3.3 流动性聚合：把碎片拼成地图
现实中的流动性是分散的。同一个币种，可能在币安、OKX、Bybit、Deribit上都有交易。每个交易所的深度、费率、延迟都不一样。
流动性聚合（Liquidity Aggregation），就是把多个交易所的订单簿合并成一个虚拟订单簿。做市算法根据这个虚拟订单簿来决策，然后路由到具体交易所执行。
这里有个关键问题：怎么合并？
最简单的做法是「价格对齐，深度累加」。比如币安卖一价100.1，深度100个；OKX卖一价100.2，深度200个。那虚拟订单簿的卖一就是100.1，深度100+200=300？
不对。因为两个交易所的订单不能同时成交，你只能选一个。所以更合理的做法是：
- 按价格排序，保留每个价格点的最优深度
- 或者按「可成交总量」来加权，考虑滑点成本
我个人倾向于第二种。我在项目中用过一种方法：
def aggregate_l2(orderbooks, max_levels=10):
"""
聚合多个L2订单簿
orderbooks: list of (exchange_name, bids, asks)
bids/asks: list of (price, size)
"""
# 按价格合并，相同价格取深度之和
agg_bids = {}
agg_asks = {}
for name, bids, asks in orderbooks:
for price, size in bids:
agg_bids[price] = agg_bids.get(price, 0) + size
for price, size in asks:
agg_asks[price] = agg_asks.get(price, 0) + size
# 排序并截取前N档
sorted_bids = sorted(agg_bids.items(), reverse=True)[:max_levels]
sorted_asks = sorted(agg_asks.items())[:max_levels]
return sorted_bids, sorted_asks这段代码很简单，但实际生产环境要复杂得多。比如要考虑交易所之间的延迟差异——如果A交易所的数据比B交易所慢了200毫秒，那聚合出来的深度可能已经过时了。
避坑指南：我曾经在聚合时忽略了交易所的「最小交易量」限制。结果虚拟订单簿显示某个价位有500个币可以吃，但实际交易所的最小挂单是1000个币，导致算法一直无法成交。嗯，从那以后，我每次聚合都会把交易所的规则参数一起带进来。
3.4 知识体系：流动性分层与做市算法的关系
下面这张图是我自己画的，把L1/L2/L3、深度图、流动性聚合串在了一起。你可以看到它们如何影响做市算法的核心决策：
这张图想表达的核心是：数据层越深，决策层越精准。但代价是计算复杂度和延迟也会上升。所以实际做市时，你需要根据策略类型来取舍。
比如做高频做市（HFT），L3数据是必须的，但聚合可能只做1-2个交易所，因为延迟敏感。做中低频做市，L2就够了，但聚合的交易所可以更多，追求的是深度覆盖。
3.5 实战中的流动性陷阱
最后聊几个我踩过的坑：
- 虚假深度：有些交易所的L2数据里，挂单量是「名义深度」，不是「可成交深度」。比如某个价位挂了1000个币，但其中800个是冰山订单，实际只能吃到200个。我曾经因为这个吃过亏，后来改用L3数据来验证。
- 聚合延迟：跨交易所聚合时，如果某个交易所的数据延迟了，聚合结果会「偏老」。我习惯给每个交易所加一个「新鲜度标签」，超过一定延迟的数据直接丢弃。
- 深度突变：有时候深度图看起来很正常，但下一秒某个价位突然被抽走几千个币。这通常是大户在撤单。我建议在聚合时加入「深度变化率」监控，如果某个价位的深度在1秒内变化超过30%，触发警报。
一个小技巧：做市算法启动前，先跑一段「回放模式」——用历史L2/L3数据模拟当前市场，看看你的聚合逻辑能不能正确识别深度变化。我每次换交易所或者改参数，都会先跑一遍回放，省得上线后出幺蛾子。
好了，流动性分层这部分就聊到这儿。记住一句话：你看到的深度，不一定是你能吃到的深度。做市的核心能力之一，就是透过L1/L2的表象，看到L3背后的真实流动性。