一、Order Book 深度解析：订单簿到底长什么样？

做美股量化交易，你第一个要面对的数据结构就是 Order Book。说白了，它就是交易所维护的一个实时账本——记录着当前所有未成交的买单和卖单。

我个人习惯把 Order Book 想象成一个「排队系统」。买方排一队，卖方排一队。谁的价格好谁排前面。嗯，就这么简单。

1.1 订单簿的核心结构

一个标准的 Level 2 订单簿，包含两个核心部分：

• Bid（买方队列）：按价格从高到低排列
• Ask（卖方队列）：按价格从低到高排列

每个价格档位上，都挂着对应的挂单量（Size）。

我在项目中遇到过一个问题：有些新手会把 Bid 和 Ask 搞反。记住一个口诀——「买方想便宜，所以出价低；卖方想赚钱，所以要价高」。但 Bid 是买方愿意出的最高价，Ask 是卖方愿意接受的最低价。别弄混了。

1.2 用 Python 模拟一个订单簿

光说理论没意思，咱们直接上代码。下面这个例子，我用 Python 模拟了一个简化版的订单簿：

# 模拟一个简单的订单簿
order_book = {
    'bids': [  # 买方队列，价格从高到低
        {'price': 150.25, 'size': 1200},
        {'price': 150.20, 'size': 800},
        {'price': 150.15, 'size': 2500},
        {'price': 150.10, 'size': 1500},
    ],
    'asks': [  # 卖方队列，价格从低到高
        {'price': 150.30, 'size': 900},
        {'price': 150.35, 'size': 1800},
        {'price': 150.40, 'size': 1100},
        {'price': 150.45, 'size': 2200},
    ]
}

# 获取最佳买卖价
best_bid = order_book['bids'][0]['price']
best_ask = order_book['asks'][0]['price']
spread = best_ask - best_bid

print(f"Best Bid: {best_bid}, Best Ask: {best_ask}")
print(f"Spread: {spread:.2f}")

你想想看，这个结构其实很直观。每个价格档位就是一个「水位线」，挂单量就是水位线上的「水量」。水量越大，说明这个价格位置的支撑或阻力越强。

二、Price Level 与 Size：价格档位和挂单量的数据结构

接下来我们深入看看 Price Level 和 Size 的具体结构。这部分我建议你重点理解，因为它是所有高级策略的基础。

2.1 价格档位的组织方式

交易所不会把每个价格都列出来，而是只展示有挂单的价格档位。每个档位包含：

• Price：价格，精确到小数点后两位（美股通常如此）
• Size：该价格上的总挂单量（单位：股）
• Order Count：该价格上有多少个独立的订单（有些数据源提供）

举个例子，苹果股票在 150.25 这个价位上有 1200 股挂单，这 1200 股可能是 3 个订单组成的（比如 500+400+300）。

2.2 数据更新的增量模式

Level 2 数据是实时推送的，每次更新只发送变化的部分。常见的更新类型有：

操作类型	说明	示例
Add	新增一个订单	在 150.25 增加 500 股买单
Cancel	撤销一个订单	在 150.25 减少 300 股买单
Execute	成交（部分或全部）	在 150.25 成交 200 股买单
Replace	修改订单（价格或数量）	把 150.25 的买单改为 150.30

我曾经踩过一个坑：以为每次推送都是完整的订单簿快照。结果用增量数据直接覆盖本地状态，导致数据错乱。后来才明白，必须维护一个本地订单簿，每次收到增量更新就做对应的增删改操作。

2.3 用 Python 处理增量更新

# 维护本地订单簿
local_book = {'bids': {}, 'asks': {}}

def apply_update(update):
    """处理增量更新"""
    side = update['side']  # 'bid' or 'ask'
    price = update['price']
    size = update['size']
    action = update['action']  # 'add', 'cancel', 'execute'
    
    if action == 'add':
        local_book[side][price] = local_book[side].get(price, 0) + size
    elif action in ('cancel', 'execute'):
        local_book[side][price] = local_book[side].get(price, 0) - size
        # 如果该价格档位挂单量为0，删除该档位
        if local_book[side][price] <= 0:
            del local_book[side][price]
    
    # 按价格排序
    local_book[side] = dict(sorted(
        local_book[side].items(), 
        reverse=(side == 'bids')
    ))

三、Time & Sales：逐笔成交数据结构

Time & Sales，也叫 Tape（磁带数据），记录的是每一笔实际发生的交易。和订单簿不同，它记录的是「已经发生的事」，而不是「正在等待的事」。

3.1 逐笔成交的核心字段

每一笔成交记录通常包含以下信息：

• Timestamp：成交时间，精确到毫秒甚至微秒
• Price：成交价格
• Size：成交数量
• Exchange：成交的交易所代码（如 NYSE、NASDAQ）
• Sale Condition：成交条件（如普通交易、大宗交易等）

3.2 逐笔成交与订单簿的关系

这两者其实是同一枚硬币的两面。订单簿展示的是「流动性池子」，逐笔成交展示的是「从池子里舀水的过程」。

举个例子：

1. 订单簿显示 150.30 有 1000 股卖单
2. 突然来了一笔 150.30 成交 800 股的记录
3. 订单簿上 150.30 的挂单量减少 800 股

你看，逐笔成交就是订单簿变化的「原因」。我习惯把两者结合起来看——如果某价格档位频繁出现大额成交，说明这个位置有「真金白银」在博弈。

3.3 用 Python 解析逐笔成交数据

# 模拟逐笔成交数据
trades = [
    {'time': '09:30:00.123', 'price': 150.30, 'size': 800, 'exchange': 'N'},
    {'time': '09:30:00.456', 'price': 150.31, 'size': 200, 'exchange': 'Q'},
    {'time': '09:30:00.789', 'price': 150.29, 'size': 1500, 'exchange': 'N'},
]

# 计算累计成交量
total_volume = sum(t['size'] for t in trades)
vwap = sum(t['price'] * t['size'] for t in trades) / total_volume

print(f"总成交量: {total_volume} 股")
print(f"成交量加权均价(VWAP): {vwap:.2f}")

四、知识体系总览

下面这张图，我把本章的核心知识点串起来了。你可以把它当作一个「地图」，随时回来对照：

嗯，以上就是本章的全部内容。数据结构是量化交易的基石，把这些搞明白了，后面讲策略的时候你才能跟得上。记住，数据本身不会说谎，但解读数据的方式决定了你的交易水平。

---