Level2行情数据解析：逐笔成交、逐笔委托、十档行情、快照与增量

做市交易这行，数据就是你的眼睛。而Level2行情，说白了就是给你配了一副高清夜视仪。

普通行情只能看到五档买卖盘，每秒刷新一次。Level2呢？十档行情、逐笔成交、逐笔委托，还有快照和增量数据。我刚开始接触时也觉得眼花缭乱，但用顺手了就会发现——这些数据里藏着太多赚钱的信号。

Level2到底多了什么？

先看一张对比表，你就明白了：

嗯，这里要注意。Level2的核心优势不是「多五档」，而是「逐笔」和「增量」。这两个东西，才是做市策略的灵魂。

逐笔成交：每一笔交易都逃不过你的眼睛

逐笔成交数据，记录的是每一笔实际成交的订单。它包含什么？

• 成交时间：精确到毫秒甚至微秒
• 成交价格：这笔交易的实际成交价
• 成交数量：这笔交易成交了多少手
• 成交方向：主动买还是主动卖（也就是常说的「主买」和「主卖」）
• 成交编号：交易所给这笔交易分配的唯一ID

我在项目中遇到过一件事。有一次做回测，发现某个策略在模拟环境里跑得挺好，一上实盘就亏。后来查了半天，问题出在「成交方向」的判断上。模拟环境里我用的是Tick数据的买卖标识，但实盘里有些交易所的逐笔成交数据，方向标识是反的。你想想看，方向都搞反了，策略能赚钱才怪。

逐笔委托：看透订单簿的「前世今生」

逐笔委托比逐笔成交更底层。它记录的是每一笔挂单、撤单、成交的完整生命周期。

举个例子。你在盘口看到卖一价10.00元挂了1000手，下一秒变成了800手。普通行情只告诉你「卖一数量变了」，但逐笔委托会告诉你：

• 有人撤单了200手
• 或者有人成交了200手
• 甚至可能是有人修改了订单（先撤再挂）

逐笔委托的数据结构大概长这样：

{
  "order_id": "2024010109300012345",  // 委托单编号
  "time": 1704061800000,              // 委托时间（毫秒时间戳）
  "price": 10.00,                     // 委托价格
  "volume": 1000,                     // 委托数量
  "side": "sell",                     // 买卖方向
  "type": "limit",                    // 委托类型（限价/市价）
  "action": "new"                     // 操作类型：new/cancel/trade
}

为什么这个数据重要？因为你可以通过逐笔委托，还原出订单簿的「微观结构」。比如，某个价位突然出现大量挂单，然后又迅速撤单——这很可能是「虚假挂单」，用来诱导其他交易者跟风。做市商如果看不懂这个，很容易被「钓鱼」。

十档行情：看得更远，才能跑得更快

十档行情，就是订单簿上买卖各10档的价格和数量。普通行情只有5档，Level2给你10档。

多这5档有什么用？

• 判断支撑和压力：如果卖10档到卖6档全是密密麻麻的挂单，说明上方压力很大，价格很难突破。
• 识别大单动向：某个价位突然出现巨量挂单，可能是机构在「筑墙」。
• 计算市场深度：你可以算出，要推动价格变动1个tick，需要吃掉多少对手盘。

我记得有一次做ETH的做市策略，发现卖5档到卖8档之间有个「缺口」——中间几档几乎没有挂单。这意味着什么？一旦价格突破卖4档，会瞬间跳到卖9档，中间几乎没有阻力。我立刻调整了策略，在卖4档附近加大了挂单量，果然吃到了这波快速拉升的利润。

快照与增量：两种数据，两种用法

Level2行情推送有两种方式：快照和增量。

快照：每隔一段时间（比如500ms），交易所给你发一份完整的订单簿数据。包含所有10档的价格和数量。

增量：每次订单簿发生变化时，只推送变化的部分。比如「卖一价从10.00变成10.01，数量从1000变成800」。

为什么要有两种？

快照数据完整，但频率低。增量数据实时，但需要你自己维护订单簿状态。

我建议的做法是：

1. 用快照数据做「基准」——每收到一次快照，就重置本地的订单簿状态。
2. 用增量数据做「更新」——在两次快照之间，用增量数据实时更新订单簿。
3. 定期校验——比如每10秒检查一次本地订单簿和快照是否一致，如果不一致，以快照为准重新同步。

一张图看懂Level2数据体系

下面这张图，是我自己整理的数据流转逻辑。你看一遍就能明白各个数据之间的关系：

实战：如何用Python解析Level2数据

假设你从交易所拿到了Level2的增量数据，格式是JSON。下面这段代码，是我常用的解析方式：

import json
from collections import defaultdict

class OrderBook:
    def __init__(self):
        # 用字典存储买卖盘，key是价格，value是数量
        self.bids = defaultdict(int)  # 买盘
        self.asks = defaultdict(int)  # 卖盘
        self.last_snapshot_time = 0
    
    def apply_snapshot(self, snapshot_data):
        """应用快照数据，重置订单簿"""
        self.bids.clear()
        self.asks.clear()
        
        for bid in snapshot_data['bids']:
            self.bids[bid['price']] = bid['volume']
        for ask in snapshot_data['asks']:
            self.asks[ask['price']] = ask['volume']
        
        self.last_snapshot_time = snapshot_data['timestamp']
        print(f"快照更新完成，时间戳: {self.last_snapshot_time}")
    
    def apply_increment(self, inc_data):
        """应用增量数据，更新订单簿"""
        for change in inc_data['changes']:
            price = change['price']
            volume = change['volume']
            side = change['side']  # 'bid' 或 'ask'
            
            if side == 'bid':
                if volume == 0:
                    # 数量为0表示该价位已撤单
                    self.bids.pop(price, None)
                else:
                    self.bids[price] = volume
            elif side == 'ask':
                if volume == 0:
                    self.asks.pop(price, None)
                else:
                    self.asks[price] = volume
        
        # 每次增量更新后，可以触发策略逻辑
        self.check_strategy()
    
    def check_strategy(self):
        """简单的策略检查：如果买卖价差小于阈值，提示机会"""
        if not self.bids or not self.asks:
            return
        
        best_bid = max(self.bids.keys())
        best_ask = min(self.asks.keys())
        spread = best_ask - best_bid
        
        if spread < 0.01:  # 假设阈值是0.01
            print(f"价差收窄！买一: {best_bid}, 卖一: {best_ask}")
    
    def get_top_n(self, n=10):
        """获取前n档买卖盘"""
        sorted_bids = sorted(self.bids.items(), reverse=True)[:n]
        sorted_asks = sorted(self.asks.items())[:n]
        return sorted_bids, sorted_asks

# 使用示例
ob = OrderBook()

# 模拟收到快照
snapshot = {
    "timestamp": 1704061800000,
    "bids": [{"price": 10.00, "volume": 1000}, {"price": 9.99, "volume": 2000}],
    "asks": [{"price": 10.01, "volume": 1500}, {"price": 10.02, "volume": 800}]
}
ob.apply_snapshot(snapshot)

# 模拟收到增量更新
increment = {
    "changes": [
        {"price": 10.00, "volume": 800, "side": "bid"},  # 买一数量减少
        {"price": 10.01, "volume": 0, "side": "ask"}     # 卖一被吃掉
    ]
}
ob.apply_increment(increment)

数据质量：最容易忽略的坑

Level2数据虽然好，但质量参差不齐。我踩过的坑包括：

• 数据延迟：有些交易所的增量数据比实际成交慢了100毫秒以上。做高频策略时，这100毫秒足以让你亏钱。
• 数据缺失：网络波动可能导致某些增量更新没收到。如果不做校验，你的本地订单簿会越来越「歪」。
• 时间戳问题：有些交易所给的是「交易所时间」，有些给的是「本地接收时间」。做回测时一定要统一时间基准。

我曾经因为没处理好数据延迟，在实盘里连续吃了三天的亏。后来我加了一个「延迟监控」模块——每次收到增量数据，都计算一下当前时间和数据时间戳的差值。如果延迟超过200毫秒，就暂时停止策略，等数据恢复正常再启动。

嗯，数据这东西，说白了就是「垃圾进，垃圾出」。Level2行情再高级，如果解析和处理的环节出了问题，策略照样白搭。