3. 流动性深度度量指标：订单簿斜率、市场深度、成交额冲击成本

聊流动性深度，说白了就是看市场到底能「扛」多大的单子。我刚开始做固收量化那会儿，总觉得流动性就是成交量，后来被市场狠狠教育了一次——有一次我盯着一只活跃券，成交量看着不小，结果一笔5000万的卖单直接把收益率砸穿了5个bp。嗯，从那以后我就明白了，成交量只是表象，深度才是硬道理。

今天咱们把三个核心指标掰开揉碎讲清楚：订单簿斜率、市场深度、成交额冲击成本。这三个东西，你想想看，其实是从不同角度回答同一个问题：我扔一笔大单进去，市场会怎么反应？

3.1 订单簿斜率：价格对量的敏感度

订单簿斜率，我个人习惯叫它「价格弹性系数」。它衡量的是：在订单簿的某个价位附近，每增加一单位成交量，价格会变动多少。

数学上很简单，就是做线性回归：

# 计算订单簿斜率
def order_book_slope(price_levels, volume_levels):
    """
    price_levels: 价格序列（比如从最优买价到第N档）
    volume_levels: 对应档位的累计成交量
    返回：斜率（正值表示买盘，负值表示卖盘）
    """
    import numpy as np
    # 用最小二乘法拟合
    slope, intercept = np.polyfit(volume_levels, price_levels, 1)
    return slope

斜率绝对值越大，说明价格对量越敏感——说白了就是市场「薄」，一碰就动。我在项目中遇到过一只城投债，它的订单簿斜率是国债期货的10倍以上，那感觉就像在薄冰上走路，稍微大点的单子就能把价格推飞。

3.2 市场深度：能扛多少量

市场深度更直观——就是订单簿上各档位的累计挂单量。但这里有个坑：只看最优买卖价上的量是不够的。

我一般会看三个深度指标：

• 最优深度（Depth@1）：最优买卖价上的挂单量。这个最常用，但也最容易被操纵。
• 五档深度（Depth@5）：前五档的累计量。能反映更真实的承接能力。
• 加权深度（WDepth）：按价格距离加权，越远的档位权重越低。

def weighted_depth(bids, asks, decay=0.9):
    """
    bids: [(price, volume), ...] 买盘列表，从最优到次优
    asks: [(price, volume), ...] 卖盘列表
    decay: 衰减因子，默认0.9
    返回：加权买盘深度，加权卖盘深度
    """
    w_bid = sum(v * (decay ** i) for i, (p, v) in enumerate(bids))
    w_ask = sum(v * (decay ** i) for i, (p, v) in enumerate(asks))
    return w_bid, w_ask

3.3 成交额冲击成本：真金白银的代价

这个指标最实在。它回答的是：我要买/卖一定金额，实际成交价格会比当前市价差多少？

计算公式：

冲击成本 = (实际成交均价 - 当前市价) / 当前市价 * 10000  # 单位：bp

但实际计算时，要考虑订单簿的消耗过程。我写过一个模拟函数：

def impact_cost(order_book, target_amount, side='buy'):
    """
    order_book: 订单簿数据，包含价格和量
    target_amount: 目标成交金额（万元）
    side: 'buy' 或 'sell'
    返回：冲击成本（bp），实际成交均价
    """
    remaining = target_amount
    total_cost = 0
    total_volume = 0
    
    levels = order_book['asks'] if side == 'buy' else order_book['bids']
    
    for price, volume in levels:
        trade_volume = min(remaining, volume)
        total_cost += trade_volume * price
        total_volume += trade_volume
        remaining -= trade_volume
        if remaining <= 0:
            break
    
    avg_price = total_cost / total_volume
    mid_price = (order_book['best_ask'] + order_book['best_bid']) / 2
    cost_bp = (avg_price - mid_price) / mid_price * 10000
    
    return abs(cost_bp), avg_price

3.4 三个指标的关系与综合应用

这三个指标不是孤立的。我习惯把它们放在一起看：

举个例子：如果一只券的斜率很大（比如1.5），但深度也很大（比如5档有2亿），那冲击成本可能反而可控。反过来，斜率小但深度浅的券，反而更危险——因为一旦突破那层薄薄的挂单，价格会直接跳空。

最后说一句，这些指标在银行间市场有个特殊之处——因为大部分交易是场外询价，订单簿数据其实不完整。我一般会用「报价请求数据」来近似替代，虽然精度差一些，但趋势是靠谱的。嗯，做量化嘛，很多时候就是在不完美的数据里找相对靠谱的规律。

公众号:蓝海资料掘金营，微信deep3321