4、订单簿特征工程:买卖压力比、订单簿斜率、深度不平衡等核心指标

做市商这行,说白了就是跟订单簿打交道。你盯着屏幕上跳动的数字,其实是在看一场永不停歇的博弈。我做了这么多年,最大的体会就是:原始订单簿数据太粗糙了,必须经过特征工程,才能变成真正有用的信号

今天咱们就聊聊几个最核心的指标。这些指标我几乎每天都会用,它们就像医生的听诊器,能帮你快速判断市场当下的「健康状况」。

4.1 买卖压力比(Bid-Ask Pressure Ratio)

先问个问题:你怎么判断买方和卖方谁更着急?

光看价格涨跌是不够的。价格涨了,可能是买方真的强势,也可能是卖方暂时撤单了。我们需要一个更直接的指标——买卖压力比

我个人习惯用这个公式:

Pressure_Ratio = (Bid_Volume * (1 + Spread_Adjust)) / (Ask_Volume * (1 - Spread_Adjust))

其中 Bid_VolumeAsk_Volume 是买一和卖一档的挂单量。Spread_Adjust 是价差调整因子,用来处理价差过大的情况。

嗯,这里要注意:单纯比较买卖挂单量是不够的。我在项目中遇到过,某个币种买一挂了100个BTC,卖一只有50个,看起来买方碾压对吧?但仔细一看,价差是0.5%,远高于正常水平。这说明什么?说明卖方在撤退,但买方也不傻,没人愿意吃这个高价。这时候压力比其实是个假信号。

我的经验: 买卖压力比大于1.2时,短期上涨概率较高;小于0.8时,下跌概率较高。但别死板,要结合价差一起看。

4.2 订单簿斜率(Order Book Slope)

买卖压力比只看第一档,太片面了。真正的市场深度,要看整个订单簿的形状。

订单簿斜率,说白了就是衡量订单簿「陡峭」还是「平缓」的指标。斜率越大,说明价格稍微一动,挂单量就急剧变化——这种市场流动性差,容易滑点。

计算方式其实不复杂:

Slope = (ΔPrice / ΔVolume) * Normalization_Factor

具体实现时,我会取买一到买五、卖一到卖五这10个档位,分别拟合一条线。斜率就是这条线的角度。

你想想看,如果斜率突然变大,说明什么?说明有人在某个价位附近堆了大量的挂单。这可能是支撑位或阻力位。我曾经靠这个指标,在ETH的一个关键价位上提前发现了「鲸鱼」的挂单,成功避开了后续的瀑布行情。

核心逻辑: 斜率陡峭 → 价格难突破 → 适合做区间交易;斜率平缓 → 价格易穿透 → 适合做趋势跟踪。

4.3 深度不平衡(Depth Imbalance)

这个指标跟买卖压力比有点像,但更「厚」一些。它衡量的是整个订单簿的买卖力量对比,而不是只看第一档。

我常用的公式是:

Depth_Imbalance = (Bid_Depth - Ask_Depth) / (Bid_Depth + Ask_Depth)

其中 Bid_DepthAsk_Depth 是买盘和卖盘在某个价格区间内的总挂单量。这个区间怎么选?我个人习惯用「当前价格 ± 0.5%」这个范围。

深度不平衡的值在 -1 到 1 之间。正值表示买方深度更大,负值表示卖方深度更大。

深度不平衡值 市场含义 我的应对策略
> 0.3 买方明显占优 减少卖单,适当加仓
-0.3 ~ 0.3 相对均衡 正常做市,双向挂单
< -0.3 卖方明显占优 减少买单,控制风险

我曾经犯过一个错误:只看深度不平衡的正负,忽略了它的变化速度。有一次深度不平衡从0.4快速跌到0.1,我以为还是买方占优,结果下一秒就被砸穿了。后来我加了一个变化率指标,当深度不平衡在1分钟内变化超过0.2时,我会主动降低仓位。

避坑指南: 深度不平衡在盘口薄的市场里容易失真。比如某个小币种,买一只有0.1个BTC,卖一也只有0.1个,深度不平衡算出来是0,看起来很均衡。但实际上一笔小单就能把价格打飞。所以,一定要结合总深度来看

4.4 三个指标怎么配合使用?

单独用哪个指标都不够稳。我一般这样组合:

  1. 先用买卖压力比做快速判断——看谁在主导第一档。
  2. 再用订单簿斜率确认趋势——看这个主导力量有没有「后劲」。
  3. 最后用深度不平衡做仓位管理——决定挂单的偏向和大小。

举个例子:假设BTC当前价格30000。买卖压力比是1.5,说明买方在抢第一档。订单簿斜率显示买盘斜率平缓、卖盘斜率陡峭,说明买方有深度,卖方却很脆弱。深度不平衡是0.4,进一步确认了买方优势。这时候我会怎么做?我会在买一和买二之间多挂一些买单,同时在卖一上方挂少量卖单——既吃到了上涨的利润,又不会在回调时被套太多。

这三个指标,说白了就是帮你把订单簿从「一堆数字」变成「可执行的策略信号」。我刚开始做做市商时,只会看价格和成交量,吃了不少亏。后来慢慢摸索出这些特征工程的方法,才真正开始稳定盈利。

嗯,今天就聊到这儿。这些指标看着简单,但用好了,效果不比那些复杂的机器学习模型差。


专注资料整理