第二章：订单簿与市场微观结构
做市策略的核心，说白了就是跟订单簿打交道。你想想看，我们每天看到的K线、成交量，其实都是订单簿的「投影」。真正的战场，在订单簿的每一层深度里。
我个人习惯把订单簿比作一个「实时拍卖场」。买方和卖方各自报价，价格撮合的过程，就是市场微观结构的全部秘密。
2.1 限价单与市价单：两种最基本的武器
先搞清楚这两个最基础的概念。我刚开始做量化时，觉得这太简单了，结果在实盘里吃过亏。
限价单（Limit Order）
你指定一个价格，挂在那里等。比如BTC当前价格30000，你想在29500买入，就挂个限价买单。只有价格跌到29500，你的单子才会成交。
- 优点：价格可控，不会滑点
- 缺点：可能永远成交不了
- 做市商最爱：我们就是靠挂限价单赚价差的
市价单（Market Order）
不管价格，直接吃掉对手盘。你输入买入数量，系统按当前最优卖价成交。
- 优点：立即成交，流动性好
- 缺点：可能滑点严重
- 做市商最怕：大额市价单会瞬间击穿我们的挂单
关键区别：限价单提供流动性，市价单消耗流动性。做市商本质上是「流动性提供者」，所以我们主要挂限价单。
2.2 订单簿的构建：从零开始搭一个
订单簿长什么样？其实就是两个列表：买单从高到低排，卖单从低到高排。中间那个空隙叫「价差」。
我记得第一次自己写订单簿数据结构时，用了Python的字典，结果性能惨不忍睹。后来才明白，高频场景下得用红黑树或者跳表。
# 一个简化的订单簿结构
class OrderBook:
def __init__(self):
self.bids = {} # 买单：价格 -> 数量
self.asks = {} # 卖单：价格 -> 数量
def add_order(self, side, price, quantity):
if side == 'buy':
self.bids[price] = self.bids.get(price, 0) + quantity
else:
self.asks[price] = self.asks.get(price, 0) + quantity
def get_top(self, n=5):
# 获取前n档深度
sorted_bids = sorted(self.bids.items(), reverse=True)[:n]
sorted_asks = sorted(self.asks.items())[:n]
return sorted_bids, sorted_asks避坑指南：我曾经用浮点数做字典的key，结果因为精度问题导致订单匹配出错。后来统一用整数（价格乘以最小变动单位）来存储。
2.3 订单簿的动态变化：每一秒都在变
订单簿不是静态的。每一毫秒都有新单子进来，有单子被撤，有单子成交。做市商要实时跟踪这些变化。
常见的动态事件有四种：
- 新增订单：新的限价单挂进来，深度增加
- 撤单：挂单被取消，深度减少
- 成交：市价单吃掉限价单，深度变化
- 更新：部分成交后，剩余数量变化
你想想看，如果每秒有1000笔订单进来，你的系统能不能在1毫秒内更新完订单簿？这就是做市系统的核心挑战。
2.4 市场微观结构：藏在订单簿里的信号
订单簿不只是价格和数量。里面藏着很多信号，比如：
| 指标 | 含义 | 做市商怎么用 |
|---|---|---|
| 价差（Spread） | 最优卖价 - 最优买价 | 价差越大，做市利润越高 |
| 深度（Depth） | 各档位的挂单量 | 深度越厚，市场越稳定 |
| 订单失衡 | 买单总量 vs 卖单总量 | 失衡严重时，价格可能突变 |
| 撤单率 | 撤单数量 / 总挂单数量 | 撤单率高，说明有人在试探 |
注意：别只看最优档。我见过很多新手只盯着买一卖一，结果被中间层的「冰山订单」给坑了。大资金经常隐藏真实意图。
2.5 核心知识体系：一张图看懂
下面这张图是我自己总结的订单簿知识框架。做市策略的所有决策，都建立在这个结构之上。
2.6 实战中的几个坑
嗯，这里要注意几个实战中容易踩的坑：
- 数据延迟：你看到的订单簿可能已经滞后了50毫秒。在高频场景下，这足够让对手吃掉你的利润。
- 订单簿重建：断线重连后，要能快速重建订单簿。我习惯用增量更新+全量快照的方式。
- 冰山订单识别：如果某个价位频繁出现「撤单-重挂」的模式，大概率是冰山订单在试探。
我的经验：刚开始做回测时，我用的是1秒级别的快照数据。结果回测曲线漂亮得很，实盘一跑就亏。后来才发现，1秒内的订单簿变化太剧烈了，回测根本模拟不出来。现在我做回测至少用Tick级数据。
订单簿这东西，看着简单，里面门道很多。你把它研究透了，做市策略就成功了一半。
公众号:蓝海资料掘金营，微信deep3321