4、Level 2 数据：深度盘口（Order Book Depth）的聚合与快照
好，咱们接着聊。前面几章我们把订单簿的底层逻辑和逐笔成交都捋了一遍。今天要聊的，是真正让量化交易员「上瘾」的东西——深度盘口，也就是 Level 2 数据的核心。
说白了，Level 1 数据只告诉你「现在买一价是多少，卖一价是多少」。但 Level 2 数据，它把整个订单簿的「肚子」都翻给你看。你能看到买一到买十，甚至买五十档的所有挂单。这玩意儿，才是真正能用来做策略的原料。
4.1 什么是深度盘口？
深度盘口，英文叫 Order Book Depth。它本质上就是订单簿在不同价格水平上的挂单量分布。
我举个例子。假设某只股票当前价格是 100 元。Level 1 数据告诉你：买一 99.99 元，1000 股；卖一 100.01 元，800 股。但 Level 2 数据会告诉你：
- 买一到买十，每个价位各挂了多少钱
- 卖一到卖十，每个价位各挂了多少钱
- 甚至能看到每个价位的挂单笔数
你想想看，这信息量完全不是一个量级。
核心概念：深度盘口 = 价格 + 挂单量 + 挂单笔数（部分交易所提供）
4.2 聚合：把散单变成「墙」
这里有个关键问题。交易所推送的 Level 2 数据，通常是逐笔的。什么意思？就是每来一个订单，它就推送一条。如果你直接拿这个数据去算盘口，那你的 CPU 会哭的。
所以我们需要做聚合。
聚合的逻辑其实很简单：
- 把所有买单按价格从高到低排序
- 把所有卖单按价格从低到高排序
- 相同价格的订单，把数量加起来
- 生成一个「价格-总量」的映射表
嗯，这里要注意。我在项目中遇到过一个问题：有些交易所的订单是支持「冰山订单」的。就是大单只显示一部分，剩下的藏起来。如果你只聚合可见部分，那你的盘口深度其实是「假」的。这个坑，我后面会专门讲。
4.3 快照：给盘口拍一张「照片」
聚合完了，接下来就是快照。
快照的意思，就是在某个时间点，把整个订单簿的状态完整地「拍」下来。这个快照，就是你策略的输入。
快照通常包含以下字段：
| 字段 | 说明 | 示例 |
|---|---|---|
| timestamp | 快照时间戳 | 2024-01-15 09:30:00.123 |
| bids | 买单列表（价格从高到低） | [[99.99, 1000], [99.98, 2000], ...] |
| asks | 卖单列表（价格从低到高） | [[100.01, 800], [100.02, 1500], ...] |
| depth_levels | 深度档位数 | 10 |
我个人习惯，快照的生成频率不要太高。一般 100ms 到 500ms 一次就够了。太频繁了，数据量太大，反而容易把策略跑崩。
4.4 核心逻辑：从增量到全量
这里有个重要的设计模式，叫增量更新 + 全量快照。
交易所推送的 Level 2 数据，通常是增量数据。比如：
- 「买一价 99.99 增加了 500 股」
- 「卖三价 100.05 被撤单了 200 股」
- 「卖五价 100.10 全部成交了」
你的程序需要维护一个本地的订单簿副本。每来一条增量，就更新这个副本。然后每隔一段时间，把这个副本「拍」成快照。
为什么会这样设计？
因为全量快照太贵了。如果每次更新都重新排序、重新聚合，那计算量是 O(n log n) 的。而增量更新，只需要 O(1) 或 O(log n) 的操作。
我的经验：我曾经在一个高频策略里，把快照频率设成了 10ms。结果程序跑了 5 分钟，内存就爆了。后来改成 200ms 一次，配合增量更新，稳如老狗。
4.5 代码示例：一个简单的盘口聚合器
光说不练假把式。我写个简单的 Python 示例，帮你理解这个过程。
class OrderBookDepth:
def __init__(self, depth_levels=10):
self.bids = {} # 价格 -> 总量
self.asks = {}
self.depth_levels = depth_levels
def update(self, side, price, size):
"""增量更新"""
if side == 'buy':
if size == 0:
# 撤单或全部成交
self.bids.pop(price, None)
else:
self.bids[price] = size
else:
if size == 0:
self.asks.pop(price, None)
else:
self.asks[price] = size
def snapshot(self):
"""生成快照"""
# 买单按价格降序排列
sorted_bids = sorted(self.bids.items(), reverse=True)[:self.depth_levels]
# 卖单按价格升序排列
sorted_asks = sorted(self.asks.items())[:self.depth_levels]
return {
'timestamp': time.time(),
'bids': [[p, s] for p, s in sorted_bids],
'asks': [[p, s] for p, s in sorted_asks]
}这段代码很简单，但核心逻辑都在里面了。你想想看，实际生产环境里，你还要处理并发、数据校验、异常恢复等问题。但原理就是这个原理。
4.6 避坑指南：我曾经踩过的坑
聊几个我实际踩过的坑，希望能帮你省点时间。
坑一：价格精度问题
我曾经在聚合时，直接用浮点数做字典的 key。结果因为浮点数精度问题，99.99 和 99.9900001 被当成了两个不同的价格。后来我改用整数（比如把价格乘以 10000）来存储，问题就解决了。
坑二：快照与增量的时序
如果你同时接收增量和全量快照，一定要保证时序正确。我见过有人先处理了全量快照，然后又处理了之前的增量，结果盘口数据全乱了。正确的做法是：收到全量快照后，先清空本地订单簿，再应用快照，之后再处理增量。
坑三：冰山订单的隐藏量
有些大资金会用冰山订单来隐藏真实意图。如果你只看可见量，你的盘口深度分析就是错的。我建议在策略层面，对盘口深度做一个「置信度」的调整。比如，如果某个价位连续出现多次小单，那背后很可能有冰山订单。
4.7 知识体系图
下面这张图，帮你理清本章的核心逻辑。
这张图把整个流程串起来了。从交易所的增量数据，到聚合器，到本地订单簿，再到快照生成。每一步都有它的意义。
4.8 小结
深度盘口的聚合与快照，说白了就是两件事：
- 聚合：把散乱的订单按价格合并，形成有序的买卖盘
- 快照：在特定时间点，把订单簿的状态「拍」下来，供策略使用
我个人觉得，这部分是量化交易中最「实在」的知识。你理解了它，就理解了市场微观结构的核心。后面讲盘口数据计算、订单流分析，都是在这个基础上展开的。
嗯，今天就到这里。记住，代码可以抄，但坑得自己踩一遍才能真正记住。希望我踩过的那些坑，能帮你少走点弯路。