时间序列基础：时间戳对齐、重采样、滚动窗口计算

做期权做市，说白了就是跟时间赛跑。你拿到的行情数据，每一笔都有个时间戳。但问题来了——不同交易所、不同数据源的时间戳，往往不是对齐的。我刚开始做这个的时候，就吃过这个亏。

举个例子。你同时收到上证50ETF的行情和它的期权行情。ETF的tick可能每100ms来一次，期权那边可能每50ms就来一次。你直接拿这两个序列做计算？那结果肯定乱套。所以，时间戳对齐是第一步。

时间戳对齐：把不同频率的数据拉到同一张桌子上

对齐的方式其实不复杂。我常用的方法是「向前填充」——用最近的一个有效值，去填补空缺的时间点。你想想看，做市商报价的时候，价格变化没那么频繁，用前一个值顶一下，完全说得通。

具体怎么做？我习惯用pandas的reindex方法。先建一个完整的时间索引，然后让数据对齐到这个索引上。

import pandas as pd
import numpy as np

# 假设这是ETF的行情数据
etf_data = pd.DataFrame({
    'price': [3.200, 3.205, 3.210],
    'volume': [1000, 1500, 1200]
}, index=pd.to_datetime(['2024-01-15 09:30:00.000',
                         '2024-01-15 09:30:00.100',
                         '2024-01-15 09:30:00.200']))

# 这是期权行情数据
option_data = pd.DataFrame({
    'bid': [0.050, 0.052, 0.051, 0.053],
    'ask': [0.055, 0.057, 0.056, 0.058]
}, index=pd.to_datetime(['2024-01-15 09:30:00.000',
                         '2024-01-15 09:30:00.050',
                         '2024-01-15 09:30:00.150',
                         '2024-01-15 09:30:00.200']))

# 建立统一的毫秒级时间轴
base_index = pd.date_range(
    start='2024-01-15 09:30:00.000',
    end='2024-01-15 09:30:00.200',
    freq='50ms'
)

# 对齐ETF数据
etf_aligned = etf_data.reindex(base_index, method='ffill')
# 对齐期权数据
option_aligned = option_data.reindex(base_index, method='ffill')

print(etf_aligned)
print(option_aligned)

重采样：把高频数据降下来，或者把低频数据提上去

对齐之后，你可能还需要统一数据的频率。比如，把所有的tick数据都变成1秒一根的K线。这就是重采样。

重采样有两种方向：

• 降采样： 从高频到低频。比如从tick到1秒K线。常用操作有取均值、取最后值、取OHLC。
• 升采样： 从低频到高频。比如从1秒到100ms。常用操作是插值或向前填充。

我个人做期权做市的时候，最常用的是降采样到100ms。为什么？因为100ms刚好能捕捉到大部分的价格波动，又不会产生太多噪声。

# 把tick数据重采样到100ms
resampled = option_data.resample('100ms').agg({
    'bid': 'last',
    'ask': 'last'
})

print(resampled)

滚动窗口计算：滑动的时间切片

滚动窗口，说白了就是在一个固定大小的窗口里做计算，然后窗口慢慢往前滑。做市商最常用的就是滚动均线、滚动标准差这些。

为什么要用滚动窗口？因为市场是动态的。你用全天的数据算一个均值，那反应太慢了。用最近10笔交易算，才能跟上节奏。

# 计算5笔交易的滚动均值
option_data['bid_ma5'] = option_data['bid'].rolling(window=5).mean()
option_data['bid_std5'] = option_data['bid'].rolling(window=5).std()

print(option_data)

这里有个坑——窗口大小怎么选？我个人的经验是：

• 做高频做市，窗口选5-10笔就够了
• 做中低频，窗口可以选20-50笔
• 千万别用固定时间窗口（比如5秒），因为交易频率变化很大，时间窗口里可能一笔都没有

实战中的组合拳

在实际的期权做市系统里，这三个操作往往是组合使用的。我给你画个流程图，你就明白了。

你看这个流程，数据进来之后，先对齐，再重采样，然后做滚动计算，最后输出信号。每一步都不能少。

一个完整的例子

我把上面三个步骤串起来，给你一个完整的代码示例。这个例子模拟了做市商处理行情数据的典型场景。

import pandas as pd
import numpy as np

# 模拟数据生成
np.random.seed(42)
time_stamps = pd.date_range('2024-01-15 09:30:00', periods=1000, freq='50ms')
prices = 3.200 + np.cumsum(np.random.randn(1000) * 0.001)

data = pd.DataFrame({
    'price': prices,
    'volume': np.random.randint(100, 1000, 1000)
}, index=time_stamps)

# 第一步：时间戳对齐（这里数据已经是齐的，但演示一下）
aligned_data = data.resample('100ms').last()

# 第二步：重采样到100ms
resampled = aligned_data.resample('100ms').agg({
    'price': 'last',
    'volume': 'sum'
})

# 第三步：滚动窗口计算
resampled['ma10'] = resampled['price'].rolling(window=10).mean()
resampled['std10'] = resampled['price'].rolling(window=10).std()
resampled['upper'] = resampled['ma10'] + 2 * resampled['std10']
resampled['lower'] = resampled['ma10'] - 2 * resampled['std10']

# 输出前20行
print(resampled.head(20))

嗯，时间序列的基础就这些。对齐、重采样、滚动窗口，这三个操作是期权做市系统的地基。地基打牢了，后面的信号处理才能站得住。