4、失衡与吸收：订单流中的失衡与吸收形态识别

各位同学，今天我们来聊聊订单流里两个最核心的形态——失衡（Imbalance）和吸收（Absorption）。

说实话，这两个概念我刚开始接触时也绕了不少弯路。那时候我盯着逐笔成交数据，总觉得价格涨跌就是买卖单的简单比拼。后来才发现，真正的门道藏在「不平衡」和「被消化」这两个动作里。

你想想看，市场为什么会有趋势？说白了，就是买卖力量失衡了。但失衡之后呢？是继续失衡，还是被对手盘吸收掉？这决定了你是追进去，还是该离场。

一、失衡（Imbalance）—— 市场的「偏科生」

失衡，英文叫 Imbalance。什么意思呢？就是在某个价位上，主动买单和主动卖单的数量出现了严重的不对等。

我习惯用 Delta 值来衡量失衡。Delta = 主动买单量 - 主动卖单量。如果 Delta 是 +500，说明这个价位上买方比卖方多吃了 500 手。如果 Delta 是 -800，那就是卖方在疯狂砸盘。

举个例子。假设某只股票在 50.00 元这个价位上，主动买单有 1200 手，主动卖单只有 200 手。Delta = +1000。这就是典型的买单失衡。价格大概率会往上走。

但这里有个坑——失衡不一定立刻推动价格。为什么？因为对手盘可能还没出现。我在项目中遇到过好几次，失衡信号出来了，我追进去，结果价格纹丝不动。后来才明白，失衡需要「被确认」——要么价格突破失衡价位，要么下一根 K 线继续失衡。

二、吸收（Absorption）—— 市场的「海绵」

吸收，Absorption，这个词很有意思。它描述的是：当一方力量很强时，另一方默默地把这些单子全吃掉了，价格却没怎么动。

你想想看，如果有人在 50.00 元挂了 5000 手卖单，结果被买方一点点全吃掉了，价格还稳在 50.00 附近。这说明什么？说明有人在暗中吸筹。这就是吸收。

吸收的核心特征有三个：

1. 价格停滞：价格在一个窄幅区间内反复震荡，不突破
2. 成交量放大：相比前几根 K 线，成交量明显增加
3. Delta 收敛：虽然成交量很大，但 Delta 值却很小，甚至接近零

三、失衡 vs 吸收 —— 怎么区分？

说实话，这两个形态有时候长得挺像。都是大成交量，都是买卖力量不均衡。但区别在于——价格反应。

特征	失衡（Imbalance）	吸收（Absorption）
价格行为	快速朝失衡方向移动	价格停滞，窄幅震荡
成交量	放大，但通常不如吸收大	显著放大，常为近期最大
Delta	绝对值大，方向明确	绝对值小，正负交替
后续走势	趋势延续概率高	反转或突破概率高
交易策略	顺势追入，止损设在失衡价位下方	等待突破，或反向布局

嗯，这里要注意。吸收形态出现后，如果价格向上突破，那之前的吸收就是「吸筹」；如果向下突破，那就是「派发」。方向不同，含义天差地别。

四、实战代码：如何用 Python 识别失衡与吸收

光说不练假把式。我写了一个简单的识别函数，你们可以直接拿去用。

import pandas as pd
import numpy as np

def identify_imbalance_absorption(df, delta_col='delta', volume_col='volume', 
                                  price_col='close', window=20, threshold=2.5):
    """
    识别失衡与吸收形态
    
    参数:
        df: DataFrame，包含delta、volume、close列
        window: 滚动窗口大小
        threshold: 失衡阈值倍数
    
    返回:
        df: 添加了形态标记的DataFrame
    """
    df = df.copy()
    
    # 计算滚动均值和标准差
    df['delta_ma'] = df[delta_col].rolling(window).mean()
    df['delta_std'] = df[delta_col].rolling(window).std()
    df['volume_ma'] = df[volume_col].rolling(window).mean()
    
    # 失衡识别：Delta 偏离均值超过 threshold 倍标准差
    df['is_imbalance'] = (
        (np.abs(df[delta_col]) > df['delta_ma'] + threshold * df['delta_std']) &
        (df[volume_col] > df['volume_ma'] * 1.5)
    )
    
    # 吸收识别：成交量放大 + Delta 收敛 + 价格窄幅震荡
    df['price_range'] = df[price_col].rolling(5).max() - df[price_col].rolling(5).min()
    df['price_range_pct'] = df['price_range'] / df[price_col] * 100
    
    df['is_absorption'] = (
        (df[volume_col] > df['volume_ma'] * 2.0) &  # 成交量显著放大
        (np.abs(df[delta_col]) < df['delta_std']) &   # Delta 收敛到1倍标准差以内
        (df['price_range_pct'] < 0.5)                  # 价格波动小于0.5%
    )
    
    # 标记方向
    df['imbalance_direction'] = np.where(
        df['is_imbalance'],
        np.where(df[delta_col] > 0, '买单失衡', '卖单失衡'),
        ''
    )
    
    return df

# 使用示例
# df = identify_imbalance_absorption(your_data)
# imbalance_signals = df[df['is_imbalance'] == True]
# absorption_signals = df[df['is_absorption'] == True]

五、多周期共振下的失衡与吸收

这才是今天的重点。单周期上的失衡或吸收，可能是噪音。但如果在多个周期上同时出现，那胜率会大幅提升。

我常用的多周期组合是：

• 大周期（15分钟/30分钟）：判断方向。如果大周期是买单失衡，我只做多
• 中周期（5分钟）：找入场点。等中周期出现吸收后的突破
• 小周期（1分钟）：精确执行。用小周期的失衡信号来确认入场时机

举个例子。15 分钟图上出现了买单失衡，说明大方向向上。然后 5 分钟图上出现了吸收形态，价格在一个小区间里震荡，成交量放大但 Delta 很小。这时候我会盯着 1 分钟图，一旦 1 分钟图上出现买单失衡并突破吸收区间的上沿，我就进场做多。

这个流程我跑了两年，胜率大概在 65% 左右。当然，没有完美的策略，该止损的时候一定要止损。

好了，这一章的内容就到这里。失衡和吸收是订单流分析的基础，也是最重要的两个形态。你们回去可以把代码跑一跑，看看自己交易品种上这些形态长什么样。下一章我们会聊「Delta 背离与价格拐点」，到时候见。

---

公众号:蓝海数据掘金营，微信deep3321