失衡与吸收：识别订单流中的供需失衡与吸收模式

做订单流交易这些年，我越来越觉得，市场本质上就是个「供需博弈」的战场。价格为什么涨？因为买的人多，卖的人少。为什么跌？反过来。但问题在于——你怎么在盘面上实时看到这种供需变化？

嗯，这就是我们今天要聊的核心：失衡（Imbalance）和吸收（Absorption）。这两个概念，说白了就是订单流里的「供需信号灯」。我个人习惯把它们当作趋势判断的「第一道过滤器」。

1. 失衡（Imbalance）：供需的瞬间断裂

先讲失衡。这个概念其实很直观：某一价位上，买单和卖单的数量严重不对等。

举个例子，假设在某个价位上，出现了500手的主动买单，但只有50手的主动卖单。那说明什么？说明买方在疯狂抢筹，卖方根本不够卖。这种时候，价格大概率会继续往上冲。

我在项目中遇到过好几次这样的情况：某只股票突然出现大额失衡，我当时没反应过来，结果价格直接拉了两个点。嗯，从那以后，我再也不敢忽视这种信号了。

失衡的量化定义

在订单流分析中，我们通常用Delta来衡量失衡。Delta = 主动买单量 - 主动卖单量。当Delta的绝对值超过某个阈值时，就认为出现了失衡。

我个人习惯用以下标准：

失衡类型	Delta阈值	含义
轻度失衡	Delta > 3倍平均Delta	短期动能较强，可能延续
中度失衡	Delta > 5倍平均Delta	趋势大概率延续，可加仓
重度失衡	Delta > 10倍平均Delta	极端情绪，注意反转风险

你可能会问：为什么重度失衡反而要注意反转？因为物极必反。当失衡过于极端时，往往意味着情绪已经宣泄到极致，接下来可能就是衰竭。

2. 吸收（Absorption）：大资金的「暗度陈仓」

吸收这个概念，比失衡要隐蔽得多。它指的是：在某个价位区间，虽然出现了大量的主动卖单，但价格就是不跌。

为什么会这样？因为有人在下面「接盘」。说白了，就是大资金在悄悄吸筹。他们故意挂出大量卖单，制造抛压假象，吓走散户，然后自己偷偷吃掉所有卖单。

我曾经吃过一次亏。当时看到某只股票连续出现大额卖单，Delta持续为负，我以为要跌了，赶紧做空。结果价格纹丝不动，最后反而拉了上去。后来复盘才发现，那就是典型的吸收模式——大资金在底部疯狂吃货。

吸收的识别方法

识别吸收，不能只看Delta，还要结合价格行为。我总结了三个关键点：

1. Delta持续为负：主动卖单明显多于主动买单
2. 价格不跌：价格在某个区间内横盘，甚至微涨
3. 成交量放大：说明有人在大量交易

当这三个条件同时满足时，基本可以判定为吸收。这时候，你应该考虑做多，而不是做空。

3. 实战中的组合应用

光讲理论没意思，我们来看看实战中怎么用。我个人习惯把失衡和吸收放在一起分析，形成一套完整的判断流程。

场景一：趋势延续

假设价格处于上升趋势中，突然出现一个重度失衡（Delta > 10倍均值）。这时候，我会怎么做？

• 先确认趋势方向：均线多头排列，高点低点不断抬高
• 再看失衡位置：是否在关键支撑位附近
• 最后看成交量：是否配合放大

如果都符合，我会选择加仓。但注意，仓位要控制好，因为重度失衡后往往会有回调。

场景二：趋势反转

如果价格在下跌趋势中，突然出现吸收模式（Delta为负但价格不跌），那就要警惕了。这可能是底部信号。

我记得有一次做期货，连续三天出现吸收，价格一直在低位横盘。我当时觉得不对劲，就平掉了空单。结果第二天，价格直接跳空高开，拉了一根大阳线。嗯，那次经历让我深刻理解了「吸收是反转的前奏」这句话。

4. 代码实现：自动识别失衡与吸收

理论讲完了，我们来点实际的。下面是我写的一个Python函数，用于自动识别失衡和吸收模式。

import pandas as pd
import numpy as np

def detect_imbalance_absorption(df, delta_col='delta', volume_col='volume', 
                                 price_col='close', window=20, threshold=3):
    """
    识别失衡与吸收模式
    
    参数:
        df: DataFrame，包含Delta、成交量、价格数据
        delta_col: Delta列名
        volume_col: 成交量列名
        price_col: 价格列名
        window: 计算均值的窗口大小
        threshold: 失衡阈值倍数
    
    返回:
        df: 添加了信号列的DataFrame
    """
    # 计算Delta的移动平均和标准差
    df['delta_ma'] = df[delta_col].rolling(window).mean()
    df['delta_std'] = df[delta_col].rolling(window).std()
    
    # 识别失衡
    df['imbalance'] = np.where(
        abs(df[delta_col]) > threshold * df['delta_std'],
        np.sign(df[delta_col]),  # 1表示多头失衡，-1表示空头失衡
        0
    )
    
    # 识别吸收
    # 条件1: Delta为负（主动卖单多）
    # 条件2: 价格不跌（价格变化小于0.1%）
    # 条件3: 成交量放大（大于均值1.5倍）
    df['price_change'] = df[price_col].pct_change()
    df['volume_ma'] = df[volume_col].rolling(window).mean()
    
    df['absorption'] = np.where(
        (df[delta_col] < 0) & 
        (df['price_change'] > -0.001) & 
        (df[volume_col] > 1.5 * df['volume_ma']),
        1,  # 1表示吸收（看涨信号）
        0
    )
    
    return df

# 使用示例
# df = pd.read_csv('orderflow_data.csv')
# result = detect_imbalance_absorption(df)
# print(result[['close', 'delta', 'imbalance', 'absorption']].tail(10))

5. 避坑指南

最后，分享几个我踩过的坑，希望能帮你少走弯路。

6. 知识体系框架

为了让你更直观地理解失衡与吸收的关系，我画了一张流程图。这张图展示了我个人交易决策的核心逻辑。

这张图的核心逻辑很简单：先看失衡，再看吸收。失衡告诉你趋势是否强劲，吸收告诉你趋势是否可能反转。两者结合，基本能覆盖大部分交易场景。

好了，关于失衡与吸收的内容就讲到这里。记住，这些工具不是万能的，但它们能帮你更好地理解市场的「语言」。多复盘、多练习，慢慢你就能形成自己的感觉。