2. 事件序列数据结构：时间戳、价格、成交量、买卖方向、订单类型
好，咱们直接进入正题。
做事件序列模式识别，第一步不是写模型，而是搞清楚数据长什么样。说白了，你得知道你的「原材料」是什么。
我见过不少新手，一上来就调包跑LSTM，结果数据字段都没对齐，跑出来的结果自然是一团糟。嗯，这里咱们先把地基打牢。
2.1 一条完整的事件记录长什么样？
在量化交易里，一个「事件」不是K线，而是每一笔成交或每一笔订单的切片。我个人习惯把它看作一个五元组：
Event = (Timestamp, Price, Volume, Side, OrderType)这五个字段，缺一不可。你想想看，如果少了买卖方向，你怎么知道这笔交易是主动买还是主动卖？少了订单类型，你怎么区分是市价单扫货还是限价单挂在那等人吃？
下面这张图，是我自己画的事件序列数据结构图，帮你快速建立整体认知：
2.2 逐个拆解五个字段
2.2.1 时间戳（Timestamp）
时间戳是事件序列的「坐标轴」。没有它，事件就排不出先后顺序，模式识别也就无从谈起。
这里有个坑，我曾经踩过——不同交易所的时间精度不一样。有的精确到毫秒，有的精确到微秒，甚至纳秒。如果你把毫秒级和微秒级的数据混在一起排序，结果会非常诡异。
举个例子，一个典型的时间戳字段在Python里长这样：
# 推荐使用整数纳秒
timestamp_ns = 1698765432123456789 # 2023-10-31 12:34:52.123456789
# 不推荐使用字符串
timestamp_str = "2023-10-31 12:34:52.123456" # 排序慢，易出错2.2.2 价格（Price）
价格是交易的核心。但要注意，价格字段不只是数字那么简单。
在实际行情中，价格有「成交价」和「报价」之分。成交价是实际撮合的价格，报价是买卖盘口上的挂单价格。做事件序列时，我们通常用成交价，因为它反映了真实的资金博弈。
| 价格类型 | 含义 | 使用场景 |
|---|---|---|
| 成交价（Trade Price） | 实际撮合的价格 | 事件序列、策略信号 |
| 买一价（Bid Price） | 最高买入报价 | 盘口分析、流动性评估 |
| 卖一价（Ask Price） | 最低卖出报价 | 盘口分析、价差计算 |
2.2.3 成交量（Volume）
成交量代表「力度」。同样的价格变动，配合不同的成交量，含义天差地别。
举个例子：价格涨了1%，如果成交量只有平时的十分之一，那可能是虚涨；如果成交量是平时的十倍，那就是真金白银在买。
这里要注意一个细节——成交量的单位。有的交易所按「股」算，有的按「手」算，还有的按「张」算。做跨市场分析时，一定要统一单位。
# 统一转为「基础单位」
volume_in_shares = volume_in_lots * lot_size # 手数 × 每手股数2.2.4 买卖方向（Side）
买卖方向是事件序列里最容易被忽视、但最重要的字段之一。
它告诉你这笔交易是谁主动发起的。主动买（Buy）意味着买方更急切，主动卖（Sell）意味着卖方更急切。这个信息在模式识别里非常关键。
我一般用枚举值来表示：
from enum import Enum
class Side(Enum):
BUY = 1 # 主动买
SELL = -1 # 主动卖
# 有些交易所还有 NEUTRAL（中性），但很少见2.2.5 订单类型（OrderType）
订单类型告诉你这笔交易是怎么发生的。常见的类型有：
- 市价单（Market Order）：立即成交，不关心价格。代表「急迫」。
- 限价单（Limit Order）：指定价格，等待成交。代表「耐心」。
- 撤单（Cancel）：取消之前挂的单。代表「变卦」。
- 冰山订单（Iceberg Order）：只显示部分数量。代表「隐藏意图」。
我曾经在分析某只股票的闪崩事件时发现，大量市价卖单在短时间内涌入，而买单全是限价单且价格挂得很低。这种「订单类型不对称」就是典型的闪崩前兆。
2.3 完整的数据结构示例
好了，把五个字段拼起来，一个完整的事件记录长这样：
{
"timestamp": 1698765432123456789, # 纳秒级时间戳
"price": 15250, # 价格，单位：分
"volume": 1000, # 成交量，单位：股
"side": 1, # 1=主动买, -1=主动卖
"order_type": "market" # 订单类型：market/limit/cancel
}在实际项目中，我通常会用 pandas.DataFrame 来存储这些数据，列名直接对应五个字段：
import pandas as pd
# 假设 data 是上面格式的字典列表
df = pd.DataFrame(data)
df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ns')
# 排序，确保时间顺序
df = df.sort_values('timestamp').reset_index(drop=True)2.4 数据预处理中的常见坑
- 时间戳重复：同一毫秒内有多笔成交，排序后顺序可能错乱。解决方案：加入「交易所内部序号」作为二级排序键。
- 价格跳空：夜盘收盘和日盘开盘之间价格可能跳空。做模式识别时要注意切分交易时段。
- 成交量异常：某些交易所的成交量是累计值，需要做差分才能得到单笔成交量。
嗯，数据结构这块就讲这么多。记住一句话：数据质量决定了模型的天花板。把五个字段理清楚，后面的模式识别才能站得住脚。