2. 核心数据模型设计：订单簿、持仓、交易对与告警规则

做市系统跑起来，第一件事就是把数据模型定好。我见过不少团队，代码写了大半才发现数据结构设计不合理，回头重构，那叫一个痛苦。今天咱们就把订单簿、持仓、交易对、告警规则这四个核心模型聊透。

2.1 订单簿（OrderBook）数据结构

订单簿说白了就是买卖双方的挂单列表。做市商靠它判断市场深度，决定要不要吃单或者挂单。

核心字段设计：

字段名	类型	说明
symbol	str	交易对，如 "BTCUSDT"
bids	list[tuple]	买单列表，每个元素 (price, quantity)
asks	list[tuple]	卖单列表，每个元素 (price, quantity)
timestamp	int	快照时间戳（毫秒）
update_id	int	更新序号，用于增量合并

我个人习惯用 SortedDict 来维护订单簿。为什么？因为买卖盘需要按价格排序，而且插入删除频繁。Python 的 dict 虽然快，但排序麻烦。用 SortedDict 可以 O(log n) 完成插入和查询。

from sortedcontainers import SortedDict

class OrderBook:
    def __init__(self, symbol: str):
        self.symbol = symbol
        self.bids = SortedDict(lambda k: -k)  # 价格降序
        self.asks = SortedDict()              # 价格升序
        self.timestamp = 0
        self.update_id = 0

    def apply_snapshot(self, bids: list, asks: list, ts: int):
        """全量更新订单簿"""
        self.bids.clear()
        self.asks.clear()
        for price, qty in bids:
            if float(qty) > 0:
                self.bids[float(price)] = float(qty)
        for price, qty in asks:
            if float(qty) > 0:
                self.asks[float(price)] = float(qty)
        self.timestamp = ts

    def apply_update(self, bids: list, asks: list, update_id: int):
        """增量更新订单簿"""
        if update_id <= self.update_id:
            return  # 丢弃过期更新
        for price, qty in bids:
            price_f = float(price)
            qty_f = float(qty)
            if qty_f == 0:
                self.bids.pop(price_f, None)
            else:
                self.bids[price_f] = qty_f
        for price, qty in asks:
            price_f = float(price)
            qty_f = float(qty)
            if qty_f == 0:
                self.asks.pop(price_f, None)
            else:
                self.asks[price_f] = qty_f
        self.update_id = update_id

你想想看，如果增量更新时不做 update_id 校验，网络延迟导致旧数据覆盖新数据，那订单簿就乱套了。嗯，这里要注意。

2.2 持仓（Position）与风险敞口模型

持仓模型记录你当前持有哪些资产、数量多少、成本价多少。风险敞口则是告诉你，如果市场反向波动，你会亏多少钱。

持仓模型核心字段：

字段名	类型	说明
asset	str	资产名称，如 "BTC"
total_qty	float	总持仓数量
locked_qty	float	冻结数量（挂单占用）
avg_cost	float	平均成本价
unrealized_pnl	float	未实现盈亏

风险敞口模型：

我个人习惯把风险敞口拆成两部分：

• 方向性敞口： 净持仓数量 × 当前价格。做市商一般希望这个值接近 0。
• 基差敞口： 现货与期货之间的价差风险。这个容易被忽略。

@dataclass
class Position:
    asset: str
    total_qty: float = 0.0
    locked_qty: float = 0.0
    avg_cost: float = 0.0

    @property
    def available_qty(self) -> float:
        """可用数量 = 总持仓 - 冻结数量"""
        return self.total_qty - self.locked_qty

    @property
    def unrealized_pnl(self, current_price: float) -> float:
        """未实现盈亏 = (当前价 - 成本价) × 持仓量"""
        return (current_price - self.avg_cost) * self.total_qty

@dataclass
class RiskExposure:
    symbol: str
    net_position: float       # 净持仓（多头 - 空头）
    current_price: float
    max_exposure: float       # 最大允许敞口
    var_95: float = 0.0       # 95% VaR 值

    @property
    def directional_exposure(self) -> float:
        """方向性敞口 = |净持仓| × 当前价"""
        return abs(self.net_position) * self.current_price

    def is_safe(self) -> bool:
        """检查是否在安全范围内"""
        return self.directional_exposure <= self.max_exposure

2.3 交易对（TradingPair）配置模型

交易对配置是系统的「交通规则」。每个交易对都有不同的最小交易量、价格精度、费率等。我建议把这些配置集中管理，不要硬编码。

字段名	类型	说明
symbol	str	交易对名称
base_asset	str	基础资产，如 "BTC"
quote_asset	str	计价资产，如 "USDT"
min_qty	float	最小交易数量
price_precision	int	价格小数位数
qty_precision	int	数量小数位数
taker_fee	float	吃单费率
maker_fee	float	挂单费率
spread_bps	float	目标价差（基点）

@dataclass
class TradingPairConfig:
    symbol: str
    base_asset: str
    quote_asset: str
    min_qty: float
    price_precision: int
    qty_precision: int
    taker_fee: float
    maker_fee: float
    spread_bps: float

    def round_price(self, price: float) -> float:
        """按精度舍入价格"""
        return round(price, self.price_precision)

    def round_qty(self, qty: float) -> float:
        """按精度舍入数量"""
        return round(qty, self.qty_precision)

    def calculate_spread(self, mid_price: float) -> tuple:
        """计算买卖价差"""
        spread = mid_price * self.spread_bps / 10000
        bid = self.round_price(mid_price - spread / 2)
        ask = self.round_price(mid_price + spread / 2)
        return bid, ask

2.4 告警规则（AlertRule）模型设计

告警规则是做市系统的「哨兵」。市场异常、持仓超限、网络断开，都需要及时告警。我习惯把告警规则设计成可配置的，这样运营人员可以随时调整，不用改代码。

告警规则核心字段：

字段名	类型	说明
rule_id	str	规则唯一标识
rule_type	str	规则类型：price_spike / position_limit / network_down / pnl_loss
symbol	str	关联交易对（可选）
condition	dict	触发条件，如 {"threshold": 0.05, "operator": "gt"}
severity	str	告警级别：info / warning / critical
enabled	bool	是否启用
cooldown_seconds	int	冷却时间，防止重复告警

@dataclass
class AlertRule:
    rule_id: str
    rule_type: str
    symbol: Optional[str] = None
    condition: dict = field(default_factory=dict)
    severity: str = "warning"
    enabled: bool = True
    cooldown_seconds: int = 60
    last_triggered: float = 0.0  # 上次触发时间戳

    def should_trigger(self, current_value: float) -> bool:
        """判断是否应该触发告警"""
        if not self.enabled:
            return False
        # 检查冷却时间
        if time.time() - self.last_triggered < self.cooldown_seconds:
            return False
        threshold = self.condition.get("threshold", 0)
        operator = self.condition.get("operator", "gt")
        if operator == "gt":
            return current_value > threshold
        elif operator == "lt":
            return current_value < threshold
        elif operator == "abs_gt":
            return abs(current_value) > threshold
        return False

    def trigger(self):
        """触发告警，更新上次触发时间"""
        self.last_triggered = time.time()
        # 这里可以调用发送邮件、短信、钉钉等通知

2.5 数据模型关系图

这四个模型不是孤立的。订单簿提供市场数据，持仓模型记录你的状态，交易对配置决定交易参数，告警规则监控一切异常。我画了一张图，帮你理清它们之间的关系。

你看这张图，订单簿和持仓模型是数据源，交易对配置是规则引擎，告警规则是最后的防线。四者配合，才能构建一个健壮的做市系统。

好了，数据模型就聊到这儿。记住一句话：好的数据模型，能让你的系统跑得又快又稳；差的数据模型，会让你天天加班修 Bug。希望今天的分享对你有帮助。

---

公众号:蓝海数据掘金营，微信deep3321