深度指标计算：买卖价差、深度斜率、深度比率、加权深度、流动性黑洞识别

各位同学，今天我们来聊聊市场深度。说白了，深度就是看市场能「吃下」多大的单子而不引起价格剧烈波动。我刚开始做量化那会儿，总觉得看个买卖盘口就够用了，结果有一次策略回测跑得漂亮，实盘一上去就被深度不足的市场给「教育」了。嗯，从那以后，深度指标就成了我策略里的标配。

1. 买卖价差（Bid-Ask Spread）

这是最基础的深度指标。价差越小，流动性越好。公式很简单：

Spread = Ask_Price - Bid_Price
Relative_Spread = (Ask_Price - Bid_Price) / Mid_Price

我个人习惯用相对价差，因为不同价格的股票绝对值没法比。比如茅台价差5毛和垃圾股价差5毛，意义完全不同。

2. 深度斜率（Depth Slope）

深度斜率衡量的是价格每变动一个单位，订单量变化多少。说白了，就是看订单簿的「陡峭程度」。

计算方式：

# 假设我们有买卖各5档数据
def depth_slope(bids, asks):
    # bids: [(price, volume), ...]
    # asks: [(price, volume), ...]
    bid_prices = [p for p, v in bids]
    bid_volumes = [v for p, v in bids]
    ask_prices = [p for p, v in asks]
    ask_volumes = [v for p, v in asks]
    
    # 用线性回归拟合价格-成交量关系
    from numpy import polyfit
    bid_slope = polyfit(bid_prices, bid_volumes, 1)[0]
    ask_slope = polyfit(ask_prices, ask_volumes, 1)[0]
    
    return bid_slope, ask_slope

你想想看，如果斜率很大，说明价格稍微一变动，成交量就急剧变化——这种市场其实很脆弱。我在做股指期货的流动性分析时，发现开盘后15分钟内的深度斜率往往是最陡的，这时候做市商还没完全进场。

3. 深度比率（Depth Ratio）

深度比率是买方深度和卖方深度的比值。公式：

Depth_Ratio = Total_Bid_Volume / Total_Ask_Volume

这个指标能告诉你当前市场的买卖力量对比。如果深度比率大于1，说明买方深度更大，市场偏多头；反之则偏空头。

4. 加权深度（Weighted Depth）

加权深度考虑了价格距离的影响。离当前价格越近的订单，权重越大。计算方式：

def weighted_depth(bids, asks, decay_factor=0.9):
    mid_price = (bids[0][0] + asks[0][0]) / 2
    
    bid_weighted = 0
    for price, volume in bids:
        weight = decay_factor ** abs(price - mid_price)
        bid_weighted += volume * weight
    
    ask_weighted = 0
    for price, volume in asks:
        weight = decay_factor ** abs(price - mid_price)
        ask_weighted += volume * weight
    
    return bid_weighted, ask_weighted

为什么要加权？因为离当前价格远的订单，实际成交概率低。我记得有一次分析某只ETF的流动性，不加权时看起来深度很大，但加权后发现大部分流动性都在远离当前价的位置，实际能吃的单子很少。这就是所谓的「虚深度」。

5. 流动性黑洞识别

流动性黑洞，说白了就是市场突然「干涸」了。订单簿上的挂单瞬间消失，价差急剧扩大。识别方法：

• 价差突变检测： 价差在短时间内扩大超过3倍标准差
• 深度骤降检测： 总深度在1秒内下降超过50%
• 订单簿斜率反转： 深度斜率从正变负或从负变正

def detect_liquidity_hole(orderbook_series):
    # orderbook_series: 时间序列的订单簿快照
    alerts = []
    for i in range(1, len(orderbook_series)):
        spread_change = (orderbook_series[i].spread - 
                        orderbook_series[i-1].spread) / orderbook_series[i-1].spread
        depth_change = (orderbook_series[i].total_depth - 
                       orderbook_series[i-1].total_depth) / orderbook_series[i-1].total_depth
        
        if spread_change > 3.0 and depth_change < -0.5:
            alerts.append({
                'time': orderbook_series[i].timestamp,
                'type': '流动性黑洞',
                'severity': '高'
            })
    return alerts

知识体系总览

下面这张图展示了深度指标之间的逻辑关系，我画了很久才理清楚：

这些指标单独看都有局限性，但组合起来就能构建一个完整的流动性监控体系。我个人习惯把深度比率和加权深度结合起来用，前者看方向，后者看真实可用的流动性。

好了，这一章的内容就到这里。这些指标在实际项目中怎么用、怎么调参，需要你在回测中慢慢摸索。记住，没有万能的指标，只有适合你策略的组合。