1. 流动性定义与核心指标

大家好，我是老张。今天咱们聊聊流动性——这个在量化交易里绕不开的话题。

流动性是什么？说白了，就是你能不能用合理的价格，快速地把资产变成现金。你想想看，如果你手里拿着一张股票，想卖的时候没人接盘，或者得打个八折才能出手，那这资产就“不流动”。

我刚开始做量化那会儿，吃过一次亏。策略回测跑得漂亮，年化收益30%+，结果实盘一跑，滑点直接吃掉一半利润。后来复盘才发现，我选的标的流动性太差了。嗯，从那以后，流动性指标就成了我策略里的“标配”。

1.1 为什么流动性对量化策略重要？

这个问题我问过不少刚入行的朋友。他们的第一反应往往是：“流动性好，交易成本低呗。”对，但不全对。

流动性影响的不只是成本，还有策略的容量、执行效率，甚至信号的有效性。举个例子：

• 交易成本：买卖价差越大，你进出的摩擦成本越高。高频策略尤其敏感。
• 策略容量：流动性不足，大资金一进去就把价格打飞了。我见过有人用1000万做小盘股，结果自己把自己拉涨停。
• 信号衰减：你想买的量，市场接不住，信号还没执行完，价格已经变了。
• 风险控制：遇到黑天鹅，流动性枯竭，你想止损都出不来。2015年股灾就是活生生的例子。

所以，流动性不是锦上添花，而是策略的“地基”。地基不稳，楼盖得再高也得塌。

1.2 核心指标详解

接下来，我带你逐个拆解几个最常用的流动性指标。每个指标我都会给出数学定义和Python实现，方便你直接拿来用。

1.2.1 买卖价差（Bid-Ask Spread）

这是最直观的流动性指标。买一价和卖一价的差值，就是你交易一单位需要付出的“过路费”。

数学定义：

绝对价差 = 卖一价 - 买一价
相对价差 = (卖一价 - 买一价) / 中间价
中间价 = (买一价 + 卖一价) / 2

Python计算：

import pandas as pd

def calc_spread(df):
    """
    df 必须包含 ask_price1, bid_price1 两列
    """
    df['mid_price'] = (df['ask_price1'] + df['bid_price1']) / 2
    df['abs_spread'] = df['ask_price1'] - df['bid_price1']
    df['rel_spread'] = df['abs_spread'] / df['mid_price']
    return df

# 示例
data = pd.DataFrame({
    'ask_price1': [10.05, 10.10, 10.08],
    'bid_price1': [10.00, 10.02, 10.03]
})
result = calc_spread(data)
print(result[['abs_spread', 'rel_spread']])

1.2.2 市场深度（Market Depth）

价差只告诉你第一档的成本，但如果你想买100万股呢？这时候就得看市场深度了。

定义：在某个价格水平上，市场能承受的订单数量。通常看买卖各档位的累计挂单量。

Python计算：

def calc_depth(df, levels=5):
    """
    计算买卖各档位的累计深度
    df 需包含 ask_vol1~ask_vol5, bid_vol1~bid_vol5
    """
    ask_cols = [f'ask_vol{i}' for i in range(1, levels+1)]
    bid_cols = [f'bid_vol{i}' for i in range(1, levels+1)]
    
    df['ask_depth'] = df[ask_cols].sum(axis=1)
    df['bid_depth'] = df[bid_cols].sum(axis=1)
    df['total_depth'] = df['ask_depth'] + df['bid_depth']
    return df

1.2.3 成交量（Volume）

成交量是最常用的流动性代理指标。量越大，通常流动性越好。但要注意，成交量是事后指标，不能预测未来的流动性。

Python计算：

# 计算日成交量滚动均值
df['volume_ma5'] = df['volume'].rolling(window=5).mean()
df['volume_std'] = df['volume'].rolling(window=20).std()

# 成交量异常检测
df['volume_zscore'] = (df['volume'] - df['volume'].rolling(20).mean()) / df['volume'].rolling(20).std()

1.2.4 换手率（Turnover Rate）

换手率 = 成交量 / 流通股本。它剔除了股本规模的影响，更适合跨股票比较。

数学定义：

换手率 = 当日成交量 / 流通股本

Python计算：

def calc_turnover(df, shares_outstanding):
    """
    shares_outstanding: 流通股本（股数）
    """
    df['turnover'] = df['volume'] / shares_outstanding
    return df

1.2.5 Amihud非流动性指标

这是学术界用得最多的流动性指标之一。它衡量的是“每单位成交量引起的价格变化”。价格变化越大，说明流动性越差。

数学定义：

Amihud_i = (1/N) * Σ(|r_i| / volume_i)

其中 r_i 是第 i 分钟的收益率，volume_i 是第 i 分钟的成交量（金额）。

Python计算：

def calc_amihud(df):
    """
    df 需包含 close, volume（金额）, 按时间排序
    """
    df['return'] = df['close'].pct_change().abs()
    df['amihud_raw'] = df['return'] / df['volume']
    # 通常取滚动均值
    df['amihud'] = df['amihud_raw'].rolling(window=20).mean()
    # 处理无穷大
    df['amihud'] = df['amihud'].replace([float('inf'), -float('inf')], float('nan'))
    return df

1.3 知识体系总览

下面这张图，我把本章的核心逻辑梳理了一下。你可以把它当作一个“流动性指标工具箱”。

1.4 指标对比与选择建议

这么多指标，到底用哪个？我的建议是：不要只用单一指标。每个指标都有它的盲区。

指标	优点	缺点	适用场景
买卖价差	直观、实时性强	只反映第一档，大单不适用	高频策略、小单交易
市场深度	反映多档位承接能力	数据量大，更新频繁	大单执行、算法交易
成交量	数据易得，稳定	事后指标，有滞后	中低频策略、选股
换手率	跨股票可比	依赖流通股本数据	选股、行业对比
Amihud	综合价格与成交量	计算复杂，值域不稳定	学术研究、因子构建

1.5 小结

流动性不是玄学，它是可以量化、可以计算的。今天讲的五个指标，每个都有它的数学定义和Python实现。你拿回去就能用。

记住一句话：流动性是策略的“安全带”。系好安全带，才能开快车。

下一章，我会讲如何用这些指标构建一个流动性评分系统。到时候咱们再聊。

---

公众号:蓝海资料掘金营，微信deep3321