第3章冰山订单的算法框架

3、冰山订单的算法框架：时间切片模型、成交量加权模型、动态调整模型

聊到冰山订单的算法实现，我脑子里第一个蹦出来的画面，是几年前在实盘环境里调试一个高频做市策略。当时订单簿上明明挂着大单，可一吃就没了——后来才发现，那是别人的冰山订单在“钓鱼”。

说白了，冰山订单的核心就一句话：把一个大单拆成无数个小单，分批扔进市场。但怎么拆、什么时候扔、扔多少，这里面的门道就深了。

我个人习惯把冰山订单的算法框架分成三大流派：时间切片模型、成交量加权模型、动态调整模型。咱们一个一个拆开看。

3.1 时间切片模型：最简单的“定时定量”

这个模型最直观。你想想看，我要卖100万股，不想让人看出来。那就把时间切成N段，每段扔固定数量的单子。

比如，交易时段是4小时（240分钟），我切成240个1分钟切片。每分钟扔4167股。嗯，就这么简单。

代码实现大概长这样：

class TimeSliceIceberg:
    def __init__(self, total_qty, total_time, slices):
        self.total_qty = total_qty
        self.slice_qty = total_qty // slices
        self.interval = total_time / slices
        self.remaining = total_qty
        
    def next_order(self, current_time):
        # 计算当前应该在第几个切片
        slice_idx = int(current_time / self.interval)
        if slice_idx * self.slice_qty <= self.remaining:
            return min(self.slice_qty, self.remaining)
        return 0

优点：实现简单，逻辑清晰，回测时几乎不会出bug。

缺点：太死板了。市场在暴涨，你还在按部就班地卖；市场在暴跌，你还在傻乎乎地买。我曾经在一个震荡市里用这个模型，结果被来回打脸——每次都在最不利的价位成交。

⚠️ 避坑指南：时间切片模型只适合流动性极好、波动极小的品种。比如国债期货、大型蓝筹股。别拿它去搞小盘股，你会后悔的。

3.2 成交量加权模型：跟着市场节奏走

这个模型就聪明多了。它不按时间切，而是按市场成交量来切。

核心逻辑是：市场成交了多少，我就跟着成交多少。比如，我设定一个参与率参数α=0.05，意思是市场每成交100股，我就成交5股。

公式很简单：

当前应成交量 = 市场累计成交量 × α - 已成交量

代码实现：

class VolumeWeightedIceberg:
    def __init__(self, total_qty, participation_rate):
        self.total_qty = total_qty
        self.alpha = participation_rate  # 参与率
        self.executed = 0
        
    def next_order(self, market_volume):
        target = int(market_volume * self.alpha)
        order_qty = target - self.executed
        if order_qty > 0:
            order_qty = min(order_qty, self.total_qty - self.executed)
            self.executed += order_qty
            return order_qty
        return 0

这个模型的好处是：市场活跃时我多交易，市场冷清时我少交易。不会在流动性枯竭的时候硬往里冲。

我记得有一次做港股交易，下午3点半之后流动性骤降。如果用时间切片模型，我还在那硬挂单，结果被做市商吃得死死的。换成成交量加权模型后，自动减少了交易频率，成本降了将近30%。

💡 个人经验：α参数的设置很关键。一般建议在0.01到0.1之间。太小了完成不了任务，太大了容易被发现。我习惯先跑一周的历史数据，找到最优α值。

3.3 动态调整模型：真正的“智能冰山”

前两个模型都是静态的——参数设好了就不变了。但市场是活的，你的算法也得是活的。

动态调整模型的核心思想是：根据市场状态实时调整下单策略。它会考虑三个维度：

价格偏离度：当前价格离我的目标价有多远
订单簿深度：买卖挂单的厚度如何
市场冲击成本：我每下一单，价格会滑多少

我设计过一个简单的动态调整模型，核心逻辑是：

class DynamicIceberg:
    def __init__(self, total_qty, target_price):
        self.total_qty = total_qty
        self.target_price = target_price
        self.executed = 0
        
    def calc_order_size(self, current_price, bid_depth, ask_depth):
        # 价格偏离度越大，下单越保守
        price_dev = abs(current_price - self.target_price) / self.target_price
        
        # 订单簿越薄，下单越小
        liquidity = (bid_depth + ask_depth) / 2
        
        # 动态调整下单量
        base_qty = self.total_qty // 100
        adjust_factor = max(0.1, 1 - price_dev * 10)
        liquidity_factor = min(1, liquidity / 100000)
        
        order_qty = int(base_qty * adjust_factor * liquidity_factor)
        return min(order_qty, self.total_qty - self.executed)

这个模型的好处是：市场对你有利时，你加速交易；市场对你不利时，你减速甚至暂停。

我曾经在实盘中遇到过这种情况：一个大单刚挂出去，价格突然跳水。动态调整模型立刻检测到价格偏离度超过阈值，自动把下单量降到了原来的10%。等价格反弹回来，再恢复正常的交易节奏。这一波操作，帮我少亏了至少50个基点。

三种模型对比总结：

模型	核心逻辑	适用场景	风险点
时间切片	固定时间间隔下单	高流动性、低波动	市场突变时失效
成交量加权	按市场成交量比例下单	中等流动性	参数α难调优
动态调整	多因子实时决策	所有场景	实现复杂、过拟合风险

下面这张图，是我自己画的一个冰山订单算法框架图，帮你理清这三种模型的关系：

最后说一句，这三种模型没有绝对的好坏。我个人的建议是：从时间切片模型开始，跑通整个流程；然后升级到成交量加权模型，优化执行成本；最后再上动态调整模型，追求极致表现。一步到位搞动态调整，很容易掉进过拟合的坑里。

避坑指南：我曾经在一个项目里，一上来就搞动态调整模型，用了十几个因子。结果回测曲线漂亮得不行，实盘一跑就崩。后来才发现，那些因子在回测里是“伪相关”，实盘里根本没用。所以，先做减法，再做加法。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

3、冰山订单的算法框架：时间切片模型、成交量加权模型、动态调整模型

3.1 时间切片模型：最简单的“定时定量”

3.2 成交量加权模型：跟着市场节奏走

3.3 动态调整模型：真正的“智能冰山”