3、订单簿数据结构：Python 中如何用字典和列表模拟订单簿

做量化交易，订单簿就是你的战场地图。我刚开始接触这个领域时，第一反应是——这东西不就是个价格和数量的表格吗？后来在实盘对接中才发现，订单簿的更新速度、数据结构的选型，直接决定了你的策略能不能跑赢市场。

说白了，订单簿就是记录当前市场上所有买单和卖单的电子账本。买方挂单叫Bid，卖方挂单叫Ask。每一档价格上，都堆着一定数量的订单。我们做策略，就是盯着这个账本的变化来决策。

3.1 订单簿的核心要素

一个标准的订单簿，至少包含以下信息：

• 价格档位：每个价格点就是一个档位
• 挂单数量：该价格上所有订单的总量
• 订单方向：买还是卖
• 时间戳：数据生成的时间

嗯，这里要注意——不同交易所的订单簿深度不一样。有的只给前20档，有的给到100档。我个人习惯在本地维护一个完整的快照，然后增量更新。

3.2 用字典模拟订单簿

Python里最直观的方式就是用字典。键是价格，值是数量。为什么？因为价格是唯一的，而且查询速度极快。

# 一个简单的订单簿字典结构
order_book = {
    'bids': {  # 买单
        100.50: 200,   # 价格100.50，数量200
        100.40: 150,
        100.30: 300
    },
    'asks': {  # 卖单
        100.60: 180,
        100.70: 250,
        100.80: 100
    }
}

# 获取最优买价（最高买价）
best_bid = max(order_book['bids'].keys())
print(f"最优买价: {best_bid}, 数量: {order_book['bids'][best_bid]}")

# 获取最优卖价（最低卖价）
best_ask = min(order_book['asks'].keys())
print(f"最优卖价: {best_ask}, 数量: {order_book['asks'][best_ask]}")

我在项目中遇到过一个问题：字典虽然快，但价格是浮点数。浮点数做键，精度问题会坑死人。比如100.50和100.5000001，在字典里是两个不同的键。所以，我建议把价格乘以10000转成整数来存。

3.3 用列表模拟订单簿

字典适合随机访问，但如果你需要按价格排序遍历，列表更合适。尤其是做深度分析时，列表的切片操作非常方便。

# 用列表存储订单簿，每个元素是 [价格, 数量]
bids = [
    [100.50, 200],
    [100.40, 150],
    [100.30, 300]
]

asks = [
    [100.60, 180],
    [100.70, 250],
    [100.80, 100]
]

# 计算买卖价差
spread = asks[0][0] - bids[0][0]
print(f"当前价差: {spread}")

# 计算前5档买单总量
total_bid_volume = sum([item[1] for item in bids[:5]])
print(f"前5档买单总量: {total_bid_volume}")

你想想看，列表的好处是天然有序。但坏处也很明显——插入和删除操作是O(n)的。如果订单簿每秒更新几百次，列表的性能就扛不住了。

3.4 字典+列表的组合方案

实战中，我更喜欢把两者结合起来。字典负责快速查找，列表负责有序遍历。这样既保证了速度，又保留了顺序。

class OrderBook:
    def __init__(self):
        self.bids_dict = {}   # 价格 -> 数量
        self.asks_dict = {}   # 价格 -> 数量
        self.bids_list = []   # 按价格降序排列
        self.asks_list = []   # 按价格升序排列
    
    def update(self, side, price, volume):
        """更新订单簿"""
        if side == 'buy':
            self.bids_dict[price] = volume
            self.bids_list = sorted(self.bids_dict.items(), reverse=True)
        else:
            self.asks_dict[price] = volume
            self.asks_list = sorted(self.asks_dict.items())
    
    def get_best_bid(self):
        """获取最优买价"""
        return self.bids_list[0] if self.bids_list else None
    
    def get_best_ask(self):
        """获取最优卖价"""
        return self.asks_list[0] if self.asks_list else None
    
    def get_depth(self, levels=10):
        """获取指定深度的订单簿"""
        return {
            'bids': self.bids_list[:levels],
            'asks': self.asks_list[:levels]
        }

3.5 订单簿的增量更新

交易所推送的数据，通常是增量快照。比如「价格100.50的买单数量变为0」，意味着这个档位被吃掉了。我曾经踩过一个坑：直接覆盖字典，结果漏掉了某些档位的删除操作。

def apply_snapshot(order_book, snapshot):
    """
    应用增量快照
    snapshot格式: [(price, volume), ...]
    volume为0表示删除该档位
    """
    for price, volume in snapshot:
        if volume == 0:
            # 删除档位
            order_book.bids_dict.pop(price, None)
            order_book.asks_dict.pop(price, None)
        else:
            # 更新或新增档位
            # 这里需要判断是买单还是卖单
            # 实际项目中会从snapshot的side字段获取
            pass
    
    # 重新排序
    order_book.bids_list = sorted(order_book.bids_dict.items(), reverse=True)
    order_book.asks_list = sorted(order_book.asks_dict.items())

3.6 订单簿的可视化结构

为了让你更直观地理解订单簿，我画了一张图。这张图展示了买单和卖单如何堆叠，以及买卖价差的位置。

3.7 实战中的选择建议

说了这么多，到底该用哪种方案？我根据经验给你列个表：

最后说一句——订单簿的数据结构没有银弹。你得根据策略的频率、数据量、交易所的API特性来选。但不管怎么选，字典做索引、列表做视图这个思路，基本能覆盖90%的场景。