01
订单簿基础
什么是订单簿？限价单与市价单的区别，订单簿的构成要素（价格、数量、时间戳）。
L1限价单
02
L1与L2数据
Level 1数据（最优买卖价）与Level 2数据（深度委托）的区别与应用场景。
深度快照
03
订单簿快照与增量更新
快照数据的生成，增量更新的机制（如逐笔委托），以及如何合并两者。
增量合并
04
订单簿重建
从原始行情数据（逐笔委托）重建完整订单簿的算法与实现。
算法逐笔
05
订单簿状态机
订单的生命周期（新单、部分成交、完全成交、撤单、过期），状态转换图。
状态图生命周期
06
微观特征之价差
买卖价差的定义、计算方法（绝对价差、相对价差），价差的日内模式与影响因素。
价差日内模式
07
微观特征之深度
市场深度（Depth）的定义，不同价格档位的挂单量分布，深度曲线的绘制。
深度曲线挂单分布
08
微观特征之斜率
订单簿斜率（Order Book Slope）的计算，斜率与市场流动性的关系。
斜率流动性
09
微观特征之不均衡
订单簿不平衡（Order Imbalance）的定义，基于买卖挂单量的不平衡指标（如Volume Imbalance）。
不平衡Volume Imbalance
10
微观特征之压力
订单簿压力指标（如价格压力、量价压力），如何量化买卖双方的博弈力量。
压力博弈
11
微观特征之熵
订单簿信息熵的概念，基于挂单分布的熵值计算，熵值如何反映市场不确定性。
信息熵不确定性
12
微观特征之波动率
基于订单簿微观结构的瞬时波动率估计，如已实现波动率、买卖报价波动率。
波动率瞬时
13
微观特征之成交
逐笔成交数据（Tick Data）的特征，如成交频率、成交均价、大单识别。
Tick大单
14
微观特征之流
订单流（Order Flow）的度量，主动买/卖单的识别（基于成交方向），订单流的不平衡。
订单流主动买卖
15
微观特征之时间
订单簿事件的时间间隔分析，如到达间隔、持续时间，以及时间加权平均价格（TWAP）。
时间间隔TWAP
16
特征工程基础
从订单簿原始数据到特征向量的转换流程，数据清洗、标准化、缺失值处理。
标准化清洗
17
特征选择方法
过滤法、包裹法、嵌入法在订单簿特征选择中的应用，如何避免过拟合。
过滤法嵌入法
18
时间序列预测基础
自回归模型（AR）、移动平均模型（MA）、ARIMA模型在价格预测中的应用。
ARIMA时间序列
19
机器学习模型
线性回归、支持向量回归（SVR）、随机森林在订单簿特征预测中的应用。
SVR随机森林
20
深度学习模型
LSTM、GRU、Transformer在捕捉订单簿时序依赖中的优势与实现。
LSTMTransformer
21
特征与标签对齐
如何将微观特征与未来价格变动（标签）对齐，预测窗口的选择（如1秒、5秒、1分钟）。
对齐预测窗口
22
预测目标定义
分类问题（涨/跌/平）与回归问题（未来价格/收益率）的定义与评估指标。
分类回归
23
回测框架搭建
基于历史订单簿数据的回测流程，避免未来信息泄露（Look-ahead Bias）。
回测Look-ahead
24
模型评估指标
分类指标（准确率、精确率、召回率、F1-score），回归指标（MSE、MAE、R²）。
F1R²
25
过拟合与正则化
订单簿数据的高维特性带来的过拟合问题，L1/L2正则化、Dropout等缓解策略。
正则化Dropout
26
特征重要性分析
基于树模型的特征重要性排序，SHAP值解释模型预测。
SHAP重要性
27
高频交易中的微观特征
高频交易场景下对特征延迟、计算效率的特殊要求，特征降维技巧。
高频降维
28
实战案例一：L1价格方向预测
基于L1数据的短期价格方向预测（分类模型），从特征构建到模型部署。
分类L1
29
实战案例二：流动性预测
基于完整订单簿的流动性预测（回归模型），预测未来1秒的价差变化。
回归价差
30
课程总结与前沿展望
订单簿微观特征研究的未来方向，如多资产联合建模、强化学习在订单簿中的应用。
强化学习多资产