3、订单簿特征工程：盘口不平衡指标、订单簿斜率、价格冲击模型、流动性度量指标、订单簿熵

做量化交易这些年，我越来越觉得——订单簿就是市场的脉搏。你盯着K线看，看到的是结果；你盯着订单簿看，看到的是过程。这一章，咱们就来聊聊怎么从订单簿里挖出那些真正有用的特征。

说白了，特征工程就是把原始数据变成能喂给模型的“养料”。订单簿数据量大、噪声多，直接扔进去肯定不行。我个人的习惯是，先构建几个核心指标，再逐步组合。下面这五个方向，是我在实战中反复打磨过的。

3.1 盘口不平衡指标

这个指标，我愿称之为“订单簿的晴雨表”。它衡量的是买盘和卖盘的力量对比。公式很简单：

盘口不平衡 = (买一量 - 卖一量) / (买一量 + 卖一量)

取值范围在 -1 到 1 之间。正值表示买方强势，负值表示卖方强势。嗯，这里要注意——只看买一卖一是不够的。

我曾经在回测一个高频策略时，发现盘口不平衡指标经常出现“假信号”。后来我深入排查，发现是因为大单挂在买二买三位置，买一只是小单。所以后来我改用了加权版本：

加权不平衡 = Σ(买i量 * 权重i) - Σ(卖i量 * 权重i) / 总深度

权重可以用价格距离的倒数，或者直接用指数衰减。我个人习惯用前5档，权重设为 [1, 0.8, 0.6, 0.4, 0.2]。

3.2 订单簿斜率

斜率这个概念，其实是从限价订单的“价格-累积量”曲线里来的。你想想看，如果买盘在靠近最优价的位置堆积了大量订单，那曲线就会很陡；如果订单分散在各个价位，曲线就会很平缓。

我一般这样计算：

斜率 = (累积量_远端 - 累积量_近端) / (价格_远端 - 价格_近端)

具体来说，我会取买一到买五的累积量，拟合一条直线，斜率就是这条线的陡峭程度。斜率越大，说明订单越集中在近端，市场“护盘”意愿强；斜率越小，说明订单稀疏，价格容易滑点。

我记得有一次做股指期货的订单簿分析，发现斜率指标在趋势行情中会突然变平——这说明大资金在撤单，准备发动一波行情。这个发现后来成了我们策略的一个重要预警信号。

3.3 价格冲击模型

价格冲击模型，说白了就是回答一个问题：我吃多少量，价格会动多少？这个在实盘交易中太重要了。

最经典的模型是Kyle的λ模型：

ΔP = λ * Q

其中ΔP是价格变化，Q是成交量，λ就是市场深度系数。λ越小，说明市场越深，吃单对价格影响小。

但在实际应用中，我更喜欢用瞬时冲击模型。它考虑的是订单簿的实时状态：

冲击成本 = Σ(价格i * 量i) / 总成交量 - 当前最优价

举个例子，你想买100手，但买一只有20手，买二有30手，买三有50手。那你的实际成交均价就会高于买一价。这个差值，就是冲击成本。

我建议在策略中把这个指标做成实时监控。当冲击成本突然变大时，说明流动性在枯竭，这时候最好暂停交易。

3.4 流动性度量指标

流动性这个词，大家天天挂在嘴边，但怎么量化？我常用的有三个维度：

指标	计算公式	含义
买卖价差	卖一价 - 买一价	最直接的流动性度量，越小越好
市场深度	买一到买五的总量 + 卖一到卖五的总量	衡量市场能承接多少订单
Amihud非流动性指标	|收益率| / 成交量	单位成交量引起的价格波动

我个人最常用的是深度加权价差：

深度加权价差 = (卖一价 * 卖一量 + 买一价 * 买一量) / (卖一量 + 买一量)

这个指标比单纯的价差更稳定。为什么？因为它把量也考虑进去了。有时候价差虽然小，但量也小，这种流动性其实是“虚”的。

3.5 订单簿熵

熵这个概念，是从信息论里借来的。它衡量的是订单簿的“混乱程度”。公式如下：

熵 = - Σ(pi * log(pi))

其中pi是第i档订单量占总订单量的比例。熵值越大，说明订单分布越均匀，市场越“无序”；熵值越小，说明订单集中在少数价位，市场有明确的“共识”。

我刚开始接触这个指标时，觉得它有点玄乎。直到有一次在分析一个闪崩事件时，发现订单簿熵在崩盘前突然飙升——这说明市场参与者意见分歧巨大，流动性在快速分散。嗯，从那以后，我就把熵作为风险监控的必备指标了。

实际计算时，我一般取前10档数据。代码实现也很简单：

import numpy as np

def order_book_entropy(bids, asks, levels=10):
    # bids和asks是二维数组，每行是[价格, 量]
    all_volumes = np.concatenate([bids[:levels, 1], asks[:levels, 1]])
    total_volume = np.sum(all_volumes)
    if total_volume == 0:
        return 0
    probs = all_volumes / total_volume
    entropy = -np.sum(probs * np.log(probs + 1e-10))
    return entropy

知识体系总览

下面这张图，是我自己梳理的订单簿特征工程框架。你可以把它当作一个“检查清单”，每次做特征时对照一下：

这五个特征，每一个单独拿出来都能写一篇论文。但在实战中，我更建议你组合使用。比如盘口不平衡+斜率，可以判断趋势的持续性；流动性+熵，可以识别市场异常状态。

最后说一句：特征工程没有银弹。同样的指标，在股票、期货、加密货币上的表现可能天差地别。我的建议是——先跑一遍回测，看看哪些特征对你的策略有稳定的贡献，然后再深入优化。

---

公众号:蓝海资料掘金营，微信deep3321