3. 时间序列与事件驱动：Tick级数据特征、逐笔成交与逐笔委托的解析
做量化交易的朋友，尤其是做高频或者日内策略的，一定绕不开一个东西——Tick级数据。
说白了，Tick数据就是市场最原始的脉搏。每一笔成交、每一次挂单的变动，都记录在里面。我刚开始接触这个领域的时候，觉得K线图就够了，直到有一次我在回测一个短线策略，用1分钟K线跑出来的夏普比率高达3.5，结果实盘一跑，亏得我头皮发麻。后来一查，问题就出在K线把微观结构的信息给抹平了。
嗯，从那以后，我再也不敢轻视Tick数据了。
3.1 Tick级数据到底长什么样？
先看一个最基础的Tick数据样例。这是我从某交易所拉到的真实逐笔成交数据，脱敏处理过：
# 逐笔成交数据示例（CSV格式）
Timestamp,Price,Volume,BuySell,OrderID
09:30:00.123,10.25,100,B,123456
09:30:00.456,10.26,200,S,123457
09:30:00.789,10.25,50,B,123458
每一行代表一笔真实的成交。注意那个时间戳，精确到了毫秒甚至微秒。我见过有些交易所的Tick数据，时间精度能到纳秒级——当然，那通常是做市商才用得上的东西。
逐笔委托数据呢？它记录的是每一笔挂单的变动：
# 逐笔委托数据示例
Timestamp,Price,Volume,Type,OrderID
09:30:00.100,10.25,500,Add,123450
09:30:00.200,10.26,300,Add,123451
09:30:00.300,10.25,-100,Cancel,123450
这里Type字段有Add（新增挂单）、Cancel（撤单）、Execute（成交）等。我个人习惯把这两类数据结合起来看，才能还原出完整的订单簿演化过程。
核心要点：Tick数据是事件驱动的，每一笔事件都改变了市场的微观状态。K线是“切片”，Tick是“录像”。
3.2 逐笔成交 vs 逐笔委托：谁更重要？
这个问题我经常被问到。我的回答是：都重要，但用途不同。
逐笔成交数据，告诉你的是“已经发生的事”。比如大单买入、主动卖出、成交量的分布等等。你可以用它来识别主力资金的动向。
逐笔委托数据，告诉你的是“正在发生的事”。比如挂单的堆积、撤单的异常、价格的支撑阻力位等等。它比成交数据更提前一步。
举个例子。我在做一只小盘股的策略时，发现成交数据里突然出现一笔1000手的买单，价格是10.00元。但如果你只看成交，你会觉得“哇，有大资金进场了”。
但如果你同时看委托数据，你会发现：在10.00元这个价位上，原本有2000手的卖单，但在成交前1秒，这2000手卖单突然撤掉了800手。然后那笔1000手的买单才成交。
这说明什么？说明有人在配合演戏。撤单是为了让买单更容易成交，或者是为了制造一个虚假的“大单买入”信号。
避坑指南：我曾经因为只看成交数据，被这种“假大单”坑过好几次。后来我养成了一个习惯：任何大单成交，都必须去核对委托数据，看看挂单有没有异常变动。
3.3 Tick级特征工程：从原始数据到有效信号
原始Tick数据太嘈杂了，直接拿来用基本等于自杀。我们需要做一些特征提取。我个人常用的几个特征：
3.3.1 成交方向与主动买卖
每一笔成交都有买卖方向。如果一笔成交的价格高于当前卖一价，那它就是主动买入（Buyer Initiated）。反之则是主动卖出。
# 判断主动买卖的伪代码
if trade_price >= ask_price:
direction = 'Buy'
elif trade_price <= bid_price:
direction = 'Sell'
else:
direction = 'Mid' # 中间价成交，少见
这个特征非常关键。主动买入占比高，说明买方力量强。我习惯用主动买入成交量 / 总成交量这个比值，作为市场情绪的实时指标。
3.3.2 订单簿不平衡度
这个指标衡量的是买卖挂单的力量对比。公式很简单：
OrderImbalance = (BidVolume - AskVolume) / (BidVolume + AskVolume)
值越接近1，说明买方挂单越强；越接近-1，卖方挂单越强。我在实盘中发现，这个指标对短期价格反转有很好的预测效果。
小技巧：不要只看一档的挂单。我建议看前五档甚至前十档的加权不平衡度。因为有些大资金会把单子挂在较远的价位，用来“压阵”。
3.3.3 成交量的时间分布
把每一笔成交量按时间切片，比如每100毫秒统计一次。你会发现，成交量往往不是均匀分布的。有时候几秒钟内密集成交，然后突然安静下来。
这种“爆发-沉寂”的模式，我称之为成交量簇。它往往预示着大资金的进出节奏。
3.4 事件驱动：把Tick数据变成交易信号
有了特征，下一步就是怎么用。我个人喜欢用事件驱动的方式来做。
什么意思呢？就是我不去预测未来的价格，而是等待某个“事件”发生，然后做出反应。
举个例子，我设计过一个策略：
- 监控逐笔委托数据，当某一价位出现超过平均挂单量3倍的大单时，触发“大单挂出”事件。
- 然后观察接下来的3秒内，这个价位是否有主动成交。
- 如果有主动成交吃掉这个大单，说明买方力量强，我跟着买入。
- 如果这个大单被撤掉，说明可能是虚晃一枪，我选择观望。
这个策略听起来简单，但实盘效果还不错。核心就在于：事件本身不重要，事件引发的后续行为才重要。
3.5 知识体系总览
为了让你更直观地理解这一章的内容，我画了一张图：
这张图把整个流程串起来了。从最底层的逐笔成交和委托数据开始，提取特征，然后基于事件驱动的方式生成交易信号。每一步都有坑，但也都有机会。
3.6 实战中的几个坑
最后，分享几个我在实战中踩过的坑：
- 数据延迟：Tick数据量巨大，处理速度一定要快。我曾经用Python的pandas逐行处理，结果延迟到了秒级，策略完全失效。后来改用C++或者用Python的numba加速，才把延迟降下来。
- 数据对齐：成交数据和委托数据的时间戳可能不同步。有些交易所的成交时间戳是撮合时间，委托时间戳是挂单时间。直接按时间戳对齐会出问题。我一般会用顺序编号来对齐，而不是时间戳。
- 回测陷阱：用Tick数据回测时，一定要注意未来信息。比如你用当前时刻的委托数据去预测下一秒的成交，但如果你在回测中不小心用了下一秒的数据，结果就会虚高。我建议用严格的事件回测框架，确保每一笔交易只基于历史信息。
一句话总结：Tick级数据是微观结构的金矿，但挖矿需要耐心和工具。逐笔成交告诉你“发生了什么”，逐笔委托告诉你“正在发生什么”，两者结合，你才能看到市场的全貌。
公众号:蓝海资料掘金营，微信deep3321