3、价格序列基础：开盘价、收盘价、最高价、最低价、成交量、成交额
做高频交易的人，每天跟什么打交道最多？
说白了，就是这六个字段：开盘价、收盘价、最高价、最低价、成交量、成交额。它们构成了价格序列的骨架。我刚开始接触量化那会儿，觉得这玩意儿太简单了，不就是几个数字嘛。后来踩了不少坑才明白——越是基础的东西，越容易出问题。
3.1 四个价格：谁在说话？
先聊聊四个价格。很多人以为开盘价就是9:30第一笔成交，其实没那么简单。
核心定义：
- 开盘价：每个交易时段的第一笔有效成交价。在A股，它是集合竞价的结果。
- 收盘价：每个交易时段的最后一笔有效成交价。A股收盘前3分钟是集合竞价。
- 最高价：时段内所有成交价的最大值。
- 最低价：时段内所有成交价的最小值。
嗯，这里要注意。我见过不少新手直接用tick数据的第一个价格当开盘价，结果遇到开盘瞬间的异常报价，直接带偏了整个策略。我个人习惯是：先做一次价格合理性校验，比如检查开盘价是否落在昨日收盘价的±10%范围内。
为什么会这样？因为开盘价和收盘价承载的信息完全不同。开盘价反映的是隔夜信息的集中释放，而收盘价则是多空双方博弈后的暂时共识。你想想看，一个跳空高开的开盘价，往往意味着有重大利好被市场消化了。
3.2 最高价与最低价：波动的边界
最高价和最低价，这两个指标我特别喜欢用来做波动率估计。它们比收盘价的变化更敏感，能提前捕捉到市场的异动。
我曾经在一个日内策略里，只用最高价和最低价计算日内振幅，然后跟过去20天的平均振幅做比较。当振幅突然放大到均值2倍以上时，我就暂停交易——经验告诉我，这种时候往往伴随着大资金进出，散户很容易被来回打脸。
实战技巧：
用最高价和最低价计算真实波幅（ATR）时，记得考虑跳空缺口。公式是：
TR = max(最高价 - 最低价, |最高价 - 前收盘|, |最低价 - 前收盘|)
这个细节，很多教材都不讲，但实盘中特别重要。
3.3 成交量与成交额：量在价先
成交量是股数，成交额是金额。这两个指标，我建议你优先看成交额。
为什么？因为不同股票的价格差异太大。贵州茅台一手20多万，农业银行一手才3000块。只看成交量，你根本分不清是散户在玩还是机构在动。成交额直接反映了资金的实际参与度，这个更有说服力。
我记得有一次做回测，发现某个策略在低价股上表现特别好，换到高价股就崩了。查了半天，原来是成交量阈值设错了——低价股一天成交几亿股很正常，高价股一天也就几百万股。后来我把所有逻辑都改成基于成交额，问题就解决了。
避坑指南：
我曾经在数据清洗时，发现某天的成交量突然变成0。一开始以为是停牌，后来发现是交易所数据源切换时字段映射错了。所以，拿到原始数据后，第一件事就是检查成交量和成交额的比例是否合理。正常情况下，成交额 ≈ 成交量 × 均价，偏差超过5%就要警惕。
3.4 六个字段的联动关系
这六个字段不是孤立的。它们之间有很多隐含关系，我总结了几条：
| 关系 | 含义 | 实战应用 |
|---|---|---|
| 收盘价 > 开盘价 | 阳线，买方占优 | 连续阳线+放量，趋势可能延续 |
| 最高价 - 最低价 很大 | 日内波动剧烈 | 配合成交量放大，可能是突破信号 |
| 成交量放大但价格不动 | 多空分歧严重 | 观望为主，等方向明确 |
| 成交额突然萎缩 | 流动性枯竭 | 小心闪崩，降低仓位 |
这些关系，说白了就是市场情绪的温度计。你如果能读懂它们，就能比别人早一步发现机会或风险。
3.5 代码实现：从原始数据到结构化序列
光说不练假把式。下面是我常用的数据预处理代码，处理的就是这六个字段：
import pandas as pd
import numpy as np
def clean_price_series(df):
"""
清洗价格序列的六个核心字段
df必须包含: open, high, low, close, volume, amount
"""
# 1. 去除价格异常值
df = df[(df['high'] >= df['low']) & (df['high'] >= df['open'])]
df = df[(df['low'] <= df['close']) & (df['volume'] >= 0)]
# 2. 检查成交额合理性
estimated_amount = df['volume'] * (df['open'] + df['close']) / 2
ratio = df['amount'] / estimated_amount
df = df[(ratio > 0.95) & (ratio < 1.05)]
# 3. 计算衍生指标
df['range'] = df['high'] - df['low'] # 日内振幅
df['body'] = abs(df['close'] - df['open']) # 实体长度
df['vwap'] = df['amount'] / df['volume'] # 均价
return df
# 使用示例
raw_data = pd.read_csv('tick_data.csv')
clean_data = clean_price_series(raw_data)
print(f"清洗前{len(raw_data)}条，清洗后{len(clean_data)}条")
这段代码我用了好几年，核心逻辑就三条：价格合理性、量价匹配、衍生计算。你拿去用的时候，可以根据自己的数据源调整阈值。
3.6 知识体系结构图
下面这张图，把六个字段的关系和衍生逻辑串起来了。我建议你保存下来，写策略时对照着看：
这张图的核心逻辑是：六个原始字段 → 衍生指标 → 实战应用。你写策略的时候，每一步都要想清楚：我到底在用哪个层面的信息？
3.7 一些心里话
做高频数据这么多年，我最大的体会是：基础不牢，地动山摇。很多人一上来就搞机器学习、神经网络，结果连开盘价和收盘价哪个先出来都搞不清楚。你想想看，这样的策略能赚钱吗？
我个人习惯是，每接手一个新品种，先花一周时间把它的价格序列特征摸透。什么时候波动大，什么时候流动性差，开盘价有没有跳空习惯——这些细节，往往决定了策略的生死。
好了，这章就聊到这儿。记住这六个字段，它们是你在高频数据世界里最忠实的朋友。