第四章：订单失衡率指标构建

各位同学，今天我们来聊聊一个非常实战的指标——订单失衡率。说实话，这个指标在我早期的交易生涯中帮了大忙。那时候我刚接触高频数据，看着逐笔成交记录一头雾水，直到有一天我发现了买方和卖方主动成交之间的秘密。

4.1 逐笔成交数据解析

先说说什么是逐笔成交数据。你打开交易软件的成交明细，每一笔交易都会记录：成交时间、价格、数量，以及最重要的——这笔交易是由买方主动发起的，还是卖方主动发起的。

我举个例子。假设当前盘口是这样的：

• 卖一价：10.01元，挂单1000股
• 买一价：10.00元，挂单800股

这时候突然来了一笔成交，价格是10.01元，数量500股。你想想看，谁会主动去吃掉卖一价的单子？当然是买方。所以这笔交易就是「买方主动成交」，也叫「外盘」。

反过来，如果成交在10.00元，那就是卖方主动砸盘，属于「卖方主动成交」，也叫「内盘」。

嗯，这里要注意一点。有些行情软件会把「主动」和「被动」搞混。我个人习惯是看成交价格：成交价≥卖一价，就是买方主动；成交价≤买一价，就是卖方主动。如果成交价在中间，那可能是双方同时撤单再成交，这种情况比较少，可以忽略。

4.2 订单失衡率（OIR）计算公式

有了买方主动成交量和卖方主动成交量，我们就可以构建订单失衡率了。公式其实很简单：

OIR = (买方主动成交量 - 卖方主动成交量) / (买方主动成交量 + 卖方主动成交量)

这个值在-1到1之间波动：

• OIR接近1：买方绝对主导，市场情绪极度看涨
• OIR接近-1：卖方绝对主导，市场情绪极度看跌
• OIR接近0：买卖双方力量均衡，市场处于犹豫状态

我在项目中遇到过一个问题：如果某段时间内只有买方主动成交，没有卖方主动成交，分母就是买方成交量本身，OIR=1。这看起来没问题，但实际中这种情况很少见。更常见的是，某只冷门股一天都没几笔成交，这时候OIR的参考意义就不大了。

4.3 OIR的滚动窗口计算（Python实现）

实际应用中，我们不会只看单笔交易的OIR，而是计算一段时间内的滚动OIR。比如过去5分钟、过去30分钟、或者过去100笔交易。

下面是我常用的实现方式：

import pandas as pd
import numpy as np

def calculate_rolling_oir(df, window=100):
    """
    计算滚动订单失衡率
    
    参数:
    df: DataFrame，必须包含 'buy_volume' 和 'sell_volume' 两列
    window: 滚动窗口大小，默认100笔
    
    返回:
    DataFrame，新增 'oir' 列
    """
    # 计算每笔交易的净主动成交量
    df['net_volume'] = df['buy_volume'] - df['sell_volume']
    df['total_volume'] = df['buy_volume'] + df['sell_volume']
    
    # 滚动求和
    df['net_volume_roll'] = df['net_volume'].rolling(window=window).sum()
    df['total_volume_roll'] = df['total_volume'].rolling(window=window).sum()
    
    # 计算OIR，避免除零
    df['oir'] = np.where(
        df['total_volume_roll'] > 0,
        df['net_volume_roll'] / df['total_volume_roll'],
        0
    )
    
    return df

# 使用示例
# 假设你有一个逐笔成交数据
tick_data = pd.DataFrame({
    'time': pd.date_range('2024-01-01', periods=1000, freq='1s'),
    'buy_volume': np.random.randint(0, 100, 1000),
    'sell_volume': np.random.randint(0, 100, 1000)
})

result = calculate_rolling_oir(tick_data, window=50)
print(result[['time', 'oir']].tail())

这段代码的核心逻辑是：先算每笔的净主动量，然后滚动求和，最后归一化。我习惯用100笔作为默认窗口，因为100笔在A股市场大概对应1-3分钟，既能捕捉短期情绪，又不会太敏感。

4.4 OIR的阈值设定与信号生成

有了OIR值，怎么用它来生成交易信号？这就涉及到阈值设定了。

我常用的阈值体系是这样的：

OIR范围	信号强度	操作建议
OIR > 0.6	强买方信号	考虑做多，但需确认成交量放大
0.3 < OIR ≤ 0.6	温和买方信号	关注，可轻仓试探
-0.3 ≤ OIR ≤ 0.3	中性	观望，等待方向
-0.6 ≤ OIR < -0.3	温和卖方信号	减仓或对冲
OIR < -0.6	强卖方信号	考虑做空或清仓

你可能会问：为什么是0.6和0.3？这两个数字是我回测了上百只股票后总结出来的经验值。不同股票、不同市场环境，阈值其实应该动态调整。比如在牛市中，0.6可能太保守，可以放宽到0.7；在熊市中，0.6可能又太激进，需要收紧到0.5。

下面是我生成信号的代码：

def generate_signals(df, buy_threshold=0.6, sell_threshold=-0.6):
    """
    根据OIR生成交易信号
    
    参数:
    df: DataFrame，必须包含 'oir' 列
    buy_threshold: 买入阈值
    sell_threshold: 卖出阈值
    
    返回:
    DataFrame，新增 'signal' 列：1=买入，-1=卖出，0=无操作
    """
    df['signal'] = 0
    
    # 买入信号
    df.loc[df['oir'] > buy_threshold, 'signal'] = 1
    
    # 卖出信号
    df.loc[df['oir'] < sell_threshold, 'signal'] = -1
    
    return df

# 生成信号
result_with_signals = generate_signals(result, buy_threshold=0.6, sell_threshold=-0.6)

# 查看信号分布
print(result_with_signals['signal'].value_counts())

最后，我想分享一个我自己的实战案例。去年有一只股票，OIR在10分钟内从-0.2飙到0.8，同时成交量放大到平时的3倍。我当时觉得不对劲——这涨得太快了。结果呢？果然是个庄家对倒拉高出货的局。第二天股价直接跌停。所以啊，OIR是个好工具，但别迷信它。市场永远在变，我们的策略也要跟着变。