第2章对手行为建模

第二章：对手行为建模——识别对手类型、行为模式分类与历史数据特征提取

做量化交易这些年，我越来越觉得，市场就是个巨大的牌桌。你手里的策略再牛，如果看不懂对面坐的是谁，迟早得栽跟头。这一章，咱们就聊聊怎么给对手“画像”——说白了，就是通过行为数据，把散户、机构、量化基金这些不同类型的交易者给认出来。

2.1 对手类型识别：先搞清楚跟谁在玩

我个人习惯，把市场上的参与者分成三大类。每一类的行为特征，差异非常大。你想想看，一个拿工资的散户，跟一个管理百亿资金的基金经理，下单逻辑能一样吗？

对手类型	资金规模	交易频率	订单特征	持仓周期
散户	小（<10万）	中低频	整手、限价单为主	数天至数周
机构	大（>1000万）	中频	大单拆分、算法单	数周至数月
量化基金	中到大	高频	小单、冰山单、对倒	秒级至小时级

嗯，这里要注意：光看资金量还不够。我在项目中遇到过，有些游资伪装成机构，用大单砸盘诱多。所以，我们得结合行为模式来综合判断。

2.2 行为模式分类：他们到底在干嘛？

识别出对手类型后，下一步就是看他们的行为模式。我一般把常见行为分成四类：

趋势跟随型：追涨杀跌，散户最爱。特征：价格突破时放量，回调时缩量。
均值回归型：高抛低吸，机构常用。特征：价格偏离均线时反向开仓。
套利型：吃价差，量化基金专属。特征：双边挂单，成交后迅速撤单。
操纵型：挂假单、对倒、拉抬。特征：盘口出现大量挂单但成交稀疏。

为什么会这样？因为每种模式背后，对应的是不同的盈利逻辑。比如量化基金做套利，赚的是流动性溢价，所以他们的订单一定是“快进快出”。

避坑指南：我曾经把一次“对倒”行为误判为“趋势启动”，结果跟进去被套了。后来我加了一个规则：如果同一价位频繁出现“成交-撤单-再成交”的循环，大概率是量化基金在做市或对倒，千万别追。

2.3 历史数据特征提取：把行为变成数字

光靠肉眼盯盘肯定不行。我们需要从历史数据里提取特征，用数字说话。我常用的特征分三类：

2.3.1 订单簿特征

买卖价差：价差突然扩大，说明流动性枯竭，可能是机构在撤单。
订单深度：前五档挂单量变化率。量化基金喜欢用冰山单，深度会突然变化。
撤单率：挂单后未成交就撤掉的比例。散户撤单率低，量化基金撤单率极高。

2.3.2 成交特征

大单占比：单笔成交超过平均单量3倍以上的比例。机构行为。
成交间隔：相邻两笔成交的时间差。量化基金成交间隔极短且均匀。
主动买卖比：主动买入量 vs 主动卖出量。散户容易追涨，主动买卖比会极端化。

2.3.3 时间序列特征

波动率聚类：高波动后往往跟着高波动。机构喜欢在波动率低时建仓。
自相关性：价格序列的自相关系数。量化基金策略会引入负自相关（均值回归）。
成交量分布：一天中成交量集中在哪些时段。散户喜欢开盘和收盘交易。

我的经验：提取特征时，别贪多。我刚开始做的时候，一口气提取了50多个特征，结果模型过拟合得一塌糊涂。后来我只保留了10个核心特征，效果反而更好。记住：特征不是越多越好，关键是每个特征都要有明确的业务解释。

2.4 实战：用Python快速识别对手类型

光说不练假把式。下面我给出一段代码，用来从Level-2行情数据里提取特征，并做简单的对手分类。代码不长，但核心逻辑都在里面了。

import pandas as pd
import numpy as np

def extract_opponent_features(df):
    """
    从逐笔成交数据中提取对手行为特征
    df: 包含['time', 'price', 'volume', 'side']的DataFrame
    """
    features = {}
    
    # 1. 大单占比（单笔成交量 > 平均量3倍）
    avg_vol = df['volume'].mean()
    large_trades = df[df['volume'] > avg_vol * 3]
    features['large_trade_ratio'] = len(large_trades) / len(df)
    
    # 2. 主动买卖比
    buy_vol = df[df['side'] == 'buy']['volume'].sum()
    sell_vol = df[df['side'] == 'sell']['volume'].sum()
    features['buy_sell_ratio'] = buy_vol / (sell_vol + 1e-8)
    
    # 3. 成交间隔均值（秒）
    df['time_diff'] = df['time'].diff().dt.total_seconds()
    features['avg_trade_interval'] = df['time_diff'].mean()
    
    # 4. 撤单率（假设有撤单标记列）
    if 'cancel' in df.columns:
        features['cancel_rate'] = df['cancel'].sum() / len(df)
    
    return features

# 示例：判断对手类型
def classify_opponent(features):
    if features['large_trade_ratio'] > 0.3 and features['avg_trade_interval'] < 1.0:
        return '量化基金'
    elif features['large_trade_ratio'] > 0.1 and features['buy_sell_ratio'] > 1.5:
        return '机构（主动买入）'
    else:
        return '散户/其他'

注意：上面的代码只是演示逻辑。实际生产中，你需要处理数据对齐、缺失值、以及不同交易所的数据格式差异。我踩过的坑是：某交易所的撤单标记字段是空的，导致撤单率一直为0，模型把量化基金全判成了散户。后来我加了一个“挂单存活时间”的替代特征才解决。

2.5 知识体系总览

下面这张图，是我自己画的知识结构。每次做对手建模前，我都会先过一遍这张图，确保没有遗漏关键环节。

这张图从下往上看，就是整个建模流程。我个人习惯，每次拿到新数据，都先按这个框架走一遍，确保每个环节都覆盖到。

2.6 小结

这一章我们聊了对手行为建模的三个核心步骤：识别类型、分类模式、提取特征。说白了，就是先知道对面是谁，再猜他要干嘛，最后用数据验证你的猜测。嗯，这里要提醒一句：模型永远只是辅助，市场里总有你意想不到的“新物种”。保持敬畏，持续迭代，才是长久之道。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

第二章：对手行为建模——识别对手类型、行为模式分类与历史数据特征提取

2.1 对手类型识别：先搞清楚跟谁在玩

2.2 行为模式分类：他们到底在干嘛？

2.3 历史数据特征提取：把行为变成数字

2.3.1 订单簿特征

2.3.2 成交特征

2.3.3 时间序列特征

2.4 实战：用Python快速识别对手类型

2.5 知识体系总览

2.6 小结