第一章：课程导论与数据准备

1.1 订单簿到底是什么？

做量化交易的朋友，没人能绕开订单簿。说白了，它就是交易所里那个实时更新的「买卖挂单大屏」。你想想看，每一笔成交背后，其实都有一串挂单在排队等着。

我个人习惯把订单簿理解成「市场的毛细血管」。它记录了每个价格档位上，有多少人想买、多少人想卖。这些数据每秒都在变，甚至毫秒级都在跳动。

我在项目中遇到过最头疼的事，就是刚拿到订单簿数据时，发现时间戳对不上。嗯，这里要注意：不同交易所的时间精度不一样，有的精确到毫秒，有的只到秒。这坑我踩过，后面会细说。

1.2 Level2 和 Level3 数据差异

很多新手会问：Level2 和 Level3 到底差在哪？我直接给你个表格，一看就明白。

对比维度	Level2 数据	Level3 数据
挂单深度	通常显示前 10 档	全量挂单，无限制
更新频率	快照式，约 100ms 一次	逐笔事件驱动，微秒级
数据量	较小，适合入门	极大，需要高性能存储
典型用途	趋势判断、盘口分析	高频策略、做市商系统

为什么会这样？因为 Level3 数据记录了每一笔挂单的「生老病死」——谁挂的单、什么时候撤单、成交了多少。而 Level2 只是给你一个汇总的快照。

我曾经为了省存储空间，只用 Level2 数据做策略，结果回测时发现信号总是慢半拍。后来换成 Level3 的逐笔数据，效果立竿见影。所以我的建议是：如果你做高频，别省那点存储钱。

1.3 数据源获取与存储

数据源这块，我踩过的坑比赚的钱还多。先说说常见的几个渠道：

• 交易所官方 API：最可靠，但限流严重。我试过用币安的 WebSocket，高峰期经常断连。
• 第三方数据商：比如 QuantConnect、Polygon。数据干净，但要花钱。一分钱一分货。
• 开源数据集：Kaggle 上有些历史订单簿数据，适合练手。但注意，很多是模拟数据，别当真。

存储方面，我个人强烈推荐用 Parquet 格式。为什么？因为它压缩率高，读取速度快。我曾经用 CSV 存了一个月的 Level3 数据，结果文件 200GB，加载一次要半小时。换成 Parquet 后，直接压缩到 30GB，读取只要 3 分钟。

1.4 数据清洗实战：一个代码示例

光说不练假把式。我给你看一段我实际项目中用过的清洗代码。这段代码处理的是 Level2 快照数据。

import pandas as pd
import numpy as np

def clean_orderbook_snapshot(df):
    """
    清洗订单簿快照数据
    """
    # 1. 去除时间戳为空的记录
    df = df.dropna(subset=['timestamp'])
    
    # 2. 将时间戳转为 datetime 类型
    df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms')
    
    # 3. 检查价格是否合理（比如不能为负）
    df = df[df['bid_price'] > 0]
    df = df[df['ask_price'] > 0]
    
    # 4. 去除买卖价差为负的异常数据
    df = df[df['ask_price'] > df['bid_price']]
    
    # 5. 按时间排序
    df = df.sort_values('timestamp')
    
    return df

# 使用示例
raw_data = pd.read_parquet('orderbook_20240101.parquet')
cleaned_data = clean_orderbook_snapshot(raw_data)
print(f"清洗前 {len(raw_data)} 行，清洗后 {len(cleaned_data)} 行")

这段代码看起来简单，但我在实际项目中遇到过一个问题：有些交易所的卖一价竟然比买一价还低。这明显是数据错误，必须过滤掉。你想想看，如果这种脏数据进了模型，预测结果能准吗？

1.5 知识体系总览

为了让你对整个章节有个直观认识，我画了一张 SVG 流程图。它展示了从数据获取到清洗的完整链路。

这张图把整个流程串起来了。你从数据源拿到原始数据，经过解析、存储、清洗，最后变成模型能用的特征。每一步都有坑，但每一步也都有技巧。

好了，这一章的内容就到这里。数据准备是订单簿预测的基石，地基打不牢，后面盖什么楼都得塌。我个人建议你先把数据清洗这部分代码跑通，再往下走。