2. 监控系统架构设计：数据采集层、计算引擎层、告警通知层、可视化展示层

做统计套利实盘，最怕什么？

不是策略亏钱，而是系统崩了你不知道。我见过太多人，策略跑得好好的，突然某天行情异常，结果监控没跟上，几分钟亏掉几个月的利润。所以今天咱们聊聊监控系统的架构设计。

这套架构我拆成四层：数据采集层、计算引擎层、告警通知层、可视化展示层。每一层都有坑，我一个个说。

2.1 数据采集层：地基不牢，地动山摇

数据采集层是整个监控系统的起点。说白了，你后面所有计算、告警、展示，都依赖这层的数据质量。数据脏了，后面全是垃圾。

我个人习惯把数据源分成四类：

• 行情数据：Tick级、1秒级、1分钟级。做统计套利，至少需要1分钟K线，但如果你做高频，Tick数据是必须的。
• 订单数据：成交记录、挂单状态、撤单记录。我遇到过一个问题：订单状态更新延迟，导致重复计算持仓，差点爆仓。
• 账户数据：可用资金、持仓市值、保证金占用。这些数据通常从券商API拉取，注意频率限制。
• 日志数据：策略运行日志、系统错误日志。嗯，这个很多人忽略，但排查问题时它就是救命稻草。

数据采集的代码框架，我一般这样写：

class DataCollector:
    def __init__(self, sources):
        self.sources = sources  # 数据源列表
        self.buffer = deque(maxlen=10000)
    
    def fetch(self):
        for src in self.sources:
            data = src.get_data()
            if self._validate(data):
                self.buffer.append(data)
            else:
                self._alert("数据异常: " + src.name)
    
    def _validate(self, data):
        # 校验逻辑
        return True

2.2 计算引擎层：核心大脑，别让它过载

计算引擎层负责把原始数据加工成有意义的指标。统计套利里，核心计算包括：

• 价差计算：配对交易的核心，实时计算两个品种的价差。
• 协整检验：定期检验配对是否还保持协整关系。我一般每30分钟跑一次。
• 信号生成：根据价差偏离均值多少个标准差，生成开平仓信号。
• 风险指标：最大回撤、夏普比率、当前敞口等。

你想想看，如果计算引擎卡住了，告警层拿不到最新指标，那监控还有什么意义？所以这里我特别强调性能优化。

一个简单的价差计算示例：

import numpy as np

def calculate_spread(price_a, price_b, hedge_ratio):
    """
    计算价差
    price_a, price_b: 两个品种的价格序列
    hedge_ratio: 对冲比率
    """
    spread = price_a - hedge_ratio * price_b
    z_score = (spread - np.mean(spread)) / np.std(spread)
    return spread, z_score

2.3 告警通知层：别让告警变成噪音

告警层是最容易「过度设计」的地方。我见过有人给每个指标都设了告警，结果一天收到几百条消息，最后全被忽略了。

我的原则是：告警要分级。

2.4 可视化展示层：让数据会说话

可视化展示层是给「人」看的。你算了一堆指标，如果展示得乱七八糟，等于白做。

我个人习惯把仪表盘分成三个区域：

• 实时监控区：当前价差、持仓、盈亏。用大号数字显示，一眼就能看到。
• 趋势分析区：价差走势图、协整关系图。用折线图展示最近24小时的变化。
• 风险概览区：最大回撤、当前敞口、告警历史。用红黄绿三色标识风险等级。

嗯，这里要注意：移动端和PC端的展示逻辑完全不同。PC端可以展示很多细节，但移动端必须「精简再精简」。我一般只把「当前持仓盈亏」和「告警状态」放到手机端。

一个简单的实时监控代码片段：

import plotly.graph_objects as go
from dash import Dash, dcc, html

app = Dash(__name__)

app.layout = html.Div([
    html.H1("统计套利监控面板"),
    dcc.Graph(
        figure={
            'data': [
                go.Scatter(x=timestamps, y=spread_values, mode='lines', name='价差')
            ],
            'layout': {
                'title': '实时价差走势',
                'yaxis': {'title': '价差'}
            }
        }
    )
])

if __name__ == '__main__':
    app.run_server(debug=True)

2.5 各层之间的协作：别让数据断流

四层架构不是孤立的。数据采集层把数据喂给计算引擎，计算引擎产出指标后触发告警，同时把结果推送给可视化层。任何一个环节出问题，整个监控就失效了。

我建议用消息队列（比如RabbitMQ或Kafka）来解耦各层。这样即使某一层挂了，其他层还能继续工作。数据不会丢，系统不会崩。

好了，这套架构我用了三年，实盘跑了十几个策略，没出过大问题。你照着搭，至少能避开我踩过的那些坑。

公众号:蓝海数据掘金营，微信deep3321