3、市场数据事件：行情数据订阅、Tick数据解析、K线数据合成、实时数据推送架构
做量化交易，说白了就是跟数据打交道。而市场数据，是所有策略的起点。
我个人习惯把市场数据比作「原油」——它很原始，很粗糙，但经过提炼之后，就能变成驱动你策略引擎的燃料。这一章，我们就来聊聊这个「提炼」的过程。
3.1 行情数据订阅：你得先连上「水龙头」
要拿到行情数据，第一步就是订阅。你想想看，交易所每分钟产生海量的数据，你不可能全拉下来，也没那个必要。你需要的是「订阅」——告诉数据源：我只关心这几只股票，或者这几个合约。
在实际项目中，我遇到过不少新手直接去拉全市场快照，结果带宽打满，策略延迟高得离谱。嗯，这里要注意：订阅一定要精准。
核心要点：
- 订阅粒度：按合约代码订阅，不要按板块订阅
- 订阅频率：区分高频和低频数据流
- 重连机制：网络抖动是常态，必须自动重连
举个例子，如果你做股指期货，你只需要订阅 IF、IC、IH 这几个主力合约。别把中证500的所有股票都拉进来，那是给自己找麻烦。
# 伪代码示例：订阅行情
market_data_client.subscribe(
symbols=['IF2409', 'IC2409'],
data_type=['tick', 'depth'],
callback=on_market_data
)3.2 Tick数据解析：最原始的「心跳」
Tick 数据是什么？就是交易所每笔成交的「快照」。它包含了价格、成交量、买卖盘口等信息。每一笔 Tick，都是市场的一次心跳。
我曾经在解析 Tick 时踩过一个坑：某家数据商的 Tick 时间戳是本地时间，不是交易所时间。结果我拿来做回测，策略信号全偏了。所以，拿到 Tick 后第一件事，检查时间戳的时区。
避坑指南：
我曾经因为 Tick 数据中的「成交量」是累计值还是单笔值没搞清楚，导致策略开仓逻辑完全错误。一定要确认数据字段的定义。
一个标准的 Tick 数据结构通常包含以下字段：
| 字段名 | 含义 | 示例值 |
|---|---|---|
| symbol | 合约代码 | IF2409 |
| timestamp | 时间戳（毫秒） | 1693123456789 |
| last_price | 最新成交价 | 3720.5 |
| volume | 成交量（累计） | 123456 |
| bid_price | 买一价 | 3720.2 |
| ask_price | 卖一价 | 3720.8 |
小技巧：解析 Tick 时，建议用结构体或命名元组，别用字典。字典的哈希查找在高频场景下太慢了。
3.3 K线数据合成：从「心跳」到「心电图」
Tick 数据太细碎了，就像心跳的每一次搏动。而 K 线，就像是心电图——它把一段时间内的搏动归纳成几个关键指标：开盘、收盘、最高、最低。
K 线合成的逻辑其实不复杂，但细节决定成败。我见过有人直接用 Tick 的最后一笔价格当收盘价，结果遇到最后一笔是异常单，整个 K 线都废了。
标准的合成逻辑是这样的：
- 收到第一个 Tick，记录开盘价
- 每个 Tick 更新最高价和最低价
- 最后一个 Tick 的价格作为收盘价
- 成交量累加
class KLineBuilder:
def __init__(self, period=60):
self.period = period # 60秒K线
self.reset()
def reset(self):
self.open = 0
self.high = 0
self.low = float('inf')
self.close = 0
self.volume = 0
self.count = 0
def update(self, tick):
if self.count == 0:
self.open = tick.last_price
self.high = max(self.high, tick.last_price)
self.low = min(self.low, tick.last_price)
self.close = tick.last_price
self.volume += tick.volume
self.count += 1注意：合成 K 线时，一定要处理「跨周期」的情况。比如 60 秒 K 线，第 59 秒的 Tick 和第 61 秒的 Tick 不能混在一起。
3.4 实时数据推送架构：让数据「流」起来
数据拿到了，解析好了，K 线也合成了。接下来最关键的一步：怎么把这些数据高效地推送给策略引擎？
我个人比较推崇「发布-订阅」模式。说白了，就是有一个数据总线，谁需要什么数据，自己来订阅。策略模块不需要关心数据从哪里来，只需要关心数据怎么用。
这里我画了一张架构图，帮你理解整个流程：
这张图展示了从数据源到策略引擎的完整链路。你想想看，如果没有这个架构，每个策略都自己去连交易所，那得多乱？
我的经验：数据总线建议用内存队列实现，比如 ZeroMQ 或 Redis Stream。别用数据库，IO 延迟太高了。
3.5 避坑总结
做市场数据这一块，我踩过的坑不少。这里列几个最常见的，你遇到了可以少走弯路：
- 时间戳问题：不同数据源的时间戳格式可能不同，一定要统一成 UTC 毫秒
- 数据对齐：Tick 数据和 K 线数据的时间窗口要对齐，否则策略信号会错位
- 内存管理：Tick 数据量很大，不要全部缓存，用环形缓冲区或滑动窗口
- 异常处理：网络断开、数据缺失、字段异常，都要有兜底逻辑
嗯，市场数据这块就聊到这儿。数据是策略的血液，把这一层做好了，后面的策略开发才会顺畅。