2、市场微观结构：订单簿、买卖价差、交易量分布、市场冲击成本

好，咱们进入第二章。这一章聊的是市场微观结构，说白了就是「市场到底是怎么运作的」。很多人做量化，上来就撸因子、跑回归，结果实盘一跑就崩。为什么？因为忽略了市场的底层逻辑。

我个人习惯，做任何策略之前，先花一周时间把微观结构摸透。你想想看，连订单簿长什么样都不知道，你怎么敢说自己懂Alpha？

2.1 订单簿：市场的「实时心电图」

订单簿，英文叫Order Book。它记录了所有未成交的买单和卖单。每一笔交易，本质上都是订单簿上的「撮合」。

我举个例子。假设某只股票当前买一价是10.00元，卖一价是10.01元。你想买入100股，如果直接吃卖一，成交价就是10.01。如果你挂10.00的限价单，那就得等别人卖给你。

订单簿的核心结构很简单：

• 买盘（Bid）：从高到低排列，买一最高
• 卖盘（Ask）：从低到高排列，卖一最低
• 深度（Depth）：每个价位上的挂单量

嗯，这里要注意。订单簿不是静态的。它每时每刻都在变化。高频交易者就是靠捕捉订单簿的「瞬间失衡」来赚钱的。

咱们用Python拉一下订单簿数据，看看长什么样：

import pandas as pd
import numpy as np

# 模拟一个简单的订单簿
def generate_order_book(mid_price=100.0, spread=0.02, depth=10):
    bids = []
    asks = []
    for i in range(depth):
        bid_price = mid_price - spread/2 - i * 0.01
        ask_price = mid_price + spread/2 + i * 0.01
        bid_vol = np.random.randint(100, 1000)
        ask_vol = np.random.randint(100, 1000)
        bids.append([bid_price, bid_vol])
        asks.append([ask_price, ask_vol])
    return pd.DataFrame(bids, columns=['price', 'volume']), pd.DataFrame(asks, columns=['price', 'volume'])

bids, asks = generate_order_book()
print("买盘前5档：")
print(bids.head())
print("\n卖盘前5档：")
print(asks.head())

这段代码模拟了10档深度。实际交易中，你看到的Level 2数据就是这种结构。

2.2 买卖价差：你交易的成本「隐形杀手」

买卖价差（Bid-Ask Spread），就是买一和卖一之间的差价。它直接决定了你的交易成本。

举个例子。你看到某股票买一10.00，卖一10.02。价差是0.02元。如果你现在买入，成交价是10.02。如果你立刻卖出，成交价是10.00。一进一出，你就亏了0.02元。这就是价差成本。

价差的大小，反映了市场的流动性。流动性好的股票，价差可能只有1分钱。流动性差的股票，价差可能几毛钱甚至几块钱。

我曾经踩过一个坑。做回测时，我假设以收盘价成交。结果实盘一跑，发现每次交易都多亏了0.5%的价差。半年下来，收益直接腰斩。从那以后，我再也不敢忽略价差了。

价差的计算公式很简单：

spread = (ask_price - bid_price) / mid_price * 10000  # 单位：基点

比如价差0.02，中间价10.01，那么价差就是 (0.02 / 10.01) * 10000 ≈ 20个基点。嗯，20个基点是什么概念？如果你每天交易一次，一年250个交易日，光价差成本就吃掉50%的收益。

2.3 交易量分布：谁在买？谁在卖？

交易量分布，说白了就是「钱往哪儿流」。它包含两个维度：时间分布和价格分布。

时间分布：一天中，交易量并不是均匀的。开盘和收盘时交易量最大，午盘相对清淡。为什么？因为开盘时信息集中释放，收盘时机构调仓。

价格分布：某个价格区间内，成交了多少量。这其实就是Volume Profile（成交量分布图）。

我个人习惯，用Volume Profile来识别「价值区域」。如果价格跌破了价值区域的下沿，我会考虑做多。反之亦然。

咱们画一下交易量的时间分布：

import matplotlib.pyplot as plt
import numpy as np

# 模拟一天内的交易量分布
minutes = np.arange(0, 240)  # 4小时交易时间
volume = np.zeros(240)
# 开盘和收盘放量
volume[:30] = np.random.uniform(100, 200, 30)
volume[30:210] = np.random.uniform(50, 100, 180)
volume[210:] = np.random.uniform(100, 200, 30)

plt.figure(figsize=(10, 4))
plt.plot(minutes, volume)
plt.title('日内交易量分布（模拟）')
plt.xlabel('分钟')
plt.ylabel('成交量')
plt.grid(True, alpha=0.3)
plt.show()

你看，这个U型分布很典型。如果你做的是高频策略，最好避开午盘那段时间，流动性太差，滑点大。

2.4 市场冲击成本：大单的「隐形税」

市场冲击成本，就是你下单时「推动价格」造成的额外成本。你想想看，如果你要买100万股，而买一只有1000股，那你只能一路往上吃，把价格推高。这个推高的部分，就是冲击成本。

冲击成本的计算，业界常用Almgren-Chriss模型。核心公式是：

Impact = k * sigma * (Q / V)^alpha

其中：

• k：冲击系数，一般取0.1~0.5
• sigma：波动率
• Q：你的交易量
• V：市场总成交量
• alpha：指数，一般取0.5~1.0

举个例子。某股票日成交量100万股，波动率20%。你想买1万股。假设k=0.2，alpha=0.5，那么冲击成本就是：

Impact = 0.2 * 0.2 * (10000 / 1000000)^0.5
       = 0.04 * 0.1
       = 0.004  # 即0.4%

也就是说，你这一单下去，价格会被推高0.4%。如果你做的是高频策略，0.4%的冲击成本足以让策略从盈利变成亏损。

我曾经帮一个客户优化算法交易。他原来的策略是直接市价单全仓买入，冲击成本高达1.2%。我建议他改用TWAP（时间加权平均价格）算法，把大单拆成小单，分批下单。结果冲击成本降到了0.3%。

2.5 知识体系总览

说了这么多，咱们用一张图把这一章的核心逻辑串起来：

这张图把四个核心概念串起来了。订单簿是基础，价差和交易量分布是中间层，冲击成本是最终要解决的问题。你想想看，如果不理解这些，你挖出来的Alpha很可能被交易成本吃光。

好了，这一章就到这里。记住一句话：市场微观结构，是Alpha的「土壤」。土壤不好，种子再好也长不出庄稼。