一、微观结构导论：市场到底在「结构」什么？

大家好，我是你们的讲师。做了十几年量化，我越来越觉得——市场微观结构才是真正理解价格波动的「底层密码」。很多人盯着K线看，却不知道订单簿里每一笔挂单都在讲故事。今天我们就来拆开这个黑箱。

1.1 订单簿：市场的「实时心电图」

订单簿（Order Book）是所有买卖意愿的集合。我习惯把它想象成一个「排队大厅」：

• 买单（Bid）：想买的人，出价从高到低排
• 卖单（Ask）：想卖的人，出价从低到高排
• 中间价（Mid Price）：最优买价和最优卖价的平均值

举个例子，某股票当前订单簿长这样：

价格	买量	卖量	价格
10.01	200	150	10.02
10.00	500	300	10.03
9.99	800	600	10.04

最优买价是10.01，最优卖价是10.02。价差只有1分钱。嗯，流动性不错。

1.2 买卖价差：交易成本的「隐形杀手」

价差（Spread）就是最优卖价减去最优买价。你想想看，如果你同时买进卖出，立刻亏掉的就是这个价差。

价差大小反映了什么？

• 价差小：流动性好，交易成本低。比如大盘蓝筹股。
• 价差大：流动性差，或者信息不对称严重。比如小盘妖股。

我曾经在2015年股灾时做过统计，某只小盘股的价差从平时的0.5%飙到了3%以上。那段时间做高频的同行，基本都亏在价差上了。

1.3 市场深度：你能「吃」掉多少单？

市场深度（Market Depth）衡量的是「在某个价格水平上，有多少订单等着成交」。深度越大，大单冲击成本越小。

举个例子：

• 深度1000股：你卖5000股，可能把价格砸下去2分钱
• 深度10000股：同样卖5000股，价格可能只动0.5分钱

我常用一个指标叫「深度斜率」——看价格每变动1分钱，订单量变化多少。斜率陡峭说明流动性集中，斜率平缓说明订单分散。

1.4 高频数据特征：每秒都在「爆炸」

微观结构研究离不开高频数据。什么是高频数据？就是每一笔交易、每一次报价变动都记录下来。我处理过的最细数据，每秒有上千条记录。

高频数据有几个典型特征：

1. 非均匀时间间隔：交易不是均匀发生的，有时候一秒10笔，有时候10秒一笔
2. 离散价格：价格只能按最小变动单位跳，比如0.01元
3. 自相关性：相邻的报价变动往往正相关——涨了容易接着涨
4. 波动率聚集：大波动后面跟着大波动，平静后面跟着平静

我记得刚入行时，用普通的时间序列模型去拟合高频数据，结果一塌糊涂。后来才明白——高频数据不能用常规的「等间隔」思维去处理。

1.5 知识体系总览

下面这张图，是我自己梳理的微观结构知识框架。你可以把它当作整个课程的地图：

这张图把本章的核心概念串起来了。从订单簿出发，到价差和深度，再到高频数据的统计特征——每一步都是后续章节的基础。

1.6 一个小练习

最后，给你留个动手的题目。用Python拉一下某只股票的Level-2数据，计算过去5分钟的平均价差和深度。代码框架我写好了：

import pandas as pd
import numpy as np

# 假设你已经有了订单簿数据
# 格式：time, bid_price1, bid_vol1, ask_price1, ask_vol1, ...

def calc_spread_depth(df):
    # 计算价差
    df['spread'] = df['ask_price1'] - df['bid_price1']
    
    # 计算前5档总深度
    depth_cols = [f'bid_vol{i}' for i in range(1,6)] + [f'ask_vol{i}' for i in range(1,6)]
    df['total_depth'] = df[depth_cols].sum(axis=1)
    
    return df[['time', 'spread', 'total_depth']].mean()

# 试试看
# result = calc_spread_depth(your_data)
# print(result)

这个练习不难，但能帮你建立对微观结构数据的「手感」。我当年就是靠这种小练习，慢慢摸清了订单簿的脾气。

---

公众号:蓝海资料掘金营，微信deep3321