4. 订单簿信息熵定义：将订单簿视为概率分布
好，咱们进入正题。
前面几章我们聊了信息熵的基本概念，也看了订单簿的微观结构。现在，是时候把这两者真正结合起来了。
说白了，订单簿信息熵就是——把订单簿里的挂单量，看作一个概率分布，然后计算这个分布的不确定性。
我刚开始接触这个思路时，也觉得有点绕。订单簿明明是价格和数量的集合，怎么就成了概率分布？
嗯，这里的关键在于视角转换。
4.1 从挂单量到概率质量
想象一下，你面前有一个订单簿。买一价挂了100手，买二价挂了200手，买三价挂了50手……卖一侧同理。
如果我们把所有挂单的总量看作一个整体（比如100%），那么每个价格档位上的挂单量，就相当于这个整体的一部分。
这不就是概率吗？
核心思想：
将每个价格档位上的挂单量，除以总挂单量，得到该价格档位的“概率”。
这个概率反映了市场在当前价格水平上的“共识强度”或“流动性集中度”。
举个例子：
| 价格档位 | 挂单量（手） | 概率（挂单量/总量） |
|---|---|---|
| 买一 (100.0) | 100 | 100/350 ≈ 0.286 |
| 买二 (99.9) | 200 | 200/350 ≈ 0.571 |
| 买三 (99.8) | 50 | 50/350 ≈ 0.143 |
| 合计 | 350 | 1.0 |
你看，这样就把订单簿变成了一个离散概率分布。每个价格档位对应一个概率值。
我个人习惯： 在计算时，我会把买卖两侧分开处理。因为买盘和卖盘代表的是不同的市场力量，混在一起算会丢失信息。
4.2 买卖两侧的熵值计算
有了概率分布，计算熵就很简单了。直接用香农熵公式：
H = - Σ (p_i * log₂(p_i))其中 p_i 是第 i 个价格档位的概率。
对于买单侧和卖单侧，我们分别计算：
- 买单熵 (H_bid)： 反映买盘挂单的分散程度。熵值高，说明买盘挂单分散，没有明确的支撑位；熵值低，说明买盘集中在少数价格上，支撑位明确。
- 卖单熵 (H_ask)： 反映卖盘挂单的分散程度。熵值高，说明卖盘分散，抛压不集中；熵值低，说明卖盘集中在少数价格上，阻力位明确。
我在项目中遇到过这样的情况：某只股票在盘整期，买卖两侧的熵值都很高，说明多空双方都在观望，没有形成合力。一旦某侧熵值突然下降，往往预示着方向选择即将到来。
4.3 归一化处理：让熵值可比较
直接算出来的熵值有个问题——它受价格档位数量的影响。
比如，一个只有3档价格的订单簿，最大熵是 log₂(3) ≈ 1.58。而一个有10档价格的订单簿，最大熵是 log₂(10) ≈ 3.32。
这两个值没法直接比较。
所以我们需要归一化。
归一化的方法很简单：
H_norm = H / H_max其中 H_max = log₂(N)，N 是价格档位的数量。
归一化后的熵值范围在 [0, 1] 之间：
- 0： 所有挂单集中在同一个价格档位，确定性最高。
- 1： 挂单均匀分布在所有价格档位，不确定性最高。
注意： 我曾经踩过一个坑——当某个价格档位的挂单量为0时，log₂(0) 是未定义的。所以在计算前，一定要把挂单量为0的档位剔除掉，或者给一个极小值（比如 1e-10）来避免除零错误。
4.4 知识体系与核心逻辑
下面这张图，我把整个逻辑串起来了：
4.5 代码实现：从理论到实践
光说不练假把式。下面是一个简单的 Python 实现：
import numpy as np
def order_book_entropy(volumes):
"""
计算订单簿某一侧的熵值
参数:
volumes: list, 每个价格档位的挂单量
返回:
entropy: float, 归一化后的熵值
"""
# 剔除挂单量为0的档位
volumes = [v for v in volumes if v > 0]
if not volumes:
return 0.0
# 计算概率分布
total = sum(volumes)
probs = [v / total for v in volumes]
# 计算香农熵
entropy = -sum(p * np.log2(p) for p in probs)
# 归一化
n = len(volumes)
max_entropy = np.log2(n)
normalized_entropy = entropy / max_entropy if max_entropy > 0 else 0.0
return normalized_entropy
# 示例用法
bid_volumes = [100, 200, 50, 30, 10] # 买一到买五
ask_volumes = [80, 150, 100, 40, 20] # 卖一到卖五
h_bid = order_book_entropy(bid_volumes)
h_ask = order_book_entropy(ask_volumes)
print(f"买单侧熵: {h_bid:.4f}")
print(f"卖单侧熵: {h_ask:.4f}")避坑指南： 我曾经在实盘环境中直接用这个函数处理全量订单簿数据，结果发现性能瓶颈。后来加了两个优化：一是只取前20档价格（深度的边际贡献很小），二是用 numpy 向量化计算。速度提升了近百倍。
4.6 熵值的实际含义
算出来熵值之后，怎么用？
我总结了几条经验：
- H_bid 和 H_ask 都接近 0： 多空双方都在关键价位重兵把守，市场处于僵持状态，波动率可能下降。
- H_bid 低、H_ask 高： 买盘集中（有强支撑），卖盘分散（抛压不集中），短期偏多。
- H_bid 高、H_ask 低： 买盘分散，卖盘集中（有强阻力），短期偏空。
- 两者都接近 1： 市场极度不确定，多空都在试探，容易出现剧烈波动。
你想想看，这其实就是在用信息论的语言，描述市场的“共识度”。
熵值低，说明市场有共识；熵值高，说明市场在分歧。
嗯，这一章的内容就到这里。核心就是三件事：把订单簿变成概率分布、分别计算买卖两侧的熵、然后归一化。代码也给了，你可以直接拿去跑跑看。
公众号:蓝海资料掘金营，微信deep3321