3. 订单簿静态特征：价差、深度、斜率、宽度等核心指标计算

好，咱们今天聊聊订单簿的静态特征。说白了，就是你在某个时间点「拍一张快照」，然后从这张快照里提取出几个关键数字。这些数字能告诉你市场的流动性怎么样、买卖双方谁更强势、以及价格可能往哪个方向走。

我个人习惯把静态特征分成两类：一类是「价格维度的」，比如价差、宽度；另一类是「数量维度的」，比如深度、斜率。咱们一个一个来看。

3.1 价差（Spread）—— 最直观的流动性指标

价差，就是最优卖价（Ask）和最优买价（Bid）之间的差值。公式很简单：

Spread = Ask_Price - Bid_Price

但实际项目中，我们通常用相对价差，也就是把价差除以中间价：

Mid_Price = (Ask_Price + Bid_Price) / 2
Relative_Spread = Spread / Mid_Price

为什么要用相对价差？因为绝对价差在不同价格水平的股票上没法直接比较。比如茅台和工商银行，绝对价差差了几十倍，但相对价差可能都在同一个量级。

我在项目中遇到过一件事：有一次监控某个小盘股的价差，平时也就0.02元，突然某天开盘价差拉到了0.15元。我第一反应是「出事了」。果然，那家公司当天发了业绩预亏公告。价差就是市场的「预警灯」。

3.2 深度（Depth）—— 你能吃下多少单子？

深度，指的是在某个价格水平上，挂单的总数量。通常我们看的是「前N档深度之和」。

举个例子，买一档挂了1000手，买二档挂了800手，那前两档的买方深度就是1800手。卖方同理。

Bid_Depth_Level1 = Bid_Size_1
Bid_Depth_Level5 = sum(Bid_Size_1 to Bid_Size_5)
Ask_Depth_Level5 = sum(Ask_Size_1 to Ask_Size_5)

嗯，这里要注意：深度大不代表一定能成交。因为有些挂单是「虚挂」的，也就是做市商或者大资金故意挂上去吓唬人的。你一把冲进去，人家可能瞬间撤单。

3.3 宽度（Width）—— 订单簿的「覆盖范围」

宽度这个概念，很多人容易和价差搞混。价差只看最优一档，宽度看的是整个订单簿的「有效范围」。

怎么定义？我个人习惯用「价格偏离中间价一定百分比内的总挂单量所覆盖的价格区间」。说白了，就是看从中间价往两边走，走到什么位置，累计深度能达到某个阈值（比如总挂单量的80%）。

Width = Price_Upper - Price_Lower
其中：
  Price_Upper = 满足累计卖方深度 ≥ 阈值的最小价格
  Price_Lower = 满足累计买方深度 ≥ 阈值的最大价格

宽度越大，说明订单簿越「散」，流动性分布得比较均匀。宽度越小，说明流动性集中在最优价格附近。

你想想看，如果一个股票的宽度只有0.1%，说明买卖双方都在「死磕」最优价，稍微偏离一点就没单子了。这种股票，你下大单的时候要特别小心，很容易把价格打穿。

3.4 斜率（Slope）—— 订单簿的「陡峭程度」

斜率这个概念，是从限价订单簿的「价格-累计深度」曲线里衍生出来的。简单说，就是看价格每变动一个单位，累计深度变化多少。

数学上，我们可以用线性回归来拟合价格和累计深度的关系：

Slope = Δ(累计深度) / Δ(价格)

斜率大，说明订单簿很「陡」，价格稍微一动，深度就急剧变化。这种市场，通常流动性集中在几个关键价位，一旦突破，价格会快速滑向下一档。

斜率小，说明订单簿很「平」，深度分布均匀，价格变动对深度的影响不大。这种市场相对稳定，适合做中长线。

3.5 综合计算示例

好，咱们来写一段代码，把这些指标一次性算出来。我用的是Python，数据格式假设是标准的订单簿快照：

import numpy as np

def compute_static_features(orderbook):
    """
    输入：orderbook 字典，包含 bids 和 asks
          bids: [[price, size], ...] 按价格降序
          asks: [[price, size], ...] 按价格升序
    输出：特征字典
    """
    best_bid = orderbook['bids'][0][0]
    best_ask = orderbook['asks'][0][0]
    mid_price = (best_bid + best_ask) / 2
    
    # 1. 价差
    spread = best_ask - best_bid
    rel_spread = spread / mid_price
    
    # 2. 深度（前5档）
    bid_depth_5 = sum([b[1] for b in orderbook['bids'][:5]])
    ask_depth_5 = sum([a[1] for a in orderbook['asks'][:5]])
    
    # 3. 宽度（累计深度达到总深度80%的价格区间）
    total_bid_depth = sum([b[1] for b in orderbook['bids']])
    total_ask_depth = sum([a[1] for a in orderbook['asks']])
    
    cum_bid = 0
    price_lower = best_bid
    for price, size in orderbook['bids']:
        cum_bid += size
        if cum_bid >= 0.8 * total_bid_depth:
            price_lower = price
            break
    
    cum_ask = 0
    price_upper = best_ask
    for price, size in orderbook['asks']:
        cum_ask += size
        if cum_ask >= 0.8 * total_ask_depth:
            price_upper = price
            break
    
    width = price_upper - price_lower
    
    # 4. 斜率（用前10档拟合）
    bid_prices = np.array([b[0] for b in orderbook['bids'][:10]])
    bid_sizes = np.array([b[1] for b in orderbook['bids'][:10]])
    cum_bid_sizes = np.cumsum(bid_sizes)
    
    # 用最小二乘法拟合
    A = np.vstack([bid_prices, np.ones(len(bid_prices))]).T
    slope_bid, _ = np.linalg.lstsq(A, cum_bid_sizes, rcond=None)[0]
    
    features = {
        'spread': spread,
        'rel_spread': rel_spread,
        'bid_depth_5': bid_depth_5,
        'ask_depth_5': ask_depth_5,
        'width': width,
        'slope_bid': slope_bid
    }
    
    return features

3.6 这些指标怎么用？

好，指标算出来了，然后呢？我给大家几个实战场景：

场景	指标组合	含义
流动性好	价差小 + 深度大 + 宽度小	市场活跃，适合高频策略
流动性差	价差大 + 深度小 + 宽度大	小心大单冲击，适合限价单
买方强势	买方深度 > 卖方深度 + 买方斜率大	价格可能上涨，考虑做多
卖方强势	卖方深度 > 买方深度 + 卖方斜率大	价格可能下跌，考虑做空

我曾经犯过一个错：只看价差和深度，忽略了斜率。结果在一个斜率极陡的股票上下了大单，价格直接被打穿了三个档位，滑点损失惨重。从那以后，我每次下单前都会看一眼斜率。

3.7 知识体系总览

下面这张图，是我自己整理的知识结构。你可以把它当成一个「检查清单」，每次分析订单簿的时候，对照着看一遍：

这张图把四个核心指标串起来了。你从中心出发，沿着分支往下看，每个指标都有它的子概念和实战用途。最下面那句话是我自己加的：「价差 + 深度 + 宽度 + 斜率 = 完整的流动性画像」。缺一个都不行。

好，关于订单簿静态特征的核心指标，咱们就聊到这儿。这些指标是后续所有动态分析的基础。你想想看，如果连静态特征都算不准，后面那些复杂模型就更没戏了。

---

公众号:蓝海资料掘金营，微信deep3321