第3章买卖价差分析

3、买卖价差分析：绝对价差、相对价差、有效价差、实现价差的计算与解读

买卖价差，说白了就是市场流动性的「过路费」。

你想想看，做交易最怕什么？不是价格涨跌，而是你想买的时候没人卖，想卖的时候没人买。价差就是衡量这个「摩擦成本」的核心指标。我个人习惯把价差分成四类来看：绝对价差、相对价差、有效价差、实现价差。每一类都有自己的脾气，咱们一个一个拆。

3.1 绝对价差（Absolute Spread）

这是最直观的指标。就是卖一价减去买一价。

绝对价差 = 卖一价 - 买一价

举个例子：某股票买一挂10.00元，卖一挂10.02元，那绝对价差就是0.02元。

嗯，这里要注意：绝对价差受价格水平影响很大。茅台一股2000块，价差0.5元很正常；但一只2块钱的ST股，价差0.5元就离谱了。所以光看绝对值不够，还得看相对值。

  我的经验：在实盘监控中，我一般把绝对价差作为「第一道警报线」。当某只股票绝对价差突然放大到平时的3倍以上，我会立刻检查是不是有异常事件发生。曾经有一次，某只港股在财报发布前半小时，价差从0.02港元飙到0.15港元，我果断暂停了策略——果然，财报暴雷了。

3.2 相对价差（Relative Spread）

相对价差 = 绝对价差 / 中间价 × 100%

中间价 = (买一价 + 卖一价) / 2

这个指标剔除了价格水平的影响，可以跨品种比较。比如茅台相对价差0.025%，而某小盘股相对价差0.5%，说明后者的流动性差了一个数量级。

品种	买一价	卖一价	绝对价差	相对价差
贵州茅台	2000.00	2000.50	0.50	0.025%
某小盘股	10.00	10.05	0.05	0.498%
沪深300ETF	4.000	4.002	0.002	0.050%

你看，绝对价差上茅台是0.50元，小盘股才0.05元，但相对价差茅台反而小得多。这就是为什么机构做跨品种流动性对比时，一定用相对价差。

避坑指南：我曾经犯过一个错——直接用绝对价差排序来选流动性好的股票，结果选出来的全是高价股。后来改成相对价差排序，才真正找到流动性洼地。记住：相对价差才是「公平秤」。

3.3 有效价差（Effective Spread）

有效价差衡量的是「实际成交成本」。它不只看挂单，还看你的成交价格。

有效价差 = 2 × |成交价 - 中间价|

为什么叫「有效」？因为很多时候你没法按买一卖一成交。比如你急着买入，可能得吃卖二甚至卖三的价。有效价差就是算你实际付出的成本。

举个例子：中间价10.01元，你以10.03元买入，那有效价差就是2 × |10.03 - 10.01| = 0.04元。比绝对价差0.02元大了一倍——说明你付出了额外的流动性成本。

  关键点：有效价差永远 ≥ 绝对价差。如果有效价差远大于绝对价差，说明市场深度不足，或者你的订单太大了。我在做高频策略回测时，一定会用有效价差来估算交易成本，而不是用绝对价差——否则回测结果会过于乐观。

3.4 实现价差（Realized Spread）

这个指标有点意思。它衡量的是「做市商赚了多少」。

实现价差 = 2 × (成交价 - 事后中间价)  （对于买入交易）

事后中间价一般取成交后5分钟或1小时的中间价。为什么？因为做市商提供流动性后，价格可能会朝不利方向变动。实现价差扣除了这部分「逆向选择成本」，剩下的才是做市商真正落袋的利润。

我举个例子你就明白了：

中间价10.00元，你以10.01元买入（吃单）
5分钟后，中间价变成10.00元
实现价差 = 2 × (10.01 - 10.00) = 0.02元

这意味着做市商赚了0.02元。但如果5分钟后中间价跌到9.99元，实现价差就变成0.04元——做市商赚得更多，因为他成功「把货出给了你」。

注意：实现价差可能是负的！如果成交后价格朝有利方向变动（比如你买入后价格大涨），实现价差为负，说明做市商亏了。这种情况在信息事件发生时很常见。我曾经在财报发布前测过实现价差，负值比例高达40%——说明做市商也在赌方向。

3.5 四种价差的逻辑关系

这四种价差不是孤立的，它们构成了一个完整的分析链条：

3.6 实战中的计算代码

说了这么多，咱们直接上代码。这是我个人常用的价差计算函数：

import pandas as pd
import numpy as np

def calculate_spreads(trade_df, quote_df, lookback_minutes=5):
    """
    计算四种价差
    
    参数:
        trade_df: 成交数据，含 time, price, side
        quote_df: 行情数据，含 time, bid, ask
        lookback_minutes: 实现价差的事后回溯分钟数
    """
    # 1. 绝对价差
    quote_df['absolute_spread'] = quote_df['ask'] - quote_df['bid']
    
    # 2. 相对价差
    quote_df['mid_price'] = (quote_df['bid'] + quote_df['ask']) / 2
    quote_df['relative_spread'] = quote_df['absolute_spread'] / quote_df['mid_price']
    
    # 3. 有效价差
    merged = pd.merge_asof(trade_df, quote_df, on='time', direction='nearest')
    merged['effective_spread'] = 2 * abs(merged['price'] - merged['mid_price'])
    
    # 4. 实现价差
    quote_df['future_mid'] = quote_df['mid_price'].shift(-lookback_minutes)
    merged = pd.merge_asof(merged, quote_df[['time', 'future_mid']], on='time', direction='nearest')
    
    # 买入交易：实现价差 = 2 * (成交价 - 事后中间价)
    merged['realized_spread'] = np.where(
        merged['side'] == 'buy',
        2 * (merged['price'] - merged['future_mid']),
        2 * (merged['future_mid'] - merged['price'])
    )
    
    return merged[['time', 'absolute_spread', 'relative_spread', 
                   'effective_spread', 'realized_spread']]

使用建议：我一般用1分钟级别的行情数据来计算。回溯窗口选5分钟比较稳妥——太短了噪声大，太长了又反应迟钝。另外，实现价差的计算一定要区分买卖方向，否则符号会搞反。

3.7 解读要点

算出来之后怎么看？我总结了几条经验：

绝对价差 > 0.1元：对于A股主板，这个水平说明流动性偏紧，大单进去容易滑点
相对价差 > 0.5%：对于主流品种，这个值偏高。我一般会把这个作为「不可交易」的阈值
有效价差 / 绝对价差 > 2：说明市场深度严重不足，你的订单在「吃单」而不是「挂单」
实现价差持续为负：做市商在亏钱，说明市场有强烈的信息不对称。这时候要小心，可能是内幕交易的前兆

重要提醒：不要只看单一指标！我见过有人只看绝对价差，结果在低价股上误判流动性。也见过只看相对价差，忽略了高价股的实际滑点成本。四种价差要结合起来看，才能还原市场的真实面貌。

嗯，价差分析这块就讲到这里。记住一句话：价差是流动性的「温度计」，但不是全部。下一层我们还要看深度和弹性，才能拼出完整的流动性画像。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

3、买卖价差分析：绝对价差、相对价差、有效价差、实现价差的计算与解读

3.1 绝对价差（Absolute Spread）

3.2 相对价差（Relative Spread）

3.3 有效价差（Effective Spread）

3.4 实现价差（Realized Spread）

3.5 四种价差的逻辑关系

3.6 实战中的计算代码

3.7 解读要点