高频数据基础：Tick数据与Level2行情

做量化交易这些年，我越来越觉得——高频数据就像石油，得先知道它埋在哪、长什么样，才能谈怎么提炼。今天咱们就从最底层的Tick数据说起。

什么是Tick数据？

说白了，Tick就是交易所每笔成交的原始记录。每一笔交易，都会生成一条Tick。它记录的是：

• 成交时间：精确到毫秒甚至微秒
• 成交价格：这笔交易实际成交价
• 成交量：这笔交易成交了多少手
• 成交方向：主动买还是主动卖（这个很重要）

举个例子，A股市场一天的Tick数据量，大概在几千万条到上亿条不等。嗯，你没看错，光一个股票一天就能产生几千条Tick。

Level2行情 vs Level1行情

我记得刚入行时，用的还是Level1数据，也就是每3秒刷新一次的快照。后来接触到Level2，才真正打开了新世界。

对比项	Level1（基础行情）	Level2（深度行情）
刷新频率	3秒一次	实时逐笔
买卖盘口	5档	10档（甚至全档）
逐笔成交	无	有
委托队列	无	有（前50笔委托）
数据量	小	大（约Level1的50-100倍）

Level2里最值钱的是什么？我个人认为是「委托队列」。它能告诉你：在某个价位上，到底有多少单子在排队。我曾经靠这个特征，抓过好几次盘口异动。

数据频率与时间框架

做高频策略，你得先想清楚：你要在什么时间尺度上做决策？

• Tick级（毫秒-秒）：做市商、高频套利，对延迟极度敏感
• 秒级（1秒-10秒）：短线动量策略，需要捕捉微观结构
• 分钟级（1分钟-5分钟）：日内趋势跟踪，兼顾信号质量与交易成本
• 小时级及以上：其实已经不算高频了，属于中低频

数据存储格式：Parquet vs Arrow

高频数据量太大了，用CSV存？我劝你趁早放弃。我曾经用CSV存了一个月的Tick数据，结果一个文件就几十个GB，加载一次要等半小时。

现在业界主流就两个格式：

Parquet

• 列式存储，压缩率高（通常能压到原始大小的20%-30%）
• 适合「读多写少」的场景
• 支持谓词下推（只读取需要的列）
• 我习惯用它做历史数据归档

Arrow

• 内存列式格式，零拷贝读取
• 适合「实时计算」和「进程间通信」
• 加载速度比Parquet快10倍以上
• 我一般在策略回测的中间环节用它

数据源获取与清洗

数据源这块，我踩过不少坑。简单说几个靠谱的渠道：

• 交易所直连：最权威，但门槛高（需要券商资质）
• 第三方数据商：如万得、聚宽、Tushare，适合个人研究
• 开源数据集：如Kaggle上的高频数据，适合练手

数据清洗才是重头戏。我总结了一套「高频数据清洗三板斧」：

# 伪代码示例：Tick数据清洗流程
def clean_tick_data(df):
    # 第一步：去重（同一毫秒的重复成交）
    df = df.drop_duplicates(subset=['time', 'price', 'volume'])
    
    # 第二步：异常值过滤（价格超出合理范围）
    df = df[(df['price'] >= df['price'].quantile(0.001)) & 
            (df['price'] <= df['price'].quantile(0.999))]
    
    # 第三步：时间对齐（补齐缺失的毫秒）
    df = df.set_index('time').asfreq('1ms', method='ffill')
    
    return df

知识体系总览

下面这张图，是我自己梳理的高频数据知识框架。你可以把它当作学习路线图：

嗯，这张图基本概括了本章的核心内容。从Tick数据出发，到Level2的深度行情，再到怎么存、怎么取、怎么洗，每一步都有坑，但也都有解法。

---