01
行情数据全景概览
什么是实时行情？快照与增量的区别，为什么需要增量处理？
概念入门
02
行情数据源接入
WebSocket协议基础，连接交易所行情网关，心跳机制与重连策略。
WebSocket网络
03
行情快照数据结构
深度行情快照（Order Book Snapshot）的字段解析，买卖盘口、最新价、成交量。
数据结构快照
04
增量数据流模型
逐笔成交（Trade）、逐笔委托（Order）、行情快照的增量更新（Depth Update）。
增量流式
05
Python数据模型设计
使用Pydantic定义快照与增量数据模型，类型校验与序列化。
Pydantic建模
06
内存中的Order Book实现
使用红黑树（sortedcontainers）或跳表维护买卖盘口，实现O(logN)级别的增删改查。
算法高性能
07
增量合并算法
如何将增量更新应用到本地快照？冲突解决与时间戳对齐。
合并核心
08
快照重建机制
当增量数据丢失或乱序时，如何从零重建Order Book？全量快照与增量日志的配合。
容错重建
09
高性能序列化
Protocol Buffers vs MessagePack vs JSON，选择适合低延迟场景的序列化方案。
序列化延迟
10
异步IO与事件循环
使用asyncio构建非阻塞行情接收器，回调函数与协程的取舍。
asyncio异步
11
数据缓存与队列
使用deque或Ring Buffer实现无锁的行情数据队列，避免GIL干扰。
队列无锁
12
多路复用与扇出
一个连接接收行情，多个消费者订阅不同标的，实现发布-订阅模式。
Pub/Sub架构
13
行情数据持久化
使用InfluxDB或TimescaleDB存储时序行情，设计高效的写入与查询Schema。
时序库存储
14
实时计算指标
基于增量流计算VWAP、TWAP、买卖压力比、订单簿不平衡等因子。
指标计算
15
快照与增量的校验
Checksum验证、序列号连续性检查、数据完整性保障。
校验完整性
16
延迟测量与优化
从网卡到应用的全链路延迟测量，使用DPDK或内核旁路技术降低抖动。
延迟DPDK
17
多交易所聚合
同时接入沪深、港股、美股行情，统一数据模型与时间对齐。
聚合多市场
18
增量数据回放
将历史增量数据按原始时间戳回放，用于策略回测与系统测试。
回放回测
19
快照压缩与传输优化
使用差分编码（Delta Encoding）减少快照大小，降低带宽消耗。
压缩优化
20
容错与高可用
主备切换、数据对账、增量数据补发机制。
高可用容错
21
实战：实时行情接收服务
WebSocket + asyncio + Pydantic 搭建接收服务。
实战WebSocket
22
实战：内存Order Book
支持10万级档位的快速更新。
实战OrderBook
23
实战：增量合并引擎
处理每秒1000+次增量更新的场景。
实战合并
24
实战：行情数据持久化
将快照与增量写入时序数据库。
实战InfluxDB
25
实战：实时VWAP计算器
基于增量流输出每秒的VWAP值。
实战VWAP
26
实战：多标的订阅分发
支持动态订阅/退订。
实战分发
27
实战：延迟监控面板
Prometheus + Grafana 可视化延迟指标。
实战监控
28
实战：历史增量回放工具
用于策略回测与回归测试。
实战回放
29
实战：快照重建与对账
确保本地Order Book与交易所一致。
实战对账
30
总结与进阶
从实时行情到高频交易系统的架构演进，推荐学习路径与开源项目。
总结进阶