Python 结合盘口数据做出交易判断的实战案例
下面我用一个股票/期货/加密货币都能套用的框架,讲清楚如何用 Python 把盘口数据(Level-2 行情)转化成可执行的交易判断。

盘口数据到底看什么
| 维度 | 原始字段 | 衍生指标 |
|---|---|---|
| 五档/十档挂单 | bid1~bid5, ask1~ask5, vol | 买卖压力比、挂单失衡 |
| 成交量 | 主动买/卖量 | 主动买卖比、大单占比 |
| 逐笔成交 | 价格、手数、方向 | 大单、撤单率、扫单 |
| 价差 | ask1-bid1 | 流动性、冲击成本 |
| 盘口变化速度 | 快照差分 | 挂单撤单速度、吃单速度 |
核心逻辑:盘口是「意愿」,成交是「行动」,价格是「结果」,三者背离时才是信号。
完整判断框架(四层过滤)
原始盘口 → 特征工程 → 多维打分 → 融合决策 → 风控过滤 → 下单信号
单看一个指标容易被骗单,必须多维度共振才下结论。
可运行示例代码
import pandas as pd
import numpy as np
from dataclasses import dataclass
# ============ 1. 盘口快照结构 ============
@dataclass
class Snapshot:
bid_px: list # [bid1, bid2, ..., bid5]
bid_vol: list
ask_px: list
ask_vol: list
last_px: float
ts: float
# ============ 2. 特征工程 ============
def calc_features(snaps: list[Snapshot]) -> pd.DataFrame:
rows = []
for s in snaps:
bid_vol = np.array(s.bid_vol, dtype=float)
ask_vol = np.array(s.ask_vol, dtype=float)
# (1) 盘口失衡: 买量占比 (0~1, >0.5 偏多)
imbalance = bid_vol.sum() / (bid_vol.sum() + ask_vol.sum() + 1e-9)
# (2) 加权失衡(近档权重高)
w = np.array([1.0, 0.8, 0.6, 0.4, 0.2])
w_imb = (bid_vol*w).sum() / ((bid_vol*w).sum() + (ask_vol*w).sum() + 1e-9)
# (3) 买卖价差(流动性)
spread = (s.ask_px[0] - s.bid_px[0]) / s.last_px
# (4) 盘口厚度(近5档总量)
depth = bid_vol.sum() + ask_vol.sum()
rows.append(dict(
ts=s.ts, last_px=s.last_px,
imbalance=imbalance, w_imb=w_imb,
spread=spread, depth=depth
))
df = pd.DataFrame(rows)
# (5) 动态特征:失衡变化率、价格动量
df['imb_delta'] = df['w_imb'].diff()
df['px_mom'] = df['last_px'].pct_change()
return df
# ============ 3. 打分引擎 ============
def score_signal(df: pd.DataFrame) -> pd.DataFrame:
df = df.copy()
score = pd.Series(0.0, index=df.index)
reasons = [[] for _ in range(len(df))]
for i in range(len(df)):
s = 0
# 规则1: 加权失衡 > 0.6 视为买盘强
if df['w_imb'].iloc[i] > 0.60: s += 2; reasons[i].append("买盘强")
elif df['w_imb'].iloc[i] < 0.40: s -= 2; reasons[i].append("卖盘强")
# 规则2: 失衡在快速增强(动量配合)
if df['imb_delta'].iloc[i] > 0.03 and df['px_mom'].iloc[i] > 0:
s += 1; reasons[i].append("失衡+价格同步上行")
# 规则3: 价差过大 → 惩罚(流动性差,易滑点)
if df['spread'].iloc[i] > df['spread'].rolling(20).mean().iloc[i] * 1.5:
s -= 1; reasons[i].append("价差过大")
# 规则4: 盘口厚度骤降 → 警惕假突破
if i > 0 and df['depth'].iloc[i] < df['depth'].iloc[i-1] * 0.5:
s -= 1; reasons[i].append("盘口变薄")
score.iloc[i] = s
df['score'] = score
df['reason'] = ["|".join(r) for r in reasons]
return df
# ============ 4. 综合决策 + 风控 ============
def decide(df: pd.DataFrame, threshold=2):
df = df.copy()
df['signal'] = 0
df.loc[df['score'] >= threshold, 'signal'] = 1 # 做多
df.loc[df['score'] <= -threshold, 'signal'] = -1 # 做空/离场
# 风控:连续同向信号才确认(防骗单)
df['signal_confirmed'] = df['signal'].where(
(df['signal'] == df['signal'].shift(1)) &
(df['signal'] == df['signal'].shift(2)), 0
)
return df
真正做判断要叠加的"反骗线"逻辑
盘口最大的陷阱是挂单诱多/诱空,所以判断时必须加这几层校验:
撤单率(挂单真实性)
# 若买盘大增但挂单存活时间 < 0.5s,很可能是托单
def is_spoofing(snapshots, level=1, threshold_time=0.5):
# 统计某档挂单被撤的比例
...
主动成交方向验证
盘口挂买单多 ≠ 真买,要看主动吃单(逐笔成交中的主动买):
active_buy_ratio = active_buy_vol / (active_buy_vol + active_sell_vol) # 盘口失衡 + 主动买占优 → 真多头 # 盘口失衡 + 主动卖占优 → 诱多(警惕)
大单 vs 小单背离
if big_order_net_flow > 0 and small_order_net_flow < 0:
trend_follow = True # 主力吸,散户抛 → 跟随大单
价格确认
盘口信号必须被价格突破关键位确认,否则视为噪音。
判断矩阵(多维度共振表)
| 盘口失衡 | 主动成交 | 价格 |
|---|---|---|
| 买盘强 + 主动买多 | 突破 | 强多,做多 |
| 买盘强但主动卖多 | 不涨 | 诱多,观望 |
| 买卖平衡 | 突破 | 待成交确认,轻仓试 |
| 卖盘强 + 主动卖多 | 破位 | 强空 |
| 盘口来回撤单 | 震荡 | 高频做市,不做方向 |
只有"盘口 + 成交 + 价格"三者一致时才下重手,两者一致半仓,一者一致不做。
工程上要做的三件事
- 快照对齐:用事件时间而非系统时间,防止乱序;用
ts做差分。 - 回测防未来函数:特征只能用 t 时刻及之前数据,信号 t 时刻产生、t+1 成交。
- 滑点与手续费建模:盘口价差、深度不足时的冲击成本必须算进去,否则回测虚高,虚假利差会被套利扫掉。
一句话总结
盘口告诉你"谁想交易",成交告诉你"谁真的交易了",价格告诉你"结果如何"。 Python 只是把这三者的"一致性/背离"量化成打分,再用风控阈值过滤掉骗单和高滑点场景,输出可复现的信号——关键是逻辑框架,不是某个指标。
需要我针对加密货币永续合约或A股Level-2做一个更具体的完整回测框架(含数据接口模拟)吗?
版权声明:本站文章为原创整理,转载请注明出处。