python案例如何结合盘口做出最终判断?

wen python案例 1

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。

python案例如何结合盘口做出最终判断?


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

  1. 快照对齐:用事件时间而非系统时间,防止乱序;用 ts 做差分。
  2. 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。
  3. 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?

上一篇python案例认为半场领先能保持到终场吗?

下一篇当前分类已是最新一篇

抱歉,评论功能暂时关闭!

友情链接攻略窝 · 礼包窝 · 配置窝 · 换算窝 · 算法窝 · 查文窝 · 手册窝 · 问答窝 · 全文搜 · 手册库
相关站点礼包窝 · 查文窝