第29章 实战案例：A股市场深度分析、美股市场深度分析、外汇市场深度分析

讲到这里，咱们已经聊了不少理论。什么限价订单簿啊，什么价格弹性系数啊。但说实话，这些东西不上手跑一遍数据，你永远不知道里面有多少坑。

这一章，我就拿三个市场——A股、美股、外汇——分别跑一遍深度分析。每个市场的微观结构都不一样，处理方式也完全不同。我把自己踩过的坑、总结的经验，全摊开来讲。

29.1 A股市场深度分析：Level-2数据的正确打开方式

A股市场有个特点：盘口数据是快照式的。你拿到的Level-2行情，每3秒推送一次。这跟美股那种逐笔成交流，完全是两码事。

我个人习惯，分析A股深度时，重点看三个指标：

• 委买委卖总量比：衡量买卖双方的力量对比
• 价格档位厚度：每个价位上的挂单量分布
• 大单异动检测：突然出现的巨量挂单

先看一段代码，怎么从Level-2数据里提取这些信息：

import pandas as pd
import numpy as np

def analyze_ashare_depth(df_snapshot):
    """
    分析A股单时刻的盘口深度
    df_snapshot: 包含10档买卖盘口的DataFrame
    """
    # 计算委买委卖总量比
    total_bid = df_snapshot['bid_vol'].sum()
    total_ask = df_snapshot['ask_vol'].sum()
    ratio = total_bid / total_ask if total_ask > 0 else np.inf
    
    # 计算价格档位厚度（前5档）
    bid_thickness = df_snapshot['bid_vol'].iloc[:5].mean()
    ask_thickness = df_snapshot['ask_vol'].iloc[:5].mean()
    
    # 检测大单异动（单笔挂单超过均值的3倍）
    bid_mean = df_snapshot['bid_vol'].mean()
    ask_mean = df_snapshot['ask_vol'].mean()
    large_bid = df_snapshot[df_snapshot['bid_vol'] > 3 * bid_mean]
    large_ask = df_snapshot[df_snapshot['ask_vol'] > 3 * ask_mean]
    
    return {
        'bid_ask_ratio': ratio,
        'bid_thickness': bid_thickness,
        'ask_thickness': ask_thickness,
        'large_bid_count': len(large_bid),
        'large_ask_count': len(large_ask)
    }

实际项目中，我一般会连续采集30秒的盘口快照，然后计算一个深度衰减率。说白了就是：价格每偏离当前价1%，挂单量会减少多少？这个指标能直接反映市场的流动性深度。

29.2 美股市场深度分析：逐笔流数据的处理艺术

美股市场就完全不一样了。它有逐笔成交流（TAQ数据），每一笔成交、每一次挂单变动，你都能看到。数据量巨大，一天下来几个GB很正常。

我处理美股深度时，核心关注的是订单流不平衡（Order Flow Imbalance）。这个指标能提前捕捉到做市商的意图。

公式其实很简单：

OFI = (主动买成交量 - 主动卖成交量) / 总成交量

但真正的难点在于——你怎么判断一笔成交是主动买还是主动卖？

嗯，这里有个小技巧。看成交价和买卖报价的关系：

• 成交价 ≥ 卖一价 → 主动买（买方吃掉了卖单）
• 成交价 ≤ 买一价 → 主动卖（卖方吃掉了买单）
• 成交价在中间 → 可能是撮合单，忽略

我写过一个处理函数，分享给你：

def classify_trade(trade_price, bid_price, ask_price):
    """
    判断一笔成交是主动买还是主动卖
    """
    if trade_price >= ask_price:
        return 'buy'  # 主动买
    elif trade_price <= bid_price:
        return 'sell' # 主动卖
    else:
        return 'mid'  # 中间价成交，不参与计算

另外，美股有个特殊机制叫暗池交易。这些交易不显示在公开订单簿上。所以你看到的深度数据，其实只是冰山一角。我个人习惯在分析时，给深度指标加一个10%-15%的折扣系数，算是给暗池留点余量。

29.3 外汇市场深度分析：分散市场的聚合难题

外汇市场是最特殊的。它没有中央交易所，流动性分散在全球各大银行和ECN平台。你看到的深度数据，其实只是某一个流动性提供商的切片。

我刚开始做外汇深度分析时，犯过一个错误——只拿一家银行的报价数据就做分析。结果模型在回测时表现很好，实盘一跑就崩。为什么？因为那家银行的报价深度，跟整个市场的真实深度差太远了。

正确的做法是：聚合多家流动性提供商的报价。至少3家以上，最好5-7家。

聚合逻辑是这样的：

def aggregate_forex_depth(quotes_list):
    """
    聚合多家银行的报价深度
    quotes_list: 每家银行的报价DataFrame
    """
    # 合并所有买价和卖价
    all_bids = pd.concat([q['bid_price'] for q in quotes_list])
    all_asks = pd.concat([q['ask_price'] for q in quotes_list])
    
    # 按价格聚合挂单量
    agg_bid = all_bids.groupby(all_bids).sum()
    agg_ask = all_asks.groupby(all_asks).sum()
    
    # 计算聚合后的买卖价差
    best_bid = agg_bid.index.max()
    best_ask = agg_ask.index.min()
    spread = best_ask - best_bid
    
    return {
        'agg_bid_depth': agg_bid,
        'agg_ask_depth': agg_ask,
        'spread': spread
    }

还有一个外汇特有的指标——订单簿斜率。它衡量的是：价格每偏离1个pip，挂单量变化多少。斜率越大，说明市场越有弹性，大单不容易造成价格滑点。

我记得有一次做EUR/USD的深度分析，发现某个时段订单簿斜率突然变得很平缓。我当时就觉得不对劲，果然半小时后出了个非农数据，市场瞬间暴跌。嗯，这个指标确实能提前预警。

29.4 三个市场的对比总结

说了这么多，我整理了一张对比表，方便你快速回顾：

最后说一句。这三个市场的深度分析，没有哪个是简单的。A股的数据格式乱，美股的数据量大，外汇的数据分散。但只要你掌握了核心逻辑——从订单簿中提取供需关系——换哪个市场都一样。

我个人建议，新手先从A股入手。数据量适中，逻辑清晰。等把Level-2数据玩透了，再挑战美股和外汇。别一上来就搞外汇，那个聚合过程能把人搞疯。