19、订单簿与波动率：订单簿特征与已实现波动率、波动率预测

19.1 订单簿里藏着波动率的密码

做量化交易这些年，我越来越觉得订单簿和波动率就像一对双胞胎。你盯着订单簿看久了，会发现它其实在「提前说话」——告诉你接下来市场可能要剧烈波动了。

我个人习惯把订单簿看作市场的「心电图」。买卖挂单的厚度、价差的大小、订单的撤单速度，这些特征其实都跟未来的波动率高度相关。说白了，订单簿的微观结构里，藏着波动率的密码。

19.2 订单簿的关键特征与波动率的关系

我在项目中遇到过不少坑，后来总结出几个最关键的订单簿特征，它们跟波动率的关系特别紧密：

• 买卖价差（Bid-Ask Spread）：价差扩大，通常意味着市场流动性下降，波动率即将上升。我记得有一次做股指期货的实盘，价差突然从0.2个tick扩大到0.8个tick，我立刻减仓，果然几分钟后市场剧烈波动。
• 订单簿深度（Order Book Depth）：深度越浅，价格越容易被大单推动，波动率自然就高。你想想看，一个只有几十手挂单的订单簿，跟一个有几万手挂单的订单簿，哪个更容易被砸出大坑？
• 订单不平衡度（Order Imbalance）：买盘和卖盘的力量对比。当买盘远大于卖盘，或者反过来，价格就容易出现单边走势，波动率也会放大。
• 撤单率（Cancellation Rate）：高频撤单是市场不确定性的信号。我曾经观察过，撤单率突然飙升的时候，往往是大行情的前兆。

这些特征不是孤立的，它们会组合起来形成信号。比如价差扩大+深度变浅+订单不平衡，这基本上就是波动率要爆发的信号了。

19.3 已实现波动率的计算

已实现波动率（Realized Volatility）跟传统的历史波动率不太一样。它用的是高频数据，比如每5分钟或者每1分钟的收益率来计算。我个人更倾向于用5分钟频率，因为太高的频率会引入微观结构噪声。

计算公式其实不复杂：

# 已实现波动率计算示例（Python）
import numpy as np
import pandas as pd

def realized_volatility(price_series, freq='5min'):
    """
    计算已实现波动率
    price_series: 价格序列（高频数据）
    freq: 采样频率
    """
    # 计算对数收益率
    log_returns = np.log(price_series / price_series.shift(1))
    log_returns = log_returns.dropna()
    
    # 计算已实现方差
    rv = np.sum(log_returns ** 2)
    
    # 转换为年化波动率
    annualized_vol = np.sqrt(rv * 252 * 24 * 60 / freq_minutes)
    
    return annualized_vol

嗯，这里要注意：已实现波动率对采样频率很敏感。频率太高，微观结构噪声会污染结果；频率太低，又会丢失信息。我个人习惯先用5分钟试，然后对比1分钟和15分钟的结果，取一个稳健的中间值。

19.4 用订单簿特征预测波动率

我做过一个实盘项目，就是用订单簿特征来预测未来5分钟的已实现波动率。效果还不错，这里分享一下核心思路：

1. 特征工程：从订单簿快照中提取价差、深度、订单不平衡度、撤单率等特征，同时加入一些衍生特征，比如价差的变化率、深度的斜率等。
2. 目标变量：未来5分钟的已实现波动率（用高频价格数据计算）。
3. 模型选择：我试过线性回归、随机森林、XGBoost。说实话，XGBoost的效果最好，但线性回归的可解释性更强。如果是做研究，我建议先用线性回归看看特征的重要性。

19.5 订单簿与波动率的关系框架

为了让你更直观地理解，我画了一张框架图。这张图展示了订单簿特征如何影响波动率，以及我们如何利用这些特征进行预测：

19.6 实战中的注意事项

做订单簿与波动率预测，有几个坑我踩过，分享给你：

另外，不同品种的订单簿特征差异很大。比如股指期货的订单簿深度通常比个股深得多，价差也更小。我建议针对不同品种分别训练模型，不要搞「一刀切」。

还有一个容易被忽略的点：订单簿数据在盘前和盘后的特征跟盘中完全不同。我曾经在盘前用模型预测，结果一塌糊涂。后来我把盘前、盘中、盘后的数据分开处理，效果才正常。

19.7 总结一下

订单簿与波动率的关系，说白了就是微观结构影响宏观表现。你盯着订单簿看，其实是在看市场的「毛细血管」——血流速度、血管粗细、血液浓度，这些细节决定了整个市场的「心跳」节奏。

我个人觉得，做波动率预测不能只看价格数据，订单簿特征是不可或缺的补充。尤其是做高频交易或者日内交易，订单簿的实时特征比任何技术指标都灵敏。嗯，今天就聊到这里，希望这些经验对你有帮助。

---