第八章：订单流交易策略
订单流策略，说白了就是跟着聪明钱走。我做了这么多年交易，发现一个规律——价格可以骗人，但成交量很难造假。这一章，我把实战中最常用的三类策略拆开来讲。
8.1 基于Delta的策略
Delta是什么？简单说就是主动性买单和卖单的差值。正值说明买方更主动，负值说明卖方在砸盘。
我个人习惯把Delta分成三种用法：
- Delta背离：价格创新高，Delta却走低。这说明上涨是虚的，我在项目中遇到过好几次这种情况，随后都出现了回调。
- Delta极值：当Delta绝对值突然放大到历史均值的3倍以上，往往意味着短期情绪宣泄完毕，行情要反转。
- 累计Delta：把一段时间的Delta累加起来。如果累计Delta持续为正，说明大资金在吸筹。
核心逻辑：Delta策略的本质是捕捉「价格与资金流向」的不一致。价格涨但Delta跌，就是典型的诱多信号。
举个例子。某品种在15分钟图上连续拉了3根阳线，但Delta却从+2000跌到了-500。嗯，这里要注意——这种背离出现时，我通常会平掉多单，甚至反手做空。
实战技巧：我习惯把Delta和成交量结合起来看。如果Delta为负但成交量萎缩，说明抛压不大，可以再等等。如果Delta为负且成交量放大，赶紧跑。
8.2 基于成交量分布的策略
成交量分布（Volume Profile）是我最依赖的工具之一。它告诉你：在哪个价位成交最多，哪个价位成交最少。
核心概念就三个：
- 价值区域（VA）：成交量占比70%的价格区间。价格在VA内，正常波动；价格脱离VA，说明有异常。
- 控制点（POC）：成交量最大的那个价位。这是多空双方争夺最激烈的地方。
- 低成交量节点（LVN）：成交量稀少的价位。价格经过这里时，阻力最小，容易快速突破。
我常用的策略是：
- POC支撑/阻力：价格回踩POC不破，做多；价格反弹到POC受阻，做空。
- VA突破：价格放量突破价值区域上沿，追多；跌破下沿，追空。
- LVN回补：价格快速穿过低成交量节点后，往往会回测这个位置，然后继续原方向。
避坑指南：我曾经在POC附近反复止损，后来发现——POC不是一条线，而是一个区间。我建议把POC上下各加一个ATR的宽度作为缓冲区，等价格真正站稳或跌破再动手。
8.3 基于订单流图谱的策略
订单流图谱，就是把每一笔成交都可视化。你能看到：谁在买，谁在卖，在哪个价位成交了多少。
我主要看三个指标：
| 指标 | 含义 | 用法 |
|---|---|---|
| 大单成交 | 单笔成交量超过平均值的3倍 | 大单密集出现，说明主力在行动 |
| 买卖队列 | 挂单的深度和厚度 | 买一挂单突然增加，说明有支撑 |
| 成交速度 | 单位时间内的成交笔数 | 速度加快，说明情绪在升温 |
举个例子。某品种在5000价位突然出现一笔500手的买单，而平时每笔只有50手。同时，卖一队列开始变薄。这说明什么？大资金在扫货。我会立刻跟进。
关键点：订单流图谱不是预测工具，而是确认工具。它告诉你「现在正在发生什么」，而不是「接下来会发生什么」。别搞反了。
8.4 策略的回测与优化
回测是策略的照妖镜。我见过太多策略在实盘里翻车，原因就是回测没做好。
回测的步骤：
- 数据准备：至少需要Tick级数据，包含每一笔成交的价格、数量、买卖方向。日线数据不够用。
- 参数设定：比如Delta的阈值、POC的周期、大单的定义。这些参数要合理，别过度拟合。
- 执行回测：模拟真实交易环境，考虑滑点和手续费。
- 结果分析：看胜率、盈亏比、最大回撤、夏普比率。
下面是一个简单的回测代码框架：
# 伪代码示例
def backtest_strategy(data, params):
capital = 100000
position = 0
trades = []
for i in range(len(data)):
delta = data['buy_volume'][i] - data['sell_volume'][i]
# Delta策略：Delta大于阈值且价格在POC上方，做多
if delta > params['delta_threshold'] and data['close'][i] > data['poc'][i]:
if position == 0:
position = 1
entry_price = data['close'][i]
trades.append(('buy', entry_price))
# 平仓条件：Delta转负
elif delta < 0 and position == 1:
position = 0
exit_price = data['close'][i]
capital += (exit_price - entry_price) * 100
trades.append(('sell', exit_price))
return capital, trades优化建议：我习惯用Walk-Forward分析来验证参数稳定性。把数据分成多段，每段独立优化参数，然后看参数是否一致。如果每段的最优参数都不一样，说明策略不稳定，需要重新设计。
优化时要注意几个坑：
- 过拟合：参数太多，曲线太漂亮，往往有问题。我见过有人用20个参数拟合出年化500%的回测曲线，实盘直接亏光。
- 幸存者偏差：只回测了活下来的品种，忽略了退市的。结果就是回测好看，实盘踩雷。
- 未来函数：回测时用了未来的数据。比如用当天的收盘价来决定当天的开仓，这在实盘里根本做不到。
血的教训：我曾经优化出一个Delta策略，回测夏普比率3.5，实盘却连续亏损。后来发现——我把滑点设成了0，而实盘里滑点吃掉了我大部分利润。从那以后，我回测时至少加2个Tick的滑点。
最后说一句：回测只是起点，不是终点。策略好不好，最终要看实盘表现。我建议先用小资金跑一个月，确认没问题再加大仓位。
这张图把整个策略体系串起来了。从Delta到成交量分布，再到订单流图谱，最后落到回测优化。每一步都有坑，但也都有机会。