12、盘口深度变化率：深度变化率的计算，深度变化与价格突破，Python实现深度变化率指标
盘口深度，说白了就是挂在买卖盘上的单子厚度。
很多人看盘只看价格涨跌，忽略了深度变化。我个人习惯把深度变化率当作「资金温度计」——它能告诉你，当前的价格波动背后，到底有多少真金白银在支撑。
12.1 深度变化率的计算逻辑
深度变化率，衡量的是某一档位挂单量随时间的变化速度。
公式其实很简单：
深度变化率 = (当前时刻挂单量 - 上一时刻挂单量) / 上一时刻挂单量 × 100%但实际应用中，我建议分两层计算：
- 单档深度变化率：盯着买一、卖一这些关键档位
- 累积深度变化率：把买一到买五（或更深）的挂单量加起来算
为什么要分两层？
嗯，我在实盘中发现一个现象：有时候买一挂单突然减少，但买二到买五却在增加。单看买一你会觉得「有人在撤单，要跌」，但累积深度却在上升——这其实是主力在「假撤真吸筹」。单档和累积结合起来看，才能避免被误导。
核心要点：
深度变化率 > 0 表示资金在流入该方向，< 0 表示资金在流出。
但要注意，这个「资金」可能是挂单，不一定是成交。
12.2 深度变化与价格突破的关系
我做了大量回测后发现一个规律：
- 深度积累 → 价格突破：当买盘深度持续增加，卖盘深度持续减少，价格往往会在某个临界点向上突破
- 深度衰减 → 假突破：价格冲高但买盘深度却在下降，这种突破大概率是假的
为什么会这样？
你想想看，如果真有大资金要拉升，它会在买盘上挂大量托单。这些托单就是「护城河」。护城河越宽，价格越稳。反之，如果价格涨了但护城河在变窄，说明主力在边拉边撤——这就是典型的诱多。
我的经验：
当深度变化率连续3个周期 > 5%，且价格处于关键支撑/阻力位附近时，突破概率会显著提升。
我一般会在这个位置提前布局。
12.3 Python实现深度变化率指标
代码实现上，我习惯用pandas来处理时间序列数据。下面是一个完整的实现：
import pandas as pd
import numpy as np
from typing import Dict, List
class DepthChangeRate:
"""
盘口深度变化率计算器
支持单档和累积两种模式
"""
def __init__(self, window: int = 3):
"""
:param window: 计算变化率的时间窗口（周期数）
"""
self.window = window
self.depth_history = [] # 存储历史深度数据
def add_snapshot(self, bid_depth: Dict[str, float],
ask_depth: Dict[str, float]) -> None:
"""
添加一个快照数据
:param bid_depth: 买盘深度，格式 {'买一': 100.0, '买二': 200.0, ...}
:param ask_depth: 卖盘深度，格式 {'卖一': 150.0, '卖二': 250.0, ...}
"""
snapshot = {
'bid_total': sum(bid_depth.values()),
'ask_total': sum(ask_depth.values()),
'bid_level1': bid_depth.get('买一', 0),
'ask_level1': ask_depth.get('卖一', 0),
'timestamp': pd.Timestamp.now()
}
self.depth_history.append(snapshot)
# 只保留最近 window+1 个数据
if len(self.depth_history) > self.window + 1:
self.depth_history.pop(0)
def calculate_change_rate(self) -> Dict[str, float]:
"""
计算深度变化率
:return: 包含各维度变化率的字典
"""
if len(self.depth_history) < 2:
return {}
current = self.depth_history[-1]
previous = self.depth_history[0] # window 个周期前的数据
# 计算变化率
bid_total_rate = (current['bid_total'] - previous['bid_total']) / \
previous['bid_total'] * 100 if previous['bid_total'] != 0 else 0
ask_total_rate = (current['ask_total'] - previous['ask_total']) / \
previous['ask_total'] * 100 if previous['ask_total'] != 0 else 0
bid_level1_rate = (current['bid_level1'] - previous['bid_level1']) / \
previous['bid_level1'] * 100 if previous['bid_level1'] != 0 else 0
ask_level1_rate = (current['ask_level1'] - previous['ask_level1']) / \
previous['ask_level1'] * 100 if previous['ask_level1'] != 0 else 0
return {
'bid_total_rate': round(bid_total_rate, 2),
'ask_total_rate': round(ask_total_rate, 2),
'bid_level1_rate': round(bid_level1_rate, 2),
'ask_level1_rate': round(ask_level1_rate, 2),
'depth_imbalance': round(bid_total_rate - ask_total_rate, 2)
}
def detect_breakout_signal(self) -> str:
"""
检测突破信号
:return: 'up', 'down', 'neutral'
"""
rates = self.calculate_change_rate()
if not rates:
return 'neutral'
# 买盘深度增加 + 卖盘深度减少 = 向上突破信号
if (rates['bid_total_rate'] > 5 and
rates['ask_total_rate'] < -3):
return 'up'
# 卖盘深度增加 + 买盘深度减少 = 向下突破信号
if (rates['ask_total_rate'] > 5 and
rates['bid_total_rate'] < -3):
return 'down'
return 'neutral'
# 使用示例
if __name__ == '__main__':
dcr = DepthChangeRate(window=3)
# 模拟数据
snapshots = [
({'买一': 100, '买二': 200}, {'卖一': 150, '卖二': 250}),
({'买一': 120, '买二': 220}, {'卖一': 140, '卖二': 240}),
({'买一': 150, '买二': 250}, {'卖一': 130, '卖二': 230}),
({'买一': 180, '买二': 280}, {'卖一': 120, '卖二': 220}),
]
for bid, ask in snapshots:
dcr.add_snapshot(bid, ask)
print("深度变化率:", dcr.calculate_change_rate())
print("突破信号:", dcr.detect_breakout_signal())
避坑指南：
我曾经在实盘中发现，某些交易所的深度数据更新频率不一致。
有的100ms推送一次，有的500ms。如果直接用原始数据计算变化率，结果会失真。
我的做法是：先对深度数据进行时间对齐，统一到相同的时间间隔再计算。
12.4 深度变化率的可视化
光看数字不够直观。我习惯把深度变化率画成曲线，和价格走势叠加在一起看。
import matplotlib.pyplot as plt
def plot_depth_change_rate(depth_rates: List[Dict], prices: List[float]):
"""
绘制深度变化率与价格对比图
"""
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8))
# 提取数据
timestamps = [r['timestamp'] for r in depth_rates]
bid_rates = [r['bid_total_rate'] for r in depth_rates]
ask_rates = [r['ask_total_rate'] for r in depth_rates]
# 上子图：深度变化率
ax1.plot(timestamps, bid_rates, label='买盘深度变化率', color='green')
ax1.plot(timestamps, ask_rates, label='卖盘深度变化率', color='red')
ax1.axhline(y=0, color='gray', linestyle='--')
ax1.set_ylabel('变化率 (%)')
ax1.legend()
ax1.set_title('盘口深度变化率')
# 下子图：价格
ax2.plot(timestamps, prices, label='价格', color='blue')
ax2.set_ylabel('价格')
ax2.legend()
ax2.set_title('价格走势')
plt.tight_layout()
plt.show()
这张图能帮你一眼看出：价格突破时，深度变化率是否在配合。如果价格创新高但买盘深度变化率在下降——嗯，小心了。
12.5 核心知识体系
我把本章的核心逻辑画成了一张图，方便你理解：
这张图把整个流程串起来了：从原始深度数据出发，经过单档和累积两种计算方式，最终输出突破信号。记住，深度变化率不是孤立指标，它需要和价格走势配合使用。
实战建议：
我个人习惯把深度变化率阈值设为 ±5%。超过这个范围，说明资金态度发生了明显变化。
如果同时配合成交量放大，那基本就是一波行情的起点。
无相订单流研究社 微信Lucian808555