第26章订单流与量化平台

26、订单流与量化平台：在VN.PY、Backtrader中集成订单流数据

说实话，很多做订单流的朋友都问过我一个问题：

“我手工看订单流图表挺顺手的，但怎么把它弄到我的量化策略里？”

嗯，这是个好问题。你想想看，订单流数据本身是高频的、逐笔的，而传统的量化框架比如VN.PY、Backtrader，它们默认处理的是K线数据。这两者之间，存在一个“数据鸿沟”。

今天我就带你亲手填上这个坑。

为什么要在量化平台里集成订单流？

我个人习惯把订单流数据看作是“市场的CT扫描”。普通K线只能看到价格和成交量，但订单流能告诉你：

谁在主动买？谁在主动卖？
在关键价位上，有多少挂单在防守？
大单是吃货还是砸盘？

把这些信息量化成指标，再塞进策略里，效果往往比单纯用均线、MACD好得多。我在项目中遇到过好几次，用订单流数据过滤掉假突破，胜率直接提升了十几个点。

数据格式的“翻译”工作

首先得明确一点：订单流数据不是标准OHLCV。它通常是这样的：

# 原始订单流数据（逐笔成交）
timestamp, price, volume, side, ask_price, bid_price
09:30:01.123, 100.50, 200, BUY,  100.51, 100.49
09:30:01.456, 100.49, 150, SELL, 100.50, 100.48
...

而量化平台要的是这样的：

# 标准K线数据
datetime, open, high, low, close, volume
2024-01-01 09:30:00, 100.50, 100.55, 100.48, 100.52, 350

所以，第一步就是“聚合”。把逐笔数据按时间切片（比如1分钟、5分钟），同时计算出订单流特有的指标：

Delta：主动买量 - 主动卖量
Cumulative Delta：累计Delta
POC：成交量最大价位
VAH/VAL：价值区域上下沿

在VN.PY中集成订单流

VN.PY本身是事件驱动的，它的核心是BaseData和BarGenerator。我的做法是：

自定义一个TickData扩展，加上delta、ask_volume、bid_volume字段。
重写BarGenerator，在生成1分钟K线时，同时计算Delta、POC等。
把订单流指标作为新的K线字段，比如bar.delta、bar.cum_delta。

代码大概长这样：

class OrderFlowBarGenerator(BarGenerator):
    def update_tick(self, tick: TickData):
        # 原有的K线生成逻辑
        super().update_tick(tick)
        
        # 额外计算Delta
        if tick.last_price >= tick.ask_price_1:
            self.delta += tick.volume  # 主动买
        elif tick.last_price <= tick.bid_price_1:
            self.delta -= tick.volume  # 主动卖
        
        # 当K线完成时，把delta赋值给bar
        if self.bar_completed:
            self.bar.delta = self.delta
            self.delta = 0
            self.on_bar(self.bar)

这样，你的策略里就能直接调用bar.delta了。我曾经用这个框架做过一个策略：当Delta连续3根K线为负且价格没跌，就做多。效果出奇的好。

在Backtrader中集成订单流

Backtrader的思路不太一样。它更偏向于“数据馈送”和“指标计算”。

我的做法是：

自定义一个DataFeed，继承bt.feeds.PandasData，把订单流指标作为额外的lines。
在策略中直接使用这些lines。

举个例子：

class OrderFlowData(bt.feeds.PandasData):
    # 定义额外的数据列
    lines = ('delta', 'cum_delta', 'poc', 'vah', 'val')
    
    # 映射到CSV或DataFrame的列名
    params = (
        ('delta', 'delta'),
        ('cum_delta', 'cum_delta'),
        ('poc', 'poc'),
        ('vah', 'vah'),
        ('val', 'val'),
    )

# 使用
data = OrderFlowData(dataname=df)  # df里包含delta等列
cerebro.adddata(data)

然后在策略里：

class MyStrategy(bt.Strategy):
    def next(self):
        if self.data.delta[0] > 1000 and self.data.close[0] > self.data.poc[0]:
            self.buy()

嗯，这里要注意：Backtrader的next()是按bar触发的，所以你的订单流数据必须提前聚合好。我建议在数据预处理阶段就把这些指标算好，存到DataFrame里，再喂给Backtrader。

避坑指南

我曾经踩过的坑：

时间对齐问题：订单流数据是微秒级的，而K线是秒级的。聚合时一定要处理好时间戳的舍入，否则数据会错位。
数据量爆炸：全量订单流数据一天可能几百万条。建议只保留聚合后的1分钟或5分钟数据，否则回放速度会慢到让你怀疑人生。
Delta的计算口径：不同交易所对“主动买/主动卖”的定义略有不同。记得先做小样本测试，确认你的Delta计算逻辑和交易所一致。

核心逻辑流程图

下面这张图，是我自己总结的“订单流数据集成量化平台”的标准流程。你照着这个走，基本不会出错：

实战建议

我个人给你的建议：

刚开始别贪多。先只集成Delta和Cumulative Delta这两个指标，跑通了再慢慢加POC、VAH这些。
回测时一定要用“逐笔回放”模式，别用“跳跃式回放”。订单流策略对微观结构敏感，跳跃式回放会失真。
数据源方面，我推荐用DolphinDB或者ClickHouse来存原始订单流数据，查询和聚合速度都很快。

好了，关于在VN.PY和Backtrader里集成订单流数据，核心要点就这些。说白了，就是“聚合数据 -> 封装成平台能识别的格式 -> 在策略里调用”。你动手试一次，就会发现其实没那么复杂。