22、订单流与量化交易入门：订单流数据的量化处理、用Python计算Delta和成交量分布、构建简单的订单流量化策略

订单流数据到底是什么？

说实话，很多做量化的朋友一开始都搞混一件事——他们以为订单流就是Tick数据。其实不是。

Tick数据记录的是每一笔成交的价格和数量。而订单流数据，记录的是每一笔订单的主动方向。说白了，就是谁先动手的。

我刚开始接触订单流时，也踩过这个坑。当时我拿了一堆Tick数据，以为能直接算Delta，结果算出来的东西完全不对。后来才明白，订单流的核心在于「主动买」和「主动卖」的区分。

举个例子：

• 当前盘口：买一100元，卖一101元
• 有人直接以101元买入——这是主动买，记为+1手
• 有人直接以100元卖出——这是主动卖，记为-1手

这个方向信息，就是订单流数据的灵魂。

Delta：订单流里最基础的指标

Delta的计算其实很简单：

Delta = 主动买入量 - 主动卖出量

但你别小看这个公式。我见过很多交易员，盯着Delta看了好几年，还是没搞明白它到底在说什么。

Delta的本质是什么？是资金博弈的瞬时力量对比。

如果Delta持续为正，说明买方在主动吃单。如果Delta突然转负，说明卖方开始发力了。嗯，这里要注意——Delta不是预测指标，它是确认指标。

用Python计算Delta

假设我们有一份订单流数据，格式大概是这样的：

时间	价格	成交量	方向
09:30:01	100.50	200	Buy
09:30:02	100.48	150	Sell
09:30:03	100.52	300	Buy

用Python处理起来其实就几行代码：

import pandas as pd

# 加载数据
df = pd.read_csv('orderflow.csv')

# 计算Delta
df['Delta'] = df.apply(
    lambda row: row['成交量'] if row['方向'] == 'Buy' else -row['成交量'],
    axis=1
)

# 累计Delta
df['Cumulative_Delta'] = df['Delta'].cumsum()

# 按分钟聚合
minute_delta = df.resample('1min', on='时间')['Delta'].sum()

我个人习惯把Delta分成三个级别来看：

• 逐笔Delta：看每一笔的瞬时博弈
• 分钟Delta：看短周期的力量变化
• 累计Delta：看全天资金的净流向

我在项目中遇到过一个问题——如果只看累计Delta，很容易被大单干扰。比如某笔大单把Delta拉得很高，但后续全是小单在卖，累计Delta还在高位，实际上买方已经没劲了。所以，我建议你结合分钟Delta一起看。

成交量分布：找到市场的「价值区域」

成交量分布（Volume Profile）是另一个核心工具。它告诉你：在某个价格区间，成交了多少量。

为什么重要？因为市场在某个价格成交得越多，说明这个价格被「认可」的程度越高。说白了，这是市场的共识价格。

计算逻辑也不复杂：

# 假设df包含价格和成交量
price_bins = range(int(df['价格'].min()), int(df['价格'].max()) + 1, 1)

volume_profile = pd.cut(
    df['价格'], 
    bins=price_bins
).value_counts().sort_index()

# 找到成交量最大的价格区间
poc = volume_profile.idxmax()

这里有个关键点——POC（Point of Control），也就是成交量最大的那个价格。我一般把它当作市场的「重心」。

构建一个简单的订单流量化策略

好了，理论讲完了，咱们来点实战的。下面这个策略，是我早期做订单流交易时用的一个原型，虽然简单，但逻辑很清晰。

策略逻辑：

1. 计算过去5分钟的累计Delta
2. 计算当前价格相对于POC的位置
3. 如果累计Delta为正且价格在POC上方，做多
4. 如果累计Delta为负且价格在POC下方，做空
5. 止损设在POC的另一侧

import pandas as pd
import numpy as np

def orderflow_strategy(df, lookback=5):
    # 计算分钟Delta
    df['Minute_Delta'] = df.resample('1min', on='时间')['Delta'].sum()
    
    # 计算累计Delta
    df['Cum_Delta_5min'] = df['Minute_Delta'].rolling(lookback).sum()
    
    # 计算成交量分布
    price_bins = np.arange(df['价格'].min(), df['价格'].max(), 0.5)
    volume_profile = pd.cut(df['价格'], bins=price_bins).value_counts()
    poc = volume_profile.idxmax()
    
    # 生成信号
    df['Signal'] = 0
    df.loc[(df['Cum_Delta_5min'] > 0) & (df['价格'] > poc), 'Signal'] = 1
    df.loc[(df['Cum_Delta_5min'] < 0) & (df['价格'] < poc), 'Signal'] = -1
    
    return df

订单流与量化结合的核心逻辑

下面这张图，是我自己总结的订单流量化交易的知识框架：

你看，整个流程其实就四步：拿数据 → 算指标 → 定策略 → 执行。但每一步都有坑。

比如数据层，很多交易所的订单流数据是不完整的，你得自己拼接。我早期做的时候，就因为数据源的问题，算出来的Delta全是错的，白忙活了两周。

再比如策略层，你算出来的Delta和成交量分布，到底怎么用？是作为入场信号，还是作为过滤条件？我个人习惯是把它们当过滤条件——先有交易逻辑，再用订单流数据去验证。

避坑指南

最后，分享几个我踩过的坑：

• 别迷信Delta的绝对值：Delta的大小和合约的流动性有关。同一个Delta值，在螺纹钢和黄金上的意义完全不同。
• 成交量分布要动态更新：我见过有人用昨天的POC来交易今天的行情，结果亏得一塌糊涂。市场每天都在变，POC也要跟着变。
• 订单流不是万能的：在震荡行情里，订单流数据会频繁发出假信号。我建议你结合趋势指标一起用。

嗯，今天就先聊到这儿。订单流和量化的结合，其实还有很多可以深挖的地方。比如如何用机器学习处理订单流数据，如何构建多周期的Delta策略——这些我们后面再慢慢聊。