3. 高频数据认知
构建高频短周期Alpha信号，第一步不是写因子，而是把“数据长什么样”彻底搞清楚。高频数据的本质，是把市场撮合过程按时间切片后留下的痕迹。不同数据源记录的是同一市场不同粒度的投影：逐笔委托反映意图，逐笔成交反映结果，快照行情反映状态，Level-2则是在快照基础上叠加了更深的订单簿信息。理解它们的生成机制、时间语义和频率特征，决定了后续信号是否可复现、可回测、可交易。
一、核心原理：四类数据的生成链路
交易所撮合引擎是高频数据的源头。投资者报单进入后，先形成逐笔委托（Order/Tick Order），记录委托编号、方向、价格、数量、时间戳；当买卖双方价格匹配，产生逐笔成交（Trade/Tick Trade），记录成交价、成交量、买卖委托编号及成交时间；与此同时，行情系统按固定时间间隔对订单簿做切片，生成快照行情（Snapshot），通常包含买卖一档到十档价格与量、最新价、成交量等；Level-2数据则是在快照基础上，提供逐笔委托与逐笔成交的完整明细，部分市场还包含订单簿深度更新。
关键区别在于“事件驱动”与“时间驱动”。逐笔数据是事件驱动，只有发生委托或成交时才产生记录，时间间隔不均匀；快照是时间驱动，无论市场是否活跃，都按固定频率（如A股3秒、期货500毫秒）推送。Alpha信号若基于逐笔数据构建，必须处理非均匀时间序列；若基于快照，则要警惕切片丢失了切片之间的微观结构变化。
二、方法流程：从数据认知到信号可用性评估
拿到一份高频数据后，建议按以下流程建立认知：
- 确认数据字典：明确字段含义、时间戳精度（秒/毫秒/微秒/纳秒）、交易所来源、是否含撤单标识。
- 检查时间对齐：逐笔数据的时间戳是交易所时间还是本地接收时间？快照时间戳是切片开始还是结束？不同源之间能否对齐。
- 评估频率分布：统计每秒/每分钟事件数，识别开盘、收盘、午间等不同时段的活跃度差异。
- 数据质量扫描：检查缺失值、重复记录、价格越界、成交量异常、时间戳回退等问题。
- 构建重采样方案：将非均匀逐笔数据聚合为固定频率（如1秒、5秒）的Bar，或直接使用事件时间构建特征。
关键决策：Alpha信号的时间尺度决定了数据选择。持仓周期在秒级到分钟级，逐笔成交和Level-2是核心；持仓周期在小时级以上，快照行情通常足够。不要用快照数据去拟合需要逐笔信息才能捕捉的微观结构信号，否则回测会严重高估。
三、案例/场景：同一时刻的四类数据对比
假设某股票在10:00:00.000发生如下事件：投资者A以10.00元买入1000股，投资者B以10.00元卖出1000股，撮合成交。四类数据分别记录为：
| 数据类型 | 记录内容 | 时间戳 | 频率特征 |
|---|---|---|---|
| 逐笔委托 | 委托编号、方向、价格10.00、数量1000 | 10:00:00.000123 | 事件驱动，非均匀 |
| 逐笔成交 | 成交价10.00、成交量1000、买卖委托编号 | 10:00:00.000125 | 事件驱动，非均匀 |
| 快照行情 | 买卖十档、最新价10.00、累计成交量 | 10:00:00.000（切片） | 固定3秒或500ms |
| Level-2 | 逐笔委托+逐笔成交+订单簿深度更新 | 10:00:00.000123~125 | 毫秒级，信息最全 |
从这个例子可以看出，快照只保留了切片时刻的状态，丢失了切片内部委托与成交的先后顺序。如果Alpha信号依赖“先有大单委托、随后快速成交”这类微观模式，快照数据无法表达，必须使用逐笔或Level-2数据。
四、误区/复盘：高频数据质量陷阱
常见误区一：把快照时间戳当作成交时间。快照是切片，不是事件。用快照构建的“成交量”是区间累计值，不能直接当作某一时刻的瞬时成交量。
常见误区二：忽略撤单。逐笔委托中包含大量撤单记录，若不剔除，委托流信号会被严重污染。撤单率本身也是重要特征，但必须与真实委托区分。
常见误区三：不做时间对齐直接合并多源数据。不同交易所、不同数据源的时间戳基准可能相差数十毫秒，直接合并会导致未来函数或信号错位。
常见误区四：用日频思维处理高频数据。高频数据的分布往往具有厚尾、自相关、日内周期等特征，简单标准化或线性模型容易失效。
复盘时建议建立数据质量检查清单，每次接入新数据源都执行一遍：
# 高频数据质量检查清单（示例）
1. 时间戳范围：是否覆盖完整交易时段？
2. 时间戳单调性：是否存在回退或重复？
3. 缺失率：关键字段（价格、数量、方向）缺失比例
4. 异常值：价格是否超出涨跌停？数量是否为负或超大？
5. 频率分布：每秒事件数是否合理？有无长时间空洞？
6. 撤单比例：撤单/委托比是否在合理区间？
7. 快照对齐：快照累计成交量与逐笔成交量是否一致？
8. 多源一致性：同一事件在不同数据源中是否可匹配？实战建议：在构建Alpha信号之前，先花时间做数据探索性分析（EDA），画出事件到达间隔分布、日内活跃度曲线、买卖不平衡时序图。这些图往往比复杂模型更能揭示数据是否可用。高频信号的第一性原理是：数据质量决定信号上限，模型只是逼近这个上限。
总结来说，逐笔成交、逐笔委托、快照行情和Level-2数据各有其生成机制与适用场景。理解它们的时间语义、频率特征和质量陷阱，是构建高频短周期Alpha信号不可跳过的基础环节。只有把数据认知做扎实，后续的因子构建、回测和实盘才具备可靠的前提。