2. 高频行情数据基础

在进入 Numba 与 Cython 的加速实战之前，必须先建立对高频行情数据本身的准确认知。加速的前提是数据模型清晰：如果连一条逐笔成交的字段语义、盘口快照的更新方式、订单簿的维护规则都不清楚，那么后续无论用多快的编译手段，都只是在错误的结构上做无效优化。本节围绕四类核心对象展开：逐笔成交、盘口快照、订单簿数据结构，以及时间戳与序列化格式。

一、核心原理：三类行情对象与一条数据链路

交易所对外发布的行情，本质上是对“订单簿状态变化”的不同粒度描述。逐笔成交（Trade/Tick）记录的是撮合引擎实际发生的成交事件，通常包含成交价、成交量、成交方向（主动买/主动卖）、成交编号与时间戳。盘口快照（Snapshot/Quote）记录的是某一时刻订单簿前 N 档的买卖报价与挂单量，例如 Level-1 只有一档最优买卖价，Level-2 提供十档甚至更多。订单簿（Order Book）则是把逐笔委托与逐笔成交按价格优先、时间优先规则重建出的完整限价簿结构。

三者关系可以概括为：订单簿是“状态”，逐笔是“事件”，快照是“状态的周期采样”。事件驱动状态变化，快照用于校验与快速初始化。理解这条链路，是后续设计增量更新与批量计算的基础。

二、方法流程：从原始报文到可用结构

高频数据处理通常遵循一条固定流程：接收原始报文 → 解析序列化格式 → 提取字段 → 更新订单簿或生成特征 → 输出到策略或存储。每一步都影响后续加速策略的选择。

1. 接收与缓冲：使用环形缓冲区或内存映射文件接收原始字节流，避免频繁分配内存。
2. 解析：按协议定义逐字段读取，注意字节序与对齐。二进制协议通常用 struct 或 memoryview 解析。
3. 时间戳归一：将交易所时间、接收时间、本地处理时间统一到同一时间基准，便于延迟分析。
4. 状态更新：逐笔成交更新最近成交价与成交量；逐笔委托更新订单簿对应档位。
5. 快照生成：按固定周期或按事件数触发，输出前 N 档盘口。

三、案例/场景：逐笔成交与盘口快照的字段设计

下面给出一个典型的逐笔成交与盘口快照字段清单，便于在代码中定义结构化 dtype 或 Cython cdef 结构体。

在 Python 中可以用 numpy 结构化数组定义，在 Cython 中则用 cdef packed struct 保证内存布局紧凑：

import numpy as np

trade_dtype = np.dtype([
    ('ts_exchange', 'i8'),
    ('price', 'f8'),
    ('volume', 'i8'),
    ('side', 'i1'),
    ('seq', 'i8'),
])

snapshot_dtype = np.dtype([
    ('ts', 'i8'),
    ('bid_px', 'f8', (10,)),
    ('bid_sz', 'i8', (10,)),
    ('ask_px', 'f8', (10,)),
    ('ask_sz', 'i8', (10,)),
])

四、误区/复盘：时间戳与序列化常见陷阱