2. 市场监控基础
在进入误报降噪与规则优化之前，必须先建立对市场监控系统的整体认知。很多团队一上来就调阈值、改规则，结果越调越乱，根本原因是没有厘清“监控什么、数据从哪来、用什么方式监控、误报和漏报如何界定”。本节把这四个基础问题讲透，为后续的规则优化打下共同语言。
一、监控对象：市场监控到底在盯什么
市场监控的对象不是抽象的“市场”，而是可被数据刻画、可被规则判断的具体实体与行为。按业务视角，通常分为四类：
- 交易主体：账户、客户、席位、做市商、机构编码等，关注其行为是否异常。
- 交易标的：股票、债券、期货合约、基金、衍生品等，关注价格、成交量、持仓的异常波动。
- 交易行为：申报、撤单、成交、对倒、频繁报撤、尾盘拉抬等，是规则命中率最高的对象。
- 市场状态：涨跌幅、换手率、波动率、流动性、板块联动等宏观指标。
监控对象决定了数据来源和规则设计。对象选错，后面所有优化都是徒劳。实践中建议用“主体—标的—行为—状态”四维矩阵来盘点监控覆盖面，避免遗漏或重复。
二、数据来源：监控系统的输入从哪来
市场监控的数据来源直接决定监控的实时性、准确性和可扩展性。常见来源包括：
| 数据来源 | 典型内容 | 时效性 | 主要用途 |
|---|---|---|---|
| 交易所行情 | 逐笔委托、逐笔成交、快照 | 毫秒级 | 实时行为监控 |
| 交易系统日志 | 报单、撤单、成交回报 | 秒级 | 账户行为还原 |
| 账户与客户资料 | 开户信息、关联关系 | 日级 | 主体识别与关联分析 |
| 资讯与公告 | 新闻、财报、监管公告 | 分钟级 | 事件驱动监控 |
| 参考数据 | 证券代码、板块、指数成分 | 日级 | 标的分类与聚合 |
数据接入时要注意三点：一是时间戳对齐，不同来源的时钟偏差会直接制造误报；二是字段完整性，缺失字段会让规则无法判断；三是数据质量校验，脏数据进入监控链路后会被规则放大成大量噪声。
三、常见监控类型：规则以什么方式工作
市场监控类型可按判断逻辑分为以下几类，它们对应不同的误报特征：
- 阈值型：如涨跌幅超过X%、单账户撤单率超过Y%。逻辑简单、易实现，但阈值固定时误报率高。
- 统计型：基于均值、标准差、分位数判断偏离，如成交量Z-score超过3。对分布变化敏感。
- 模式型：识别特定行为序列，如“频繁报撤—拉抬—反向成交”。准确率高但规则复杂。
- 关联型：跨账户、跨标的关联分析，如多账户同向同步交易。依赖主体识别质量。
- 事件型：结合公告、新闻等外部事件触发监控。时效性强，但事件解析易出错。
不同类型的监控，其误报来源不同：阈值型多因市场状态切换，统计型多因样本分布漂移，模式型多因参数过严，关联型多因主体识别错误，事件型多因事件误判。理解这一点，才能在降噪时对症下药。
四、误报与漏报：一对必须同时管理的指标
误报（False Positive）指系统判定为异常、实际为正常的行为；漏报（False Negative）指实际异常、系统未命中。二者是一对矛盾：放宽规则降低误报，往往抬高漏报；收紧规则降低漏报，往往抬高误报。
衡量监控效果常用四个指标：命中率（Precision）、召回率（Recall）、误报率、漏报率。实践中建议用混淆矩阵统一口径：
实际异常 实际正常
系统告警 真阳性TP 假阳性FP(误报)
系统不告警 假阴性FN(漏报) 真阴性TN
命中率 Precision = TP / (TP + FP)
召回率 Recall = TP / (TP + FN)
误报率 FPR = FP / (FP + TN)
漏报率 FNR = FN / (TP + FN)下面这张图展示了市场监控从数据源到规则判断、再到误报与漏报分流的整体结构，帮助建立全局视角。
五、案例与复盘：一次典型的误报风暴
某券商市场监控系统在开盘后10分钟内触发超过2000条告警，运营团队无法处理。复盘发现：
- 数据源：行情快照延迟约800毫秒，与交易日志时间戳未对齐，导致“撤单后仍成交”的假象。
- 规则：撤单率阈值设为固定值60%，未考虑开盘集合竞价阶段的正常高撤单行为。
- 对象：未区分做市商账户与普通账户，做市商高频报撤被大量误判。
优化动作：对齐时间戳、按交易阶段动态调整阈值、对做市商账户单独建模。误报量下降约85%，同时通过补充模式型规则，漏报未上升。这个案例说明：误报治理必须回到监控对象、数据来源和监控类型三个基础层面，而不是只调一个阈值。
本节的核心结论可以归纳为：监控对象决定数据需求，数据来源决定监控质量，监控类型决定误报特征，误报与漏报必须成对管理。掌握这四个基础概念，后续的规则优化才有稳定的坐标系。