Tick 数据基础：数据结构与采集方式

Tick 数据是金融市场中粒度最细、信息最完整的数据形态。每一笔 Tick 记录对应交易所撮合引擎产生的单笔逐笔成交或最优报价变更。理解 Tick 数据的底层结构、字段含义以及采集链路，是后续进行标签校准与模型训练的前提。

2.1 Tick 数据结构

标准 Tick 数据通常包含四个核心字段：时间戳、成交价格、成交量以及买卖方向。不同交易所或数据供应商可能额外附加标识符、成交序号、买卖盘挂单量等信息，但上述四字段构成所有 Tick 数据的最小公共子集。

2.2 数据来源与采集方式

Tick 数据的获取渠道主要分为三类：交易所直连、第三方数据商、开源/社区数据集。下表对比了三种来源的延迟、成本与适用场景。

2.3 采集链路与数据流

从交易所撮合引擎到本地数据库，Tick 数据需要经过行情网关、解码器、缓存队列和持久化存储四个环节。下图展示了典型的 Tick 数据采集架构。

2.4 采集流程步骤

1. 行情订阅：通过 TCP/UDP 多播协议向交易所或数据商网关发送订阅请求，指定合约代码与数据级别（逐笔成交 / 逐笔委托）。
2. 协议解码：接收二进制或 FIX/FAST 编码的原始报文，按交易所规范解析出时间戳、价格、成交量、方向等字段。
3. 时间对齐：将交易所时间戳与本地 NTP 时钟做偏差校正，消除网络传输抖动带来的时间漂移。
4. 缓存与去重：写入内存环形缓冲区，按时间戳与成交序号去重，过滤重复或乱序报文。
5. 持久化：批量写入时序数据库（如 InfluxDB、ClickHouse）或 Parquet 文件，按日期分区存储。

2.5 数据质量校验

采集完成后，必须对 Tick 数据执行以下质量检查，否则模型训练将引入噪声：

• 时间连续性：检查相邻 Tick 时间戳是否单调递增，是否存在大于 1 秒的间隔。
• 价格合理性：价格是否在当日涨跌停板范围内，是否存在异常跳空。
• 成交量非负：成交量必须为正整数，零值或负值视为异常。
• 买卖方向完整性：方向字段缺失率应低于 0.1%，否则该交易日数据不可用。

以下 Python 代码片段展示了基本的 Tick 数据质量校验逻辑：

import pandas as pd

def validate_tick(df: pd.DataFrame) -> dict:
    """对 Tick DataFrame 执行基础质量校验"""
    issues = {}
    # 1. 时间单调性
    if not df['timestamp'].is_monotonic_increasing:
        issues['time_order'] = '时间戳非单调递增'
    # 2. 价格范围
    price_outliers = df[(df['price'] <= 0) | (df['price'] > 1e6)]
    if len(price_outliers) > 0:
        issues['price_range'] = f'发现 {len(price_outliers)} 笔异常价格'
    # 3. 成交量非负
    neg_vol = df[df['volume'] <= 0]
    if len(neg_vol) > 0:
        issues['volume_non_positive'] = f'发现 {len(neg_vol)} 笔非正成交量'
    # 4. 方向缺失
    missing_side = df['side'].isna().sum()
    if missing_side / len(df) > 0.001:
        issues['side_missing'] = f'方向缺失率 {missing_side/len(df):.4%}'
    return issues