行情规则引擎概述
行情规则引擎是量化交易系统中负责解析、匹配和执行行情规则的中间件层。它接收实时行情数据流，根据预定义的规则集判断市场状态，并触发相应的交易信号或风控动作。理解行情规则引擎的设计原理，是构建可靠特征服务的基础。
1. 行情规则的定义
行情规则是一组基于行情数据的条件判断逻辑，通常由触发条件、时间窗口和动作输出三部分组成。规则引擎将业务规则从代码中解耦，以声明式配置驱动交易决策。
典型行情规则示例：
规则ID: RULE_001
名称: 大单异动预警
触发条件: 逐笔成交单笔金额 >= 100万 且 成交方向 = "主动买入"
时间窗口: 过去5分钟内累计触发次数 >= 3
动作输出: 推送预警消息至风控队列，标记该标的为"异动监控"规则的核心要素包括：
- 数据源：快照行情、逐笔成交、逐笔委托、Level-2 队列等
- 条件算子：比较（>、<、==）、范围（between）、集合（in）、时序（cross）
- 聚合函数：SUM、AVG、MAX、MIN、COUNT、VWAP 等
- 时间语义：滑动窗口、滚动窗口、事件时间、处理时间
- 输出动作：信号推送、日志记录、指标计算、风控阻断
2. 规则引擎在量化交易中的作用
规则引擎在量化交易系统中承担着逻辑编排和实时决策的核心职责，具体体现在以下五个方面：
| 作用维度 | 具体说明 | 业务价值 |
|---|---|---|
| 信号生成 | 基于行情规则实时计算买卖信号 | 缩短策略响应延迟至毫秒级 |
| 风控拦截 | 对异常行情、自成交、超量交易进行阻断 | 降低交易风险和合规成本 |
| 特征计算 | 将规则输出作为特征输入到机器学习模型 | 提升特征时效性和可解释性 |
| 灰度切换 | 支持按标的、账户、地域灰度发布新规则 | 降低上线风险，支持 A/B 验证 |
| 运维监控 | 记录规则命中率、执行耗时、异常次数 | 提供可观测性和告警能力 |
实战经验：在日均处理百万级行情事件的场景下，规则引擎的执行延迟必须控制在 100μs 以内。建议将高频规则（如逐笔成交）与低频规则（如分钟级统计）拆分到不同的引擎实例，避免相互阻塞。
3. 常见规则引擎对比
业界主流的规则引擎各有侧重，选择时需综合考虑性能、可扩展性、运维成本和生态兼容性。下表对比了四种常见方案：
| 特性 | Drools | EasyRules | 自研轻量引擎 | 流式计算引擎 (Flink CEP) |
|---|---|---|---|---|
| 语言 | Java / DRL | Java 注解 | Java / Go / C++ | Java / SQL |
| 性能 | 中等（Rete 算法） | 较高（线性匹配） | 最高（定制化） | 高（分布式并行） |
| 规则热更新 | 支持（需重启部分组件） | 支持 | 需自研 | 支持（动态拓扑） |
| 时间窗口 | 需扩展 | 需扩展 | 原生支持 | 原生支持（Event Time） |
| 运维复杂度 | 高 | 低 | 中 | 高 |
| 适用场景 | 复杂业务规则（风控、合规） | 轻量级规则（信号过滤） | 高频行情规则（逐笔、快照） | 复杂事件处理（跨标的、跨时间） |
避坑指南：不要盲目追求"全功能"规则引擎。在量化交易场景中，规则引擎的确定性和可测试性比功能丰富度更重要。建议优先选择支持规则版本管理和回放测试的方案，避免因规则冲突导致信号异常。
4. 规则引擎核心架构
一个生产级的行情规则引擎通常包含以下核心模块：
- 规则解析器：将 YAML/JSON 规则配置解析为内部 AST（抽象语法树）
- 事件适配器：将不同行情协议（Binary、Protobuf、JSON）统一为内部事件模型
- 匹配引擎：基于 Rete 算法或线性扫描执行规则匹配
- 时间管理器：维护滑动窗口状态，支持事件时间和处理时间
- 动作执行器：将匹配结果转换为信号、日志或指标输出
- 监控面板：实时展示规则命中率、延迟分布、异常告警
在后续章节中，我们将基于自研轻量引擎架构，逐步实现一个支持灰度发布的行情规则引擎，并集成到特征服务中。下一节将深入讲解规则配置的 DSL 设计与灰度策略。