3. 市场数据事件模型：Tick数据、Bar数据、订单簿快照的事件定义与数据结构

在事件驱动回测框架中，市场数据是驱动策略逻辑运转的“燃料”。不同的数据粒度对应不同的事件类型，其数据结构直接影响策略的计算效率与信号精度。本章将系统定义三种核心市场数据事件：Tick、Bar 与 订单簿快照，并给出标准化的数据结构与事件触发规则。

3.1 事件模型总览

市场数据事件模型遵循“生产者-消费者”模式：数据源（交易所、数据文件）将原始行情封装为事件对象，推入事件队列；策略模块通过订阅特定事件类型，在事件循环中消费并响应。下表对比了三种事件的核心特征：

3.2 Tick 数据事件

Tick 数据是市场交易的最小粒度记录，每一条 Tick 代表一笔真实的成交或一次报价变动。在回测中，TickEvent 通常由逐笔成交数据生成，用于模拟最真实的交易环境。

3.2.1 数据结构定义

class TickEvent:
    def __init__(self, timestamp, symbol, last_price, volume, 
                 bid_price, ask_price, bid_size, ask_size):
        self.event_type = 'TICK'
        self.timestamp = timestamp      # datetime 对象
        self.symbol = symbol            # 合约代码
        self.last_price = last_price    # 最新成交价
        self.volume = volume            # 该笔成交量
        self.bid_price = bid_price      # 当前买一价
        self.ask_price = ask_price      # 当前卖一价
        self.bid_size = bid_size        # 买一挂单量
        self.ask_size = ask_size        # 卖一挂单量

3.2.2 事件触发规则

• 逐笔触发：每读取一条原始 Tick 记录，立即生成一个 TickEvent 并推入队列。
• 时间戳对齐：使用交易所原始时间戳，回测引擎不做插值或平滑。
• 异常处理：对于价格为零、买卖价差为负等异常 Tick，应标记为无效事件并跳过。

3.3 Bar 数据事件

Bar 数据是将一段时间内的 Tick 数据聚合而成的统计摘要，是量化策略中最常用的数据形态。BarEvent 支持多种时间周期（1分钟、5分钟、日线等），其数据结构需包含开盘、最高、最低、收盘、成交量等核心字段。

3.3.1 数据结构定义

class BarEvent:
    def __init__(self, timestamp, symbol, open_price, high_price,
                 low_price, close_price, volume, vwap=None):
        self.event_type = 'BAR'
        self.timestamp = timestamp      # Bar 的结束时间
        self.symbol = symbol
        self.open = open_price
        self.high = high_price
        self.low = low_price
        self.close = close_price
        self.volume = volume
        self.vwap = vwap                # 成交量加权均价（可选）

3.3.2 聚合方式对比

3.4 订单簿快照事件

订单簿快照（Order Book Snapshot）记录了某一时刻市场所有限价订单的分布情况，包括买盘和卖盘的多档价格与挂单量。OrderBookEvent 是构建高级交易策略（如做市、套利）的基础数据源。

3.4.1 数据结构定义

class OrderBookEvent:
    def __init__(self, timestamp, symbol, bids, asks):
        self.event_type = 'ORDER_BOOK'
        self.timestamp = timestamp      # 快照时间
        self.symbol = symbol
        self.bids = bids                # 列表，每项为 (price, size)
        self.asks = asks                # 列表，每项为 (price, size)
        # 示例：bids = [(100.5, 200), (100.4, 500), ...]
        # 示例：asks = [(100.6, 300), (100.7, 400), ...]

3.4.2 快照 vs 增量更新

• 全量快照：每次事件包含完整的买卖盘口数据，数据冗余但处理简单，适合回测场景。
• 增量更新：只记录相对于上一次快照的变化（新增、删除、修改），节省存储空间，但需要维护状态机。

3.5 事件模型架构图

下图展示了三种市场数据事件在回测引擎中的流转关系：数据源经过解析器生成事件对象，事件队列统一调度，策略模块通过事件类型订阅消费。

3.6 事件订阅与分发机制

为了实现灵活的策略组合，事件模型需要支持多策略订阅与选择性消费。以下是一个简化的事件分发流程：

1. 注册：策略在初始化时向事件总线注册感兴趣的事件类型（如 subscribe('TICK', handler)）。
2. 分发：事件循环从队列中取出事件，根据 event_type 查找所有已注册的回调函数，依次调用。
3. 过滤：策略可在回调函数内部根据 symbol 字段进一步过滤，只处理自己关注的合约。
4. 性能优化：对于高频 Tick 事件，建议使用 symbol 级别的预过滤，避免不必要的函数调用开销。

class EventBus:
    def __init__(self):
        self.subscribers = {}  # event_type -> [handler1, handler2, ...]

    def subscribe(self, event_type, handler):
        if event_type not in self.subscribers:
            self.subscribers[event_type] = []
        self.subscribers[event_type].append(handler)

    def publish(self, event):
        handlers = self.subscribers.get(event.event_type, [])
        for handler in handlers:
            handler(event)

3.7 数据质量与异常处理

市场数据在采集、传输、存储过程中可能引入各种异常。回测框架必须对数据事件进行严格校验，避免“垃圾进，垃圾出”。

3.8 本章小结