1. Tick 数据基础

1.1 Tick 数据的定义

Tick 数据是金融市场中最原始、最细粒度的交易数据记录。每一笔 Tick 代表交易所撮合系统在某一时刻生成的一条成交或报价快照。在 A 股市场，Tick 数据通常包含以下字段：

1.2 Tick 数据与分钟数据的区别

分钟数据是对 Tick 数据按固定时间窗口（如 1 分钟、5 分钟）进行聚合后的结果。两者在信息密度、延迟敏感度和回测精度上存在本质差异：

1.3 Tick 数据在量化回测中的重要性

为什么专业量化团队越来越依赖 Tick 数据而非分钟数据？以下三个核心原因决定了 Tick 数据在高频交易和精细回测中的不可替代性：

1. 滑点模拟更真实——Tick 数据包含盘口深度（买一~买五、卖一~卖五），可以精确计算市价单的预期成交价格和冲击成本，避免分钟回测中"以收盘价成交"的理想化偏差。
2. 信号延迟可量化——Tick 级时间戳允许你测量从信号产生到订单送达交易所之间的真实延迟，从而评估策略对延迟的敏感度。
3. 微观结构因子挖掘——订单簿不平衡、Tick 级动量、买卖压力比等高频因子，只有基于 Tick 数据才能构建，这些因子在分钟数据上完全不可见。

1.4 Tick 数据与分钟数据的结构对比

下面的 SVG 图直观展示了 Tick 数据与分钟数据在信息维度上的差异：

1.5 Tick 数据在回测流程中的位置

在完整的 Tick 级回测流程中，Tick 数据处于最底层输入的位置，向上逐层构建信号、订单和绩效：

1.6 读取 Tick 数据的 Python 示例

以下代码展示了如何用 Python 读取并解析 CSV 格式的 Tick 数据：

import pandas as pd

# 读取 Tick 数据（CSV 格式）
tick_df = pd.read_csv(
    'sh600519_20250321_tick.csv',
    dtype={
        'time': str,
        'price': float,
        'volume': int,
        'turnover': float,
        'direction': str
    }
)

# 将时间戳列转为 datetime 类型
tick_df['time'] = pd.to_datetime(tick_df['time'])

# 查看前 5 条 Tick
print(tick_df.head())

# 统计当日 Tick 总数
print(f"当日 Tick 总数: {len(tick_df)}")

# 计算 Tick 级收益率（对数收益率）
tick_df['log_return'] = np.log(
    tick_df['price'] / tick_df['price'].shift(1)
)