4. Tick级别成交量特征：累计成交量、VWAP、成交量分布与大单识别

Tick级别的成交量是高频交易中最原始、最核心的数据维度之一。与分钟或日线级别的成交量不同，Tick成交量直接反映了每一笔撮合交易的资金博弈痕迹。本章将系统讲解如何从Tick数据中提取四类关键成交量特征：累计成交量、成交量加权平均价格（VWAP）、成交量分布（Volume Profile）以及大单识别。

4.1 累计成交量（Cumulative Volume）

累计成交量是最基础的成交量特征，它通过对指定时间窗口内的Tick成交量进行累加，反映资金流入流出的总量。在实际应用中，累计成交量通常与价格走势结合，形成“量价关系”分析的基础。

常见应用场景：

• 量能突破确认：当价格突破关键价位时，若累计成交量同步放大，则突破有效性更高。
• 量价背离检测：价格创新高但累计成交量递减，预示上涨动能衰竭。
• 分时累计对比：将当日累计成交量与历史同期均值对比，判断当日活跃度。

4.2 成交量加权平均价格（VWAP）

VWAP（Volume Weighted Average Price）是机构交易者最常用的基准价格之一。它通过将价格与成交量加权，反映一段时间内的平均成交成本。在Tick级别，VWAP可以实时更新，为算法交易提供动态锚点。

Tick级别VWAP计算公式：

VWAP(t) = Σ(Price(i) × Vol(i)) / Σ Vol(i) , i = 1 to t

其中：
- Price(i) = 第i笔Tick的成交价格
- Vol(i)  = 第i笔Tick的成交量
- t       = 当前Tick序号（从当日开盘算起）

VWAP的三种典型用法：

1. 执行成本评估：将实际成交价格与VWAP对比，衡量交易执行质量（Slippage）。
2. 动态支撑/阻力：价格在VWAP上方运行时偏强，下方运行时偏弱，VWAP本身常成为日内多空分水岭。
3. VWAP偏离策略：当价格大幅偏离VWAP（如超过2个标准差）时，存在均值回归交易机会。

4.3 成交量分布（Volume Profile）

成交量分布（Volume Profile）将成交量按价格水平进行分配，揭示在特定价格区间内成交的密集程度。与传统的“时间-成交量”视角不同，Volume Profile提供的是“价格-成交量”视角，能够清晰识别市场中的价值区域（VA）和控制点（POC）。

核心概念：

构建Volume Profile的步骤：

1. 价格分桶：将价格区间划分为等宽的“价格桶”（如每0.01元或每1个tick size为一个桶）。
2. 成交量累加：将每笔Tick的成交量累加到对应的价格桶中。
3. 计算POC：找出累计成交量最大的价格桶。
4. 计算VA：从POC向两侧扩展，直到累计成交量达到总成交量的70%。
5. 识别LVN：标记成交量显著低于相邻桶的价格水平（通常使用Z-score或百分位法）。

import numpy as np

def compute_volume_profile(tick_prices, tick_volumes, num_bins=100):
    # 1. 确定价格范围
    price_min, price_max = tick_prices.min(), tick_prices.max()
    bins = np.linspace(price_min, price_max, num_bins + 1)
    
    # 2. 价格分桶并累加成交量
    volume_profile = np.zeros(num_bins)
    for price, vol in zip(tick_prices, tick_volumes):
        idx = np.digitize(price, bins) - 1
        idx = min(idx, num_bins - 1)
        volume_profile[idx] += vol
    
    # 3. 找到POC
    poc_idx = np.argmax(volume_profile)
    poc_price = (bins[poc_idx] + bins[poc_idx + 1]) / 2
    
    # 4. 计算价值区域（70%）
    total_vol = volume_profile.sum()
    target_vol = total_vol * 0.7
    cum_vol = volume_profile[poc_idx]
    left, right = poc_idx, poc_idx
    
    while cum_vol < target_vol:
        if left > 0 and (right >= num_bins - 1 or 
                         volume_profile[left - 1] >= volume_profile[right + 1]):
            left -= 1
            cum_vol += volume_profile[left]
        elif right < num_bins - 1:
            right += 1
            cum_vol += volume_profile[right]
        else:
            break
    
    vah = (bins[right] + bins[right + 1]) / 2
    val = (bins[left] + bins[left + 1]) / 2
    
    return {
        'poc': poc_price,
        'vah': vah,
        'val': val,
        'profile': volume_profile,
        'bins': bins
    }

4.4 大单识别（Large Order Detection）

大单识别旨在从Tick数据流中快速筛选出可能由机构或大户发起的、具有市场影响力的订单。大单通常伴随着显著的资金冲击成本，是高频交易策略中重要的“信号源”。

大单识别的核心维度：

• 成交量阈值法：单笔Tick成交量超过某个固定阈值（如500手）或动态阈值（如过去N笔均值的3倍）。
• 资金金额法：单笔成交金额超过设定值（如100万元），适用于不同价格水平的股票。
• 时间切片法：在极短时间窗口（如100ms）内，累计成交量超过阈值，识别“拆分大单”。
• 价格冲击法：单笔Tick导致价格变动超过N个tick size，且成交量异常，识别“激进大单”。

4.5 特征组合与实战案例

将上述四个维度的成交量特征进行组合，可以构建出强大的高频交易信号。以下是一个典型的日内交易案例：

策略逻辑：
1. 每5分钟重新计算一次Volume Profile，获取当前VAH和VAL。
2. 实时计算Tick级别的VWAP。
3. 当价格突破VAH且VWAP仍在VAH下方时，识别为“假突破”，做空。
4. 当价格跌破VAL且VWAP仍在VAL上方时，识别为“假跌破”，做多。
5. 止盈目标：回归至VWAP；止损：突破VAH/VAL后继续运行0.5%。

特征组合：
- Volume Profile → 确定价值区间边界
- VWAP → 确定动态均衡点
- 累计成交量 → 确认突破时的量能配合
- 大单识别 → 过滤散户噪音，关注机构行为

特征工程总结：

• 累计成交量提供量能背景，是其他特征的基础。
• VWAP提供动态成本基准，适合执行分析和均值回归策略。
• Volume Profile提供价格-成交量结构，识别关键支撑阻力位。
• 大单识别提供资金行为信号，捕捉机构动向。