📚 课程目录第2章高频行情数据基础

2. 高频行情数据基础：Tick级数据、Level2行情、快照与逐笔成交的区别

高频行情是坏账率哨兵系统的“燃料”。如果对行情数据的颗粒度、生成机制和更新频率理解有偏差，后续的坏账计算、延迟归因和风控阈值设定都会出现系统性错误。本章从数据架构视角，厘清Tick级数据、Level2行情、快照与逐笔成交四个核心概念，并给出它们在哨兵系统中的典型用途。

2.1 核心概念定义与对比

概念	数据粒度	更新方式	典型字段	哨兵系统用途
Tick级数据	逐笔成交	事件驱动，每笔成交即推送	成交价、成交量、成交编号、买卖方向	坏账事件精确时间戳、最小粒度回测
Level2行情	逐笔委托 + 十档盘口	委托变动即推送（通常3~100ms）	十档买卖价量、逐笔委托明细、大单标识	盘口深度分析、流动性枯竭预警
快照	某一时刻的全市场状态	定时（通常1s或3s）或事件触发	最新价、涨跌幅、成交量、持仓量	状态基准、坏账率分母计算
逐笔成交	单笔撮合结果	撮合完成即推送	成交时间、价格、数量、买方/卖方订单号	坏账事件精确归因、滑点计算

关键认知： Tick级数据与逐笔成交在多数交易所语境下等价，但部分市场将Tick定义为“最小价格变动单位”，而非“单笔成交”。本课程中Tick级数据特指逐笔成交数据流。

2.2 数据流架构与延迟分层

哨兵系统需要同时接入上述四种数据，并在内存中维护一个“实时状态树”。下图展示了高频行情数据从交易所到哨兵引擎的典型分层架构：

架构建议： 在哨兵系统中，Tick和逐笔成交通常共享同一数据管道，但消费逻辑不同。Tick消费者侧重“成交事件计数”，逐笔成交消费者侧重“订单级归因”。建议在数据总线层使用两个独立的Topic/Partition，避免相互阻塞。

2.3 快照 vs 逐笔成交：坏账计算的关键差异

坏账率哨兵的核心计算逻辑依赖“成交价格偏离理论价格的程度”。快照和逐笔成交在此场景下的差异直接影响计算精度：

快照方式： 每1秒或3秒取一次最新价。坏账判定基于“快照价格 vs 基准价格”。
缺点： 快照间隔内可能发生多笔极端成交，但被平均化或丢失，导致坏账漏报。
逐笔成交方式： 每一笔成交都触发价格检查。坏账判定基于“单笔成交价 vs 实时盘口中价”。
优点： 无遗漏，可精确到微秒级归因；代价： 数据量是快照的100~1000倍，对计算引擎压力大。

避坑： 不要将快照数据用于逐笔坏账回测。快照的“最新价”可能滞后于实际成交，导致坏账事件的时间戳偏差超过秒级，在高速交易场景下完全不可用。必须使用逐笔成交数据做坏账事件的时间基准。

2.4 Level2行情在哨兵中的特殊价值

Level2行情不仅提供十档盘口，还包含逐笔委托明细。在坏账率哨兵中，Level2数据用于以下三个核心场景：

流动性枯竭预警： 当买一至买五的总深度低于阈值时，即使成交价未明显偏离，也可能因流动性不足导致后续坏账。
大单拆分识别： 通过逐笔委托的订单编号关联，识别是否为大单拆分后的“钓鱼单”，辅助区分恶意坏账与市场波动。
盘口滑点估算： 在坏账事件发生时，用Level2盘口数据估算“如果立即反向平仓，实际滑点成本”，作为坏账严重程度的辅助指标。

2.5 数据接入代码示例：Tick与快照的并行消费

以下Python代码展示如何使用异步方式同时消费Tick流和快照流，并在内存中维护一个“最新快照+最近100笔Tick”的窗口，供坏账计算使用：

import asyncio
from collections import deque

class HighFreqDataConsumer:
    def __init__(self, tick_topic: str, snapshot_topic: str):
        self.tick_queue = deque(maxlen=100)  # 保留最近100笔Tick
        self.latest_snapshot = {}
        self.tick_topic = tick_topic
        self.snapshot_topic = snapshot_topic

    async def consume_tick(self, tick_data: dict):
        """处理逐笔成交数据"""
        tick = {
            'price': tick_data['price'],
            'volume': tick_data['volume'],
            'timestamp': tick_data['timestamp'],
            'side': tick_data['side']
        }
        self.tick_queue.append(tick)
        # 触发坏账检查
        await self.check_bad_trade(tick)

    async def consume_snapshot(self, snapshot: dict):
        """处理快照数据，更新基准状态"""
        self.latest_snapshot = {
            'last_price': snapshot['last_price'],
            'bid1': snapshot['bid1'],
            'ask1': snapshot['ask1'],
            'timestamp': snapshot['timestamp']
        }

    async def check_bad_trade(self, tick: dict):
        """基于最新快照和Tick判断是否坏账"""
        if not self.latest_snapshot:
            return
        mid_price = (self.latest_snapshot['bid1'] + self.latest_snapshot['ask1']) / 2
        deviation = abs(tick['price'] - mid_price) / mid_price
        if deviation > 0.01:  # 偏离超过1%视为坏账
            print(f"⚠ 坏账事件: 价格={tick['price']}, 中价={mid_price:.2f}, 偏离={deviation:.4f}")

# 使用示例（伪代码）
# consumer = HighFreqDataConsumer('tick_topic', 'snapshot_topic')
# asyncio.run(consumer.start())

工程要点： 上述代码中deque(maxlen=100)用于限制内存占用。在生产环境中，Tick队列长度应根据哨兵系统的延迟容忍度动态调整。如果坏账检查需要回溯更多历史Tick，建议使用环形缓冲区（Ring Buffer）替代deque，以获得更稳定的内存分配性能。

2.6 四种数据在哨兵系统中的协同关系

下图展示四种数据在坏账率哨兵引擎中的协同工作流：

2.7 本章小结

Tick级数据 = 逐笔成交，是坏账事件的最小粒度证据。
Level2行情 提供盘口深度和委托明细，用于流动性分析和滑点估算。
快照提供周期性状态基准，适合做坏账率分母计算，但不适合事件归因。
逐笔成交 是坏账哨兵的核心输入，必须保证其时间戳精度和顺序完整性。
四种数据在哨兵引擎中协同工作，任何一路的延迟或丢失都需触发降级策略。