2. 涨停板撤单率与封单量的联动计算

把“撤单率”和“封单量”放到同一时间轴上

本例要解决的核心问题是：涨停期间撤单率升高，是否真的对应封单量下降？单看某一时刻的撤单率没有意义，必须把两个指标按同一时间窗口对齐，才能看出“撤单率突增 → 封单量骤降”的联动关系。为此需要先明确三个计算口径，否则对齐结果会失真。

• 撤单率 = 窗口内撤单量 ÷ 窗口内委托总量（按股数计，也可按金额计）。分母用“委托总量”而非“当前封单量”，避免封单量本身变化干扰比率。
• 封单量 = 某时刻买一价位（涨停价）上的未成交委托余量，取窗口末的瞬时快照值。
• 时间窗口：本例采用 30 秒等长窗口，窗口边界对齐到整分整秒，便于与逐笔流水的时间戳直接分桶。

下面用一段可运行的 Python 脚本完成分桶、计算与对齐。示例数据为教学构造的涨停期间流水，仅用于演示计算逻辑，不代表任何真实个股。

import pandas as pd

# 教学示例：涨停期间逐笔委托与撤单流水（时间戳、方向、数量、类型）
# type: 'order' 为新增委托，'cancel' 为撤单；price 均为涨停价 10.00
raw = [
    ("09:31:05", "order",  80000), ("09:31:18", "order",  50000),
    ("09:31:40", "cancel", 60000), ("09:31:52", "order",  30000),
    ("09:32:03", "order",  90000), ("09:32:15", "cancel", 120000),
    ("09:32:28", "order",  40000), ("09:32:44", "cancel", 150000),
    ("09:33:02", "order",  20000), ("09:33:20", "cancel", 180000),
    ("09:33:35", "order",  10000), ("09:33:50", "cancel", 160000),
]
df = pd.DataFrame(raw, columns=["ts", "type", "qty"])
df["ts"] = pd.to_datetime("2024-06-03 " + df["ts"])

# 30 秒等长窗口分桶
df["win"] = df["ts"].dt.floor("30s")

# 按窗口聚合：委托量、撤单量
g = df.groupby(["win", "type"])["qty"].sum().unstack(fill_value=0)
g = g.rename(columns={"order": "order_qty", "cancel": "cancel_qty"})
g["cancel_rate"] = (g["cancel_qty"] / g["order_qty"]).round(3)

# 封单量快照：窗口末的累计未撤委托余量（教学简化模型）
g["seal_qty"] = (g["order_qty"] - g["cancel_qty"]).cumsum()
g["seal_drop"] = g["seal_qty"].diff().fillna(0)

print(g[["order_qty", "cancel_qty", "cancel_rate", "seal_qty", "seal_drop"]])

运行后得到的关键对齐结果如下（示例输出，由上述输入直接推出）：

从对齐结果可以读出联动规律：09:31:30 窗口撤单率首次跳升到 2.0，封单量同步减少 3 万；到 09:32:30 撤单率升至 3.75，封单量直接归零；此后撤单率持续放大，封单量转为负值。撤单率突增与封单量骤降在时间上高度同步，且撤单率越极端，封单量下降越剧烈。

对齐时的三个判断要点

1. 先看撤单率是否“突增”：以相邻窗口撤单率环比翻倍或绝对增量超过 1.0 作为突增初筛条件，本例 09:31:30 与 09:32:30 均满足。
2. 再看封单量是否“同步骤降”：突增窗口的封单变化为负且降幅明显（本例 -3 万、-11 万），若撤单率升高但封单量不降，说明撤单被新增委托对冲，风险等级较低。
3. 最后看封单量是否转负：一旦封单量 ≤ 0，说明涨停价买盘已被撤空，属于最高优先级异常，应直接标记开板。

按上述口径，本例可判定 09:32:30 起进入高风险区间，09:33:00 后封单量转负，涨停板实质已打开。计算时务必保证委托与撤单使用同一时间戳基准、同一数量单位，否则撤单率与封单量的对齐会整体错位。