1. 课程导入与数据对象界定

逐笔盘口回放数据集，是把一个交易日内交易所发布的逐笔行情，按时间顺序重新组织成“可回放、可校验、可复现”的结构化数据集合。它和普通的日线、分钟线数据最大的区别在于：回放数据集必须让使用者能够从开盘第一笔开始，逐条重演订单簿的每一次变化，并在任意时刻还原出与当时市场一致的盘口状态。因此，理解这个数据集，首先要明确它由哪几类数据构成，以及它们在回放中各自承担什么角色。

三类核心数据对象

逐笔委托记录的是每一笔新进入撮合系统的委托指令，典型字段包括委托序号、通道号、证券代码、委托时间、委托价格、委托数量、买卖方向以及委托类型（限价、市价、本方最优等）。它是订单簿变化的“源头事件”：一笔限价买单进入，意味着买侧在对应价位上增加了一个待成交队列。

逐笔成交记录的是撮合引擎实际达成的每一笔交易，典型字段包括成交序号、成交时间、成交价格、成交数量、买卖双方委托序号以及成交类型（成交、撤单等）。它回答的是“哪些委托在什么价位、以什么顺序被消耗掉了”。在回放中，成交是订单簿减少队列的直接依据。

订单簿快照则是按固定频率（例如每 3 秒或每 500 毫秒）对当前订单簿买卖两侧若干档位做的切片记录，包含档位价格、数量以及快照时间。它不描述变化过程，而是提供一个“基准状态”，用于校准逐笔重放的结果是否正确。

回放场景下的数据完整性要求

回放数据集与“能看就行”的行情数据不同，它对完整性有硬性要求，核心可以归纳为三条。

第一，序号连续且可排序。逐笔委托和逐笔成交都带有交易所层面的序号，回放时必须保证同一证券的序号单调递增、无跳号。一旦出现跳号，说明中间有事件丢失，订单簿推演会在该点之后整体偏移。实际整理时，通常先按证券代码分组，再按序号排序，检查相邻序号差值是否恒为 1。

第二，时间戳口径统一。委托时间、成交时间、快照时间可能来自不同字段，精度也可能不同（毫秒或微秒）。回放前必须统一到同一时间基准，并明确时间戳是“交易所撮合时间”还是“行情发送时间”。若混用，会出现成交早于其对应委托的荒谬顺序。

第三，快照与逐笔可对齐。每个快照时间点，应当能由此前的逐笔事件完整推演出来。整理时要保证快照覆盖的档位数、价格精度与逐笔数据一致，否则比对时会产生大量伪差异。

整理与校验的整体工作流程

整体工作可以分成四个阶段，每个阶段都有明确的输入、动作和判断依据。

阶段一：原始数据归集与格式统一。把逐笔委托、逐笔成交、快照三类原始文件按交易日和证券代码归集，统一字段命名、编码格式和价格数量精度。例如把价格统一为“元”且保留两位小数，数量统一为“股”。这一步的产出是一张字段映射表，记录原始字段到标准字段的对应关系。

阶段二：清洗与排序。剔除重复记录（同一序号出现多次），按证券代码分组后按序号升序排列，检查序号连续性与时间单调性，标记异常区间。对于跳号，不要直接删除，而应记录跳号位置和缺口大小，供后续判断是数据源缺失还是整理错误。

阶段三：回放推演与快照比对。以某个快照为起点，按时间顺序逐条应用委托和成交事件，维护买卖两侧队列；到达下一个快照时间点时，把推演出的订单簿与真实快照逐档比对价格和数量。比对一致则继续，不一致则记录差异档位、差异方向和差异量。

阶段四：差异归因与数据集定版。对差异进行分类：是序号缺失导致的、是时间戳错位导致的、还是快照档位不足导致的。归因清楚后，修正整理逻辑并重新推演，直到差异收敛到可接受范围，输出定版数据集和校验报告。

下面给出一个可直接参考的校验记录表示例，字段按本节实际需要设置：

需要强调的是，校验的目标不是“让所有差异消失”，而是“让每一个差异都有明确解释”。真实行情数据中，撤单、部分成交、市价单转限价等情形都会让推演变复杂，只要差异能被归因到具体事件类型，数据集就是可用的。反之，若差异无法解释，即使数量很少，也说明整理逻辑存在漏洞，不能定版。