4. 成交概率测算的数据需求与获取

买一卖一挂单成交概率测算，本质上是在回答一个问题：我挂在买一或卖一的这笔单，在多长时间内、以多大概率能成交？要回答它，光有K线或分钟收盘价远远不够，因为成交概率取决于盘口的排队结构、对手方的主动成交节奏，以及订单在队列中的位置变化。这些信息只能从逐笔委托、逐笔成交和快照行情三类数据中还原。本节先讲清需要什么数据、字段怎么定义，再讲数据源怎么选、脏数据怎么洗。

一、三类核心数据及其分工

三类数据不是互相替代，而是各管一段。逐笔委托（order）记录每一笔委托的进入、撤单与交易所撮合前的状态，是还原“队列里排了多少量、排在我前面的是谁”的唯一依据；逐笔成交（trade）记录每一次撮合成交的价格、数量与买卖方向，是判断“对手方主动打单有多猛”的直接证据；快照行情（snapshot）按固定频率（A股常见3秒一笔，部分Level-2为逐笔重建的十档快照）给出盘口十档价格与挂量、最新价、累计成交量等，是校准队列位置和计算时间窗口的基准。

三者的关系可以这样理解：快照给出某一时刻的“静态切片”，逐笔委托与逐笔成交给出切片之间的“动态增量”。只有把增量叠加到切片上，才能得到任意时刻买一队列的真实构成。下图展示了从原始数据到成交概率测算所需中间量的数据流关系。

二、字段定义与频率要求

字段定义直接决定测算能否落地。逐笔委托至少需要：委托时间（精确到毫秒）、委托序号（交易所撮合序号，用于排队）、买卖方向、委托价格、委托数量、撤单标记。其中委托序号是重建队列的关键——同一价位上，序号越小越靠前，你的挂单排在哪个位置，决定了前面还有多少量需要被吃掉。逐笔成交至少需要：成交时间、成交价格、成交数量、主动方方向（主动买/主动卖）。主动卖方向决定了买一队列被消耗的速度，是概率测算的核心输入。快照行情至少需要：快照时间、买一至卖十的价格与挂量、最新价、当日累计成交量。

频率方面，逐笔委托与逐笔成交是事件驱动、不等间隔的，A股Level-2逐笔数据在活跃时段每秒可达数百至数千条；快照是固定频率，常见3秒一笔。测算时不能把两类频率混用：队列重建必须用逐笔事件驱动，而概率的时间窗口（如“30秒内成交概率”）需要以快照时间轴为基准做对齐。实操中建议统一转换为毫秒时间戳，并以快照时刻为锚点，把两次快照之间的逐笔事件全部归入该区间。

三、常见数据源的优缺点

选择数据源时，优先确认三件事：是否含委托序号、成交方向标记是否可靠、快照与逐笔的时间戳是否同源。若三者不一致，后续队列重建会出现系统性偏差，概率结果再好也不可信。

四、清洗要点与实操示例

清洗不是简单去重，而是保证“队列可重建、方向可判断、时间可对齐”。以下是一段可参考的清洗检查逻辑（示例参数，非实测结果）：

# 伪代码：逐笔委托与成交的基础清洗
1. 时间戳统一：全部转为毫秒，剔除时间戳为0或超出交易时段的记录
2. 委托序号校验：同一价位内序号必须严格递增，重复序号保留首条
3. 撤单配对：撤单记录需能匹配到同序号的原委托，匹配不上的标记为异常
4. 成交方向校验：主动买成交量应等于卖一队列被消耗量（允许微小误差）
5. 快照对齐：两次快照之间的逐笔事件归入区间，缺失快照段标记为不可用
6. 涨跌停处理：涨跌停价位挂单队列特殊，单独标记，不参与常规概率统计

举个教学示例：假设某股票买一价为10.00元，当前买一挂量5000手，你的委托排在序号第800位、挂量200手。通过逐笔成交统计过去5分钟主动卖向该价位的成交量为每分钟300手，则粗略估算队列前方约（800-200）=600手需要先被消耗，按每分钟300手计算约需2分钟。这个估算就是成交概率测算的雏形——实际测算中还要考虑撤单导致的队列前移、主动卖强度的时变性和快照间隔内的分布，但数据需求与清洗逻辑是一致的。

最后提醒一点：不同数据源对“主动买/主动卖”的标记口径可能不同，有的按成交价与买卖价关系推断，有的直接由交易所给出。测算前务必用一小段样本做交叉验证，确认方向标记与快照盘口变化一致，否则成交概率会被系统性高估或低估。