3. 流动性度量指标计算与分时段对比

上一节我们确认了盘口流动性在一天之内并非恒定，而是随开盘、午间、尾盘呈现明显的节律变化。但“感觉开盘流动性差、尾盘流动性好”只是定性判断，要真正用于策略过滤、执行成本估算和风控阈值设定，必须把流动性转化为可计算、可比较的数值。本节的核心任务，就是围绕买卖价差、有效价差、Amihud非流动性、订单簿深度与斜率这五类指标，完成从原始逐笔/快照数据到分时段统计结果的完整计算链路，并说明如何解读各时段之间的差异。

一、五类指标的定义与计算口径

在动手写代码之前，必须先固定每个指标的计算口径，否则不同时段、不同标的之间的数值无法横向比较。以下约定均以“买一价低于卖一价、价差为正”为参照，所有价格使用同一复权口径。

买卖价差（Quoted Spread）衡量盘口最优报价之间的绝对与相对宽度。绝对价差为 ask1 - bid1，相对价差为 (ask1 - bid1) / mid，其中 mid = (ask1 + bid1) / 2。相对价差消除了股价量级差异，是跨标的对比的首选。若某快照买一或卖一缺失（涨跌停封板），该样本应标记为无效而非按零处理。

有效价差（Effective Spread）从成交侧度量实际支付的交易成本，公式为 2 × |P_trade - mid_t|，其中 mid_t 取成交前最近一笔快照的中价。乘 2 是为了与报价价差在同一量纲上对比：若成交恰好打在卖一价，有效价差约等于报价价差；若成交在盘口中部甚至更优价位，有效价差会小于报价价差。成交方向可用成交价与中价比较判定，P_trade > mid 记为买方发起。

Amihud非流动性刻画“单位成交额推动价格变动的幅度”，公式为 |R_t| / Amount_t，其中 R_t 为区间收益率，Amount_t 为区间成交额。数值越大表示流动性越差。由于单笔比值噪声极大，实务中按时间桶（如 1 分钟或 5 分钟）先聚合再取均值，并对成交额过小的桶设下限过滤，避免除零放大。

订单簿深度衡量价格承受冲击的能力，常用口径为买侧与卖侧前 N 档（如 5 档或 10 档）挂单量之和，或进一步折算为金额。为便于跨时段比较，通常同时记录买侧深度、卖侧深度及其不对称度 (BidDepth - AskDepth) / (BidDepth + AskDepth)。

订单簿斜率反映挂单随价格偏离中价的衰减速度。一种可操作的定义是：对前 N 档的“累计挂单量”与“相对中价的价距”做线性回归，取斜率绝对值；斜率越陡，说明挂单越集中在中价附近，单位价距可吸收的量越小，流动性越脆弱。也可用简化式 Depth_N / (P_N - mid) 作为近似。

二、分时段统计的实现流程

指标算完后，需要按交易时段分组。A股连续竞价可划分为：开盘冲击段（09:30–10:00）、上午稳定段（10:00–11:30）、午后重启段（13:00–13:30）、下午稳定段（13:30–14:30）、尾盘段（14:30–15:00）。集合竞价时段单独标记，不混入连续竞价统计。

实现上建议采用“先逐快照/逐笔计算，再按时间桶聚合，最后按时段汇总”的三层结构。下面给出一个可直接改造的 Python 骨架，使用 pandas 完成分组：

import pandas as pd, numpy as np

def session_label(ts):
    t = ts.time()
    if t < pd.Timestamp("09:30").time(): return "集合竞价"
    if t < pd.Timestamp("10:00").time(): return "开盘冲击"
    if t < pd.Timestamp("11:30").time(): return "上午稳定"
    if t < pd.Timestamp("13:30").time(): return "午后重启"
    if t < pd.Timestamp("14:30").time(): return "下午稳定"
    return "尾盘"

# snap: 含 timestamp, bid1, ask1, bid_depth5, ask_depth5
snap["mid"] = (snap.bid1 + snap.ask1) / 2
snap["rel_spread"] = (snap.ask1 - snap.bid1) / snap.mid
snap["depth"] = snap.bid_depth5 + snap.ask_depth5
snap["slope"] = snap.depth / ((snap.ask1 - snap.mid).clip(lower=1e-6))
snap["session"] = snap.timestamp.map(session_label)

# trade: 含 timestamp, price, amount
trade["mid_t"] = trade.timestamp.map(
    lambda x: snap.loc[snap.timestamp <= x, "mid"].iloc[-1])
trade["eff_spread"] = 2 * (trade.price - trade.mid_t).abs() / trade.mid_t
trade["session"] = trade.timestamp.map(session_label)

summary = snap.groupby("session").agg(
    rel_spread=("rel_spread", "mean"),
    depth=("depth", "mean"),
    slope=("slope", "mean"))
summary["eff_spread"] = trade.groupby("session")["eff_spread"].mean()

Amihud 指标需先按 1 分钟桶聚合收益率与成交额，再按时段取均值。注意所有均值都应同时输出中位数与样本数，因为开盘段样本少且分布偏斜，单看均值容易被极端值带偏。

三、结果解读与差异识别

上图以归一化方式呈现了典型形态：开盘冲击段的相对价差与有效价差同时处于高位，深度最低、斜率最陡，说明此时盘口既宽又薄，单位价距可吸收的挂单量少，大单冲击成本最高；上午稳定段价差回落、深度抬升，斜率变缓，流动性明显改善；午后重启段出现一次小幅反弹，价差与斜率再度走阔，但幅度弱于开盘；下午稳定段各项指标趋于平稳，是全天流动性较优的窗口；尾盘段价差略有回升而深度仍维持较高水平，斜率继续变缓，呈现“价差略宽但承接力强”的特征。

解读时要注意三点。第一，价差类指标与深度类指标方向相反：价差越小、深度越大、斜率越缓，流动性越好，因此不能把四条曲线简单相加成一个“流动性分数”而不加说明。第二，有效价差与相对价差的差距本身包含信息：若某时段有效价差显著低于报价价差，说明成交大量发生在盘口中部，隐藏流动性较好；若两者接近，说明成交主要吃盘口，成本更接近报价。第三，Amihud 指标应与价差指标交叉验证，若某时段价差正常但 Amihud 异常偏高，往往意味着成交额萎缩导致单位冲击放大，属于“表面平静、实际脆弱”的状态。

四、从指标到可用结论

完成分时段对比后，应形成可执行的判断，而不是停留在“开盘差、尾盘好”的描述。例如：将开盘冲击段的相对价差中位数作为执行算法的“宽价差保护阈值”，超过该值则拆单放缓；将午后重启段的斜率作为挂单集中度的监控指标，斜率突然变陡时提示盘口变薄；将 Amihud 的分时段均值作为大单冲击成本的预估系数，用于事前成本估算。指标的价值在于被嵌入决策，而非仅用于展示。

最后提醒口径一致性：所有时段必须使用同一复权方式、同一档位数量、同一时间桶长度；集合竞价与连续竞价分开统计；涨跌停封板快照单独标记。只有口径统一，分时段差异才反映真实的流动性节律，而不是计算方式变化带来的假象。