2. 盘口数据基础与预处理实战

盘口异常行为识别的前提，是先把原始行情数据变成“可信、对齐、可计算”的订单簿序列。Level-1 与 Level-2 行情在字段粒度、更新频率和语义上差异明显，若直接混用或跳过清洗，后续的挂撤单异常、虚假封单、扫单识别都会建立在错误基础上。本节围绕字段解析、清洗对齐、重采样、订单簿重建与质量检查五个环节，给出可落地的处理思路与示例参数。

一、Level-1 与 Level-2 字段解析

Level-1 通常只提供最优一档买卖价与量、最新价、成交量、成交额等快照字段，更新频率多为 3 秒一次；Level-2 则提供十档甚至逐笔委托与逐笔成交，包含委托序号、买卖方向、价格、数量、撤单标识等。解析时最关键的是明确每个字段的时间语义：交易所时间戳表示撮合事件发生时刻，本地接收时间表示策略收到数据的时刻，两者之差即链路延迟。异常识别中判断“瞬时撤单”必须用交易所时间，而评估策略可执行性则要看本地时间。

以常见的逐笔委托字段为例，一条记录至少应解析出：证券代码、交易所时间（精确到毫秒或微秒）、委托序号、买卖方向（B/S）、价格、数量、订单类型（限价/市价/本方最优等）。逐笔成交则需解析成交序号、买卖双方委托序号、成交价与成交量。示例参数：某标的逐笔委托单日约 8 万条，逐笔成交约 6 万条，十档快照约 4800 条（按 3 秒一档计）。解析阶段应统一价格单位为元、数量单位为股，并保留原始字符串以便回溯。

二、数据清洗与对齐

原始数据常见问题包括：重复推送（同一委托序号出现多次）、乱序到达（后发先至）、字段缺失（价格为 0 或空）、跨市场代码混入。清洗规则建议按以下顺序执行：先按（代码，委托序号）去重并保留交易所时间最早的一条；再按交易所时间稳定排序，时间相同则按委托序号升序；随后剔除价格为 0、数量为 0 或方向非法的记录；最后校验代码属于目标股票池。

对齐的核心是把逐笔事件与快照、成交数据放到同一时间轴上。推荐以交易所时间为基准，采用“事件时间对齐”而非“接收时间对齐”。对于逐笔委托与逐笔成交，可用委托序号建立关联：成交记录中的买方/卖方委托序号应能在委托表中找到对应记录，找不到则标记为“孤儿成交”，这类记录往往来自集合竞价或数据缺失，需单独统计比例。示例判断：若某日孤儿成交占比超过 0.5%，应检查数据源完整性而非直接进入建模。

三、时间序列重采样

逐笔事件是稀疏且不等间隔的，而多数异常指标（如单位时间撤单率、挂单量变化率）需要固定时间栅格。重采样时建议以交易所时间划分左闭右开的桶，例如 1 秒桶 [t, t+1)。对快照类字段取桶内最后一条记录；对成交量、成交笔数取桶内差分或计数；对委托与撤单取桶内事件计数。空桶处理要谨慎：短暂无事件可前向填充快照，但必须新增“是否填充”标记列，避免把填充值当作真实观测。

示例：以 3 秒桶统计某标的，若某桶内撤单事件为 12 笔、委托事件为 40 笔，则撤单率 30%；若该桶为前向填充且无真实事件，撤单率应记为缺失而非 0。这个区分直接影响后续“异常撤单”判定的分母。

四、订单簿重建方法

订单簿重建的常用做法是“快照建簿 + 事件增量维护”。先用一条十档快照初始化买卖档位；随后按交易所时间顺序回放逐笔委托与成交：新委托按价格插入对应档位并累加数量；撤单按委托序号找到原记录并从对应档位扣减；成交则同时扣减买卖双方对应委托的数量。每处理完一个事件，可将重建簿的最优价与下一时刻真实快照比对，价差超过 1 个最小变动价位即视为重建偏差，需定位是漏单还是乱序导致。

实操中要注意：部分市场逐笔委托不披露全部撤单明细，此时只能依赖快照差分近似；集合竞价阶段的委托与连续竞价语义不同，应分段重建。示例参数：以某标的 09:30–11:30 时段回放，若重建簿与快照的最优价一致率低于 99%，优先检查委托序号是否连续、是否存在跨日残留订单。

五、质量检查与异常值初步处理

进入异常识别前，至少完成以下检查并形成日报：孤儿成交率、重建簿与快照价差分布、空桶比例、价格跳变次数（相邻快照价差超过 5 个最小变动价位）、数量负值或超大盘记录的条数、时间戳倒流条数。对超阈值时段采取隔离或回退重放，而不是用插值“修补”后继续使用。异常值初步处理的原则是先标记、后隔离、再决定是否剔除，保留原始记录与处理标记，确保后续复盘可追溯。只有通过质量门槛的数据，才适合送入盘口异常行为分类模型。