4. 订单簿快照与成交记录的匹配对齐

方向推断的标注数据集，本质上不是“成交表”本身，而是“成交 + 当时的最优报价环境”。同一笔主动买单，如果发生在买一价附近，说明买方愿意付出价差；如果发生在卖一价上方，说明买方更急。要判断这一点，必须把逐笔成交与订单簿快照在时间轴上对齐。本节围绕三个关键动作展开：时间戳对齐、快照频率选择、成交与最优报价的关联方法，最后给出可落地的标注数据集结构。

一、先统一时间语义，再谈对齐

成交记录与订单簿快照通常来自不同数据通道，时间戳含义并不一致。常见有三类：交易所撮合时间（事件发生时刻）、行情推送时间（服务端发出时刻）、本地接收时间（客户端收到时刻）。三者之间存在网络延迟与排队抖动，若混用，会把“成交发生在报价变化之后”误判为“成交发生在报价变化之前”。

工程上应遵循两条原则。第一，同一数据集内只使用一种时间基准，优先采用交易所时间戳；若成交与快照的交易所时间字段都存在，直接使用，不做本地时间补偿。第二，若只有本地接收时间，则必须做单向延迟校正：以快照的交易所时间为锚，估计本地接收相对交易所时间的偏移中位数，再统一平移到交易所时间轴。不要用成交时间去反推快照时间，否则会引入前视偏差。

对齐的判定规则建议写成“快照时间 ≤ 成交时间”的最近一条快照，即后向对齐（as-of join）。含义是：用成交发生前最后一版已知订单簿来解释这笔成交。这样标注出的方向特征在实盘中是可获得的，不会用到未来信息。若成交时间恰好等于某快照时间，需明确约定归属（通常归入该快照），并在全数据集保持一致。

二、快照频率的选择：精度与可得性的权衡

快照频率决定了“报价环境”的分辨率。频率过高，数据量大且大量快照无成交，标注成本上升；频率过低，成交发生时引用的报价可能已经过期，方向特征失真。选择时应结合标的流动性与成交间隔分布。

一个实用的判断方法是统计相邻成交的时间间隔分位数。若某标的成交间隔中位数约为 200 ms，则 100 ms 快照能保证多数成交落在相邻两版快照之间，报价漂移有限；若用 1 s 快照，则一笔成交可能对应已变化数档的报价，关联误差显著。反之，对成交稀疏的标的，1 s 甚至更粗的快照已足够，过密快照只会增加存储与匹配开销。

还需注意快照的深度。方向推断主要依赖买一、卖一及前几档，但价差扩大或一档被瞬时抽空时，需要二档、三档来还原真实最优报价。建议快照至少保留前 5 档，并在数据集中记录快照的档位深度，便于后续按深度分层评估标注质量。

三、成交与最优报价的关联方法

对齐完成后，需要把每笔成交映射到具体的报价关系上。核心是判断成交价与快照中买一价（bid1）、卖一价（ask1）的相对位置。这里先明确方向约定：主动买 = 买方吃掉卖一挂单，成交价 ≥ ask1；主动卖 = 卖方砸向买一挂单，成交价 ≤ bid1。全文与图示均采用这一约定。

关联时按以下顺序判定，可覆盖绝大多数情形：

1. 价格高于 ask1：成交价 > ask1，属于扫单或多档成交，标记为主动买，并记录穿透档数。
2. 价格等于 ask1：标记为主动买；若同时等于 bid1（价差为零的极端情形），需结合成交方向字段或前后成交序列辅助判断。
3. 价格等于 bid1：标记为主动卖。
4. 价格低于 bid1：标记为主动卖，记录穿透档数。
5. 价格落在 bid1 与 ask1 之间：说明快照已过期或存在隐藏流动性，标记为“不确定”，不强行赋值，留待人工复核或按规则剔除。

对于一笔成交对应多个价位的撮合（如一次大单吃掉多档），应按成交明细逐条关联，而不是把整笔大单当作一个点。每条明细都引用同一版快照，但各自比较自己的成交价与当时的 ask1/bid1，从而得到每条明细的方向标签与穿透深度。

四、构建标注数据集的字段与校验

把上述过程固化为一张可复用的标注表，字段应同时保留原始信息与派生标签，便于回溯与误差分析。下面给出一个示例结构（字段为示例设计，数值为合理假设，非实测结果）：

trade_id | trade_ts | price | size | snap_ts | bid1 | ask1 | bid1_sz | ask1_sz
T1       | 160       | 10.05 | 300  | 100     | 10.03| 10.05| 800     | 500
T2       | 255       | 10.02 | 200  | 200     | 10.02| 10.04| 600     | 700

派生字段：
side_label   = buy / sell / uncertain
penetration  = 成交价相对 ask1(或 bid1) 的档位差
spread       = ask1 - bid1
snap_age     = trade_ts - snap_ts   （快照陈旧度）

其中 snap_age 是质量校验的关键指标。若某笔成交的 snap_age 接近或超过快照周期，说明它引用的报价可能已失效，应标记为低置信样本。实践中可设定阈值，例如快照周期为 100 ms 时，snap_age > 80 ms 的样本进入复核队列，而不是直接进入训练集。

五、常见对齐陷阱

第一，时区与单位不统一：一侧是毫秒时间戳，另一侧是秒级浮点，直接比较会整体错位。入库前统一转换为整数毫秒。第二，快照乱序到达：按接收顺序存储的快照可能时间倒挂，匹配前必须按交易所时间排序。第三，成交聚合：部分数据源把同一毫秒的多笔成交合并为一条，导致价格与数量失真，应优先使用逐笔明细。第四，零成交区间：长时间无成交时快照仍在更新，as-of join 会引用很久以前的快照，需用 snap_age 截断。

完成对齐与关联后，数据集才具备方向推断的基础。此时每条样本都携带“成交价、当时买一卖一、价差、穿透深度、快照陈旧度”这组可解释特征，后续无论是规则标注还是模型学习，都能在同一时间语义下被一致地评估。