4. 逐笔特征构造实践

逐笔数据是微观结构研究中最细粒度的信息源，它记录的不只是“成交了多少”，还包括“谁在什么时候以什么价格挂出、撤掉、成交”。本节要做的，是把这些原始事件转换成可跨股票比较的数值特征。核心思路是：先按事件类型分流，再在固定时间窗口内聚合，最后做量纲归一化。下面围绕价差、深度、订单流不平衡、大单占比四类常用特征展开，并给出可直接落地的构造方式。

一、事件分流：成交与委托是两条不同的流

逐笔数据通常包含两类记录：成交记录（trade）与委托记录（order）。成交记录字段一般有成交时间、成交价、成交量、买卖方向标识；委托记录则有委托时间、委托价、委托量、方向（买/卖）、以及撤单事件。构造特征前必须先明确两件事：一是时间戳精度（毫秒还是微秒），二是方向标识的约定。本文统一约定：买方主动成交记为 +1，卖方主动成交记为 −1，撤单量按原委托方向计入对应一侧的减少量。这个符号约定在后续所有特征中保持一致，切换时必须显式说明。

一个常见的工程细节是：委托记录中的“新增”和“撤单”往往混在同一张表里，需要用事件类型字段区分。若原始数据只有快照而没有逐笔委托，则深度类特征只能退化为快照差分，精度会下降，这一点在迁移检验时要特别标注。

二、价差特征：从绝对价差到相对价差

价差刻画的是最优买价与最优卖价之间的空隙。最直接的定义是绝对价差：

spread_abs = best_ask - best_bid

但绝对价差在不同价位的股票之间不可比，10 元股票和 100 元股票的 0.01 元价差含义完全不同。因此实践中更常用相对价差：

spread_rel = (best_ask - best_bid) / mid_price
mid_price  = (best_ask + best_bid) / 2

在逐笔层面，最优买卖价不是静态的，而是随每笔委托和撤单动态更新。实现上维护两个有序价格队列（买侧降序、卖侧升序），每来一条委托事件就插入或删除，然后取队首。若某侧队列为空（例如涨停时卖侧无挂单），相对价差会失真，此时应标记为缺失而不是填零，否则会把“无流动性”误读成“零价差”。

三、深度特征：不止看一档

深度衡量的是在当前最优价附近可成交的量。常用做法是统计前 N 档的累计挂单量，N 取 1、5、10 均可，但必须在全样本内固定，否则跨股票不可比。以 5 档为例：

depth_bid_5 = sum(bid_volume[1..5])
depth_ask_5 = sum(ask_volume[1..5])
depth_imb  = (depth_bid_5 - depth_ask_5) / (depth_bid_5 + depth_ask_5)

其中 depth_imb 是深度不平衡，取值在 [−1, 1] 之间，正值表示买侧更厚。深度特征对撤单非常敏感：一笔大额撤单可能在毫秒内让 depth_bid_5 骤降，因此建议在窗口内取时间加权平均，而不是简单取窗口末值，以降低单点噪声。

四、订单流不平衡：把方向信息用起来

订单流不平衡（OFI）是逐笔特征中最具信息量的一类，它把“谁主动”转化为数值。最简版本按成交量加权：

OFI = (buy_volume - sell_volume) / (buy_volume + sell_volume)

更精细的版本会区分“新增委托”和“撤单”，因为撤单本身也携带方向信息。一个常用的扩展定义是：对买侧，新增买量记正、撤买量记负；对卖侧，新增卖量记负、撤卖量记正，再在窗口内求和后除以总活动量。这样得到的 OFI 既反映主动成交，也反映挂单意愿的变化。窗口长度建议与后续预测周期对齐，例如预测未来 5 分钟收益就用 5 分钟窗口，避免信息窗口与目标窗口错配。

五、大单占比：用分位数而非固定阈值

“大单”没有绝对标准，10 万股对小盘股是大单，对大盘股可能只是零头。稳妥的做法是按股票自身成交量的历史分位数定义阈值，例如取过去 20 个交易日成交量的 90 分位作为大单门槛：

threshold = quantile(trade_volume_history, 0.90)
large_ratio = sum(volume[volume >= threshold]) / sum(volume)

这样构造出的比例在 [0, 1] 之间，天然可比。需要注意分位数必须用滚动历史计算，不能用全样本，否则会引入未来信息。同理，价差和深度若要做横截面标准化，也应使用滚动窗口的均值和标准差，而不是全样本统计量。

六、特征汇总与迁移前的自检

把上述特征整理成一张宽表，每行是一个时间窗口，每列是一个特征。下表给出一个示例结构（数值为教学假设，非实测）：

迁移检验前应做三项自检：其一，各特征在源股票与目标股票上的分布是否量级相近，若某特征均值差一个数量级，说明归一化方式需要调整；其二，缺失率是否可接受，涨停跌停时段的深度特征缺失应被显式标记；其三，特征与未来收益的符号方向在目标股票上是否保持一致，若符号翻转，往往意味着市场状态或参与者结构发生了变化，需要重新审视特征定义而非直接套用模型。

最后强调一点：逐笔特征的价值不在于数量多，而在于定义清晰、口径一致、可复现。价差、深度、OFI、大单占比这四类特征覆盖了价格、流动性、方向和规模四个维度，已经能支撑多数微观结构研究。真正决定迁移成败的，往往是那些不起眼的细节——时间戳对齐、方向符号、滚动窗口边界，以及缺失值的处理方式。