2. 逐笔数据流与特征计算对象剖析

逐笔特征增量更新的第一步，不是写计算逻辑，而是把“数据长什么样、按什么顺序到达、特征在哪个窗口上定义”这三件事彻底厘清。逐笔行情本质上是事件流：每一笔成交、每一次委托的挂撤，都是一个带时间戳和序列号的离散事件。特征计算的对象不是某一张快照表，而是这条事件流上按规则切分出的窗口。理解数据结构、对齐机制与窗口定义，才能保证增量更新算出的值与全量重算一致，同时把延迟压在可控范围内。

逐笔成交与逐笔委托的数据结构

以沪深Level-2逐笔数据为例，逐笔成交通常包含：证券代码、成交时间（精确到毫秒或更细）、成交价格、成交数量、成交方向（买方主动/卖方主动，部分市场用买卖盘序号标识）、买方委托序号、卖方委托序号、以及交易所侧的序列号。逐笔委托则包含：委托时间、委托价格、委托数量、买卖方向、委托类型（限价/市价/本方最优等）、委托序号。关键点在于，成交记录通过买方委托序号和卖方委托序号与委托记录建立关联，这使得“某笔委托被成交了多少、还剩多少”可以在流上增量维护，而不必回查历史。

工程上要特别注意字段的语义差异：成交方向不等于买卖方向，它描述的是主动方；委托序号在同一交易日内单调递增但不一定连续；部分市场的逐笔委托与逐笔成交分两条通道推送，到达顺序不保证与交易所撮合顺序一致。因此，特征计算前必须先做序列对齐，否则窗口内的“先委托后成交”因果关系会被打乱。

时间戳与序列对齐

对齐有两个维度：时间维度和序列维度。时间戳来自交易所，但不同通道的时钟可能略有偏差，且网络传输会引入乱序与抖动。序列号则是交易所为每条记录分配的单调标识，是判断真实先后顺序的权威依据。实践中通常以序列号为主键做排序与去重，时间戳仅用于窗口切分和延迟度量。

一个可落地的对齐策略是维护一个小的重排缓冲区：记录到达后先入缓冲区，按序列号排序，当缓冲区中出现连续序列段或等待超过设定阈值（例如50毫秒）时，将已确认有序的记录放出。这样既处理了轻微乱序，又不会因等待缺失序列而无限阻塞。放出后的记录进入特征计算管线，同时更新“已处理最大序列号”水位线，水位线用于判断窗口是否可以闭合。

# 重排缓冲区的伪代码示意
buffer = {}
max_seq_seen = 0
def on_record(rec):
    buffer[rec.seq] = rec
    max_seq_seen = max(max_seq_seen, rec.seq)
    # 放出连续段
    while (next_seq in buffer):
        emit(buffer.pop(next_seq))
        next_seq += 1
    # 超时强制放出，避免阻塞
    if now() - oldest_arrival_time(buffer) > 50ms:
        emit(buffer.pop_min_seq())

需要强调的是，序列对齐的目标不是追求全局完美排序，而是在低延迟约束下做到“局部有序、因果不乱”。对于特征计算而言，只要同一窗口内的成交与委托相对顺序正确，跨窗口的轻微延迟可以通过水位线机制容忍。

特征计算窗口的定义

逐笔特征常用的窗口有三类：固定时间窗口（如最近1秒、最近5秒）、固定事件数窗口（如最近100笔成交）、以及基于序列号的逻辑窗口（如自上次快照以来的全部增量）。时间窗口适合刻画“近期活跃度”，事件数窗口适合刻画“近期形态”，逻辑窗口适合与快照对齐做增量修正。

窗口定义必须明确三个要素：窗口边界如何确定（事件时间还是处理时间）、窗口是否滑动、以及窗口闭合条件。以“最近1秒主动买入成交量占比”为例，窗口边界应使用事件时间，窗口随每条新成交滑动，闭合条件是水位线超过窗口右边界。若用处理时间，网络抖动会导致同一批数据在不同时刻算出不同结果，破坏可复现性。

低延迟约束下的数据流拓扑

把上述对象串起来，就得到一条典型的数据流拓扑：行情接入 → 解码与字段校验 → 重排缓冲与序列对齐 → 事件分发 → 窗口状态更新 → 特征输出。低延迟设计的关键在于把“重”和“轻”分开：解码与校验可以并行多线程，重排缓冲保持单线程以保证顺序，窗口状态更新采用增量累加而非全量扫描。

下图展示了这一拓扑中各环节的职责与数据形态变化，以及水位线在窗口闭合中的作用。

在这条拓扑中，窗口状态更新是延迟最敏感的一环。以“最近1秒主动买入成交量占比”为例，增量维护只需保存一个滑动队列：新成交入队时，若方向为买方主动则累加主动量，同时累加总量；出队时做减法。占比 = 主动量 / 总量。整个过程是O(1)摊销，不需要每次重扫窗口内全部成交。对于“最近100笔成交的平均单笔量”，同样用队列加运行和即可。

最后要建立一致性校验习惯：在离线环境用同一批逐笔数据分别跑全量重算与增量更新，逐窗口比对特征值。若出现偏差，优先检查三处——重排缓冲是否漏放或重复放出记录、窗口边界用的是事件时间还是处理时间、以及委托与成交的关联序号是否在乱序时被错误匹配。把这三处对齐，增量特征才能在低延迟下稳定复现全量结果。