3. 增量更新算法基础

逐笔特征计算的核心矛盾在于：行情流是持续到达的，而特征往往需要“最近一段时间”的统计量。如果每来一笔都从头重算窗口内全部数据，计算量会随窗口长度线性增长，在毫秒级延迟约束下不可接受。增量更新的思路是：让每一笔新数据只做常数级或对数级的局部修正，把历史计算结果复用起来。本节围绕四种基础构件展开——滑动窗口聚合、指数加权移动平均、增量方差/协方差、环形缓冲区，并对比它们与全量重算的复杂度差异。

一、滑动窗口聚合：从“重扫”到“加减”

设窗口长度为 N，窗口内需要维护求和 S。全量重算每来一笔都要遍历 N 个元素，单笔复杂度 O(N)；增量做法是维护一个累加器，新数据进入时 S += x_new，最老数据离开时 S -= x_old，单笔复杂度降为 O(1)。均值、最大值、最小值同理，但最大值/最小值不能简单相减，需要配合单调队列，单笔摊还复杂度仍为 O(1)。

以成交额窗口均值特征为例，假设窗口为最近 50 笔成交，初始累加器为 0。第 51 笔到达时，先减去第 1 笔的成交额，再加上第 51 笔的成交额，然后除以 50 得到新均值。整个过程只涉及两次浮点加减和一次除法，与窗口长度无关。需要注意浮点累加误差：长时间运行后 S 可能产生漂移，工程上可定期用一次全量重算做校准，或改用 Kahan 求和补偿。

二、指数加权移动平均：用衰减因子替代窗口

EWMA 不保存历史样本，只维护一个状态值：EWMA_t = α · x_t + (1 − α) · EWMA_{t−1}，其中 α ∈ (0,1) 为平滑系数。单笔更新为常数次乘加，复杂度 O(1)，内存 O(1)。它与滑动窗口的区别在于：窗口聚合有明确的“遗忘边界”，第 N+1 笔之前的样本权重瞬间归零；EWMA 则是渐进遗忘，越老的数据权重按 (1−α)^k 指数衰减。

实际参数选择上，若希望等效观察长度约为 N 笔，常用近似 α ≈ 2/(N+1)。例如 N=20 时取 α≈0.095。EWMA 对突发行情反应更平滑，但也意味着旧状态会“拖尾”，在剧烈跳变时不如硬窗口灵敏。逐笔特征中，EWMA 常用于买卖压力、短期波动率的平滑估计。

三、增量方差与协方差：Welford 式递推

方差若用 Σx² − (Σx)²/N 直接增量维护，数值稳定性差，大均值小方差时容易产生灾难性抵消。更稳妥的是维护均值与二阶中心矩的递推形式。对固定窗口，进入新值 x_new、离开旧值 x_old 时，可先更新和与平方和，再计算方差；若追求数值稳定，可采用“先移除旧值、再加入新值”的两步 Welford 更新，每步都是常数次运算。

协方差用于刻画两个逐笔序列的联动，例如成交额与价格变化的协方差。维护 Σx、Σy、Σxy 三个累加器，窗口滑动时同步加减，单笔 O(1)。但同样存在数值稳定性问题，工程上可对数据做中心化预处理，或定期重算校准。对比全量重算的 O(N)，增量协方差在 N=200 的窗口下可将单笔计算量降低两个数量级。

四、环形缓冲区：让“最老元素”可 O(1) 定位

增量聚合的前提是能快速找到并移除窗口中最老的元素，环形缓冲区正是为此设计。它用固定长度数组加头尾指针实现：写入时尾指针前进并覆盖最老位置，读取最老元素时直接访问头指针。入队、出队、访问最老元素均为 O(1)，内存预分配、无动态扩容，避免了链表节点分配带来的抖动，非常适合低延迟场景。

设计要点包括：容量取 2 的幂以便用位掩码替代取模；区分“满”与“空”状态（可用计数器或预留一个空位）；多线程环境下写指针与读指针的可见性需用内存序或原子操作保证。逐笔特征引擎通常为每个特征维护独立的环形缓冲区，缓冲区长度即窗口长度。

五、复杂度对比与选型判断

把四种构件放在同一张表里看，差异一目了然。下表为示例性对比，N 表示窗口长度，d 表示协方差维度。

选型时先问三个问题：窗口是否有明确边界？若需要“只看最近 N 笔”，用环形缓冲区加增量聚合；若更看重平滑与低内存，用 EWMA。统计量是否涉及二阶矩？方差、协方差必须用数值稳定的递推形式，不能图省事直接维护平方和。窗口长度是否频繁变化？环形缓冲区容量固定，变长窗口需要重建缓冲区，这一点要在特征配置阶段就确定。

最后强调一个容易忽略的点：增量更新的正确性依赖于“进入与离开严格配对”。逐笔流中若出现乱序、重复或丢包，累加器会与真实窗口脱节。因此环形缓冲区写入前应做序列号校验，发现缺口时标记该特征为“待重建”，而不是继续在错误状态上累加。低延迟不等于牺牲正确性，增量算法的价值恰恰在于用可控的状态维护换取稳定的常数级延迟。