1. 逐笔数据与特征工程概览

逐笔特征批量计算与流水线部署，解决的不是“某个指标怎么算”，而是“每天数亿条逐笔记录如何稳定、可复现地变成研究可用的特征表”。在动手写第一行计算代码之前，需要先把三件事看清楚：逐笔数据长什么样、特征计算在量化研究链条中处于什么位置、批量与流水线要跨过哪些坑。本节围绕这三点建立整体认知框架。

一、逐笔成交与逐笔委托的数据结构

沪深市场的逐笔数据通常分为两类：逐笔成交（Transaction）与逐笔委托（Order）。两者字段不同、语义不同，但通过证券代码、日期和撮合序号可以对齐。以常见的交易所 Level-2 逐笔数据为例，核心字段大致如下（字段名因数据商而异，语义一致）：

理解结构时有几个容易踩的细节。第一，时间戳精度：逐笔数据通常精确到毫秒甚至微秒，同一毫秒内可能有多笔记录，排序必须依赖“时间 + 序号”复合键，不能只用时间。第二，序号连续性：成交序号与委托序号各自独立递增，序号跳变往往意味着数据缺失，这是后续质量校验的重要信号。第三，撤单的表达方式：部分市场用独立的撤单记录（数量为负或带撤单标志），部分市场用订单类型字段表达，特征计算时必须先统一口径，否则“委托总量”会被系统性高估或低估。第四，集合竞价时段的记录语义与连续竞价不同，批量计算时通常需要按交易阶段打标签或直接剔除。

从计算视角看，逐笔数据是典型的“事件流”：每条记录是一个带时间戳的事件，特征本质上是对事件流做窗口聚合或状态累积。这一认识直接决定了后续实现方式——按股票、按交易日分组后顺序扫描，比逐条独立计算高效得多。

二、特征计算在量化研究中的位置

一条完整的研究链条大致是：原始行情 → 数据清洗与对齐 → 特征计算 → 因子合成与检验 → 组合构建 → 回测与实盘。特征计算处在承上启下的位置：向上，它依赖清洗后的逐笔数据质量；向下，它输出的特征表直接决定因子研究的起点。这个位置带来两个约束：其一，特征必须可复现，同样的输入在任何时间、任何机器上跑出同样的结果；其二，特征必须可对齐，时间窗口、股票池、复权口径要与下游因子检验保持一致。

逐笔特征大致可分为几类：流量类（成交量、成交额、主动买卖量及占比）、订单类（委托笔数、委托量、撤单率、大单占比）、微观结构类（买卖压力失衡、订单簿斜率近似、成交价差）、时序类（滚动波动、量价相关性、自相关）。这些特征大多不是对单条记录的计算，而是对一段时间窗口内事件流的统计，因此“窗口如何切分”本身就是特征定义的一部分。

三、批量计算与流水线部署的整体目标与挑战

整体目标可以概括为一句话：把“按天、按股票、按窗口”的重复计算，变成一条可调度、可监控、可回溯的自动化流水线。典型形态是：每日收盘后触发，读取当日逐笔数据，按股票并行计算特征，写出分区特征表，并产出质量报告。挑战主要集中在四个方面。

• 数据规模与性能：单日全市场逐笔记录可达数亿条，单机逐条 Python 循环不可行，需要向量化或按股票分片并行。
• 口径一致性：方向编码、撤单处理、时间窗口边界（左闭右开还是左开右闭）必须在所有特征间统一，否则特征之间不可比。
• 可复现与版本化：特征定义、参数、代码版本要随输出一起记录，否则历史特征无法解释。
• 质量监控：缺失交易日、序号跳变、异常价格、特征分布漂移都需要自动检测并告警，而不是等因子失效后回头排查。

下图把上述关系组织成一条从原始逐笔事件到特征产出的数据流，并标出关键的质量控制点：

四、一个最小可运行的示例口径

为了让后续章节有统一的参照，这里先约定一套示例口径（属于教学假设，非实测结果）。假设研究标的为某只股票某交易日，逐笔成交按“时间 + 成交序号”升序排列，方向字段 B 记为 +1、S 记为 −1。定义 1 分钟窗口为左闭右开 [t, t+60s)，则窗口内主动买入量占比可写为：

# 示例口径：按股票、按分钟窗口聚合
# df 列：code, ts, price, volume, side(+1/-1), seq
df = df.sort_values(["code", "ts", "seq"])
df["minute"] = df["ts"].dt.floor("1min")
df["signed_vol"] = df["volume"] * df["side"]

agg = df.groupby(["code", "minute"]).agg(
    vol_sum=("volume", "sum"),
    signed_vol_sum=("signed_vol", "sum"),
    trade_cnt=("volume", "size"),
)
agg["active_buy_ratio"] = (agg["signed_vol_sum"] + agg["vol_sum"]) / (2 * agg["vol_sum"])

这段代码体现三个要点：先排序保证事件顺序正确；用 floor("1min") 实现左闭右开窗口；用带符号成交量一次性得到主动买卖净额，再换算为占比。实际工程中还需处理空窗口（无成交的分钟应补零还是跳过）、停牌日、集合竞价剔除等边界情况，这些将在后续章节展开。