1. 逐笔数据基础与漂移问题定义
在日内量化策略里，K线是“压缩后的结果”，而逐笔数据是“未压缩的过程”。当我们把策略建立在盘口微观结构之上时，真正决定盈亏的往往不是某根分钟线收在哪里，而是这一分钟内订单如何到达、成交如何分布、大单如何拆分、买卖压力如何演化。本章作为全课程起点，先把逐笔数据的结构讲清楚，再定义什么叫“特征漂移”，最后介绍后续实战将使用的数据集，为后面的识别与诊断打下共同语言。
一、逐笔成交与逐笔委托的数据结构
国内A股常见的逐笔数据分为两类：逐笔成交（Transaction，简称成交）与逐笔委托（Order，简称委托）。上交所与深交所在字段和撮合披露方式上存在差异，但核心语义一致。逐笔成交记录的是“某一笔撮合成交”，关键字段通常包括：成交时间（精确到毫秒或十毫秒）、证券代码、成交价格、成交数量、成交编号、买方委托序号、卖方委托序号，以及一个表示买卖方向的标志（通常以主动方方向标注，B为主动买、S为主动卖）。逐笔委托记录的是“某一笔新订单进入撮合队列”，关键字段包括：委托时间、证券代码、订单编号、委托价格、委托数量、买卖方向，以及订单类型（市价、限价、本方最优、对手方最优等）。
理解这两类数据的关键，是抓住它们之间的引用关系：一笔成交通过买方委托序号和卖方委托序号，指向两笔委托；反过来，一笔委托可能对应零笔、一笔或多笔成交（部分成交、被拆分成多笔撮合）。这就构成了一个“委托—成交”的二部图结构。很多微观特征正是从这个结构里长出来的，例如“某笔大额委托被拆成多少笔成交”“主动买单的平均单笔成交量”“撤单发生在成交前还是成交后”。如果只把逐笔数据当成一张平铺的流水表，就会丢掉这层关系，特征工程也会停留在简单加总层面。
需要特别提醒两个工程细节。第一是时间戳口径：成交时间与委托时间可能来自不同时钟源，跨市场、跨通道时存在毫秒级偏差，做“委托到成交的延迟”类特征时必须先对齐口径，否则会把时钟抖动误判为行为异常。第二是序号连续性：交易所推送的逐笔数据在极端行情下可能出现丢包或乱序，落地时要按序号去重、按时间稳定排序，并记录缺失区间。这两点看似琐碎，却直接决定后续漂移检测是真信号还是数据噪声。
二、特征工程的常见维度
基于逐笔数据，特征大致可以归为四个维度，它们也是后续漂移监测的主要对象。
- 量价维度：单笔成交量的均值与分位数、大单占比（如成交量超过当日均量若干倍的笔数占比）、成交价相对中间价的偏移、主动买卖成交量差（OFI的逐笔版本）。
- 订单流维度：委托到达率、委托撤单率、订单簿不平衡度、主动买入委托与主动卖出委托的数量比、委托被成交的比例（成交委托数/委托总数）。
- 微观结构维度：有效价差、实现价差、价格冲击、成交间隔的分布、订单在盘口中的存活时间。
- 行为维度：大单拆分模式、冰山单识别、尾盘与开盘阶段的委托集中度、特定价格档位的挂撤节奏。
这些特征有一个共同点：它们都依赖“分布”而非“单点”。单笔成交量突然放大可能只是偶然，但单笔成交量分布的均值上移、尾部变厚，才是漂移的信号。因此特征工程阶段就应当以滚动窗口的方式计算，并保留窗口内的分位数、偏度等形状统计量，而不是只留一个均值。
三、漂移对策略的影响
所谓特征漂移，指特征在时间上的联合分布发生了系统性变化，使得在训练期学到的“特征—收益”映射在新数据上失效。它不同于单纯的行情涨跌：行情变化是标签层面的波动，漂移是输入层面的结构改变。常见诱因包括交易规则调整（如涨跌幅、申报数量单位变化）、市场参与者结构变化（量化占比上升导致订单流更碎）、撮合机制或披露频率变化，以及极端行情下的流动性骤降。
漂移对策略的伤害有三条典型路径。其一是阈值失效：策略依赖“大单占比超过X%时跟进”，当全市场拆单变细、大单定义整体下移后，阈值不再有区分度，信号要么泛滥要么消失。其二是权重错配：线性或树模型给某些特征的权重，是基于旧分布学到的，分布平移后同样的特征值代表完全不同的市场含义。其三是风控误判：以历史波动率校准的仓位与止损，在新波动结构下会过紧或过松。识别漂移的目的不是追求“永远不变的特征”，而是尽早发现“映射正在失效”，从而触发重训、降仓或停用。
四、课程实战数据集介绍
为了让后续的漂移识别与诊断有可复现的载体，本课程使用一份教学示例数据集（非真实实盘数据，参数与结果均为合理假设，用于演示方法）。数据集覆盖某只中高流动性股票连续约60个交易日的逐笔委托与逐笔成交，字段按前述结构组织，时间精度为毫秒，已做序号去重与时间稳定排序，并标注了若干“规则或结构变化”的时间节点作为漂移参照。数据被切分为三段：前30个交易日作为基准期用于训练与建立特征分布基线；中间15个交易日作为监测期，其中人为注入两类漂移——一类是拆单变细导致的单笔成交量分布整体下移，另一类是某阶段撤单率显著抬升；最后15个交易日作为验证期，用于检验漂移检测与应对是否有效。
使用这份数据时，建议先做三件事：一是按交易日和时段（开盘、连续竞价、尾盘）分层统计特征，建立分层的基线分布；二是固定特征计算窗口（例如每5分钟滚动、回看最近20个窗口），保证基准期与监测期口径一致；三是把“漂移标签”与“策略损益”分开记录，前者用于诊断，后者用于评估影响。这样在后续章节中，我们才能把“检测到了漂移”与“漂移确实伤害了策略”这两件事区分开，避免把无害的分布波动误当成需要处置的故障。