限价订单簿微观结构：高频交易的核心 • halo 的技术博客

限价订单簿深度

限价订单簿（LOB）基础#

限价订单簿（Limit Order Book, LOB）是电子化交易市场的核心数据结构，记录了所有未成交的限价买单和卖单。LOB 以价格优先级和时间优先级组织订单，为市场提供流动性并决定证券的即时可执行价格。

LOB 数据结构#

一个典型的 LOB 包含：

买价（Bid）：按价格降序排列的买单队列
卖价（Ask）：按价格升序排列的卖单队列
最优买价（Best Bid）：最高买价
最优卖价（Best Ask）：最低卖价
买卖价差（Spread）：Best Ask - Best Bid

# LOB 数据结构示例
lob_snapshot = {
    'timestamp': '2026-06-03 09:30:00.123456',
    'bids': [
        (199.95, 500),  # (价格, 数量)
        (199.90, 1200),
        (199.85, 800)
    ],
    'asks': [
        (200.05, 300),
        (200.10, 900),
        (200.15, 1500)
    ]
}

python

订单类型与LOB动态#

限价订单（Limit Order）#

以指定价格或更好价格成交的订单，增加流动性，存放在LOB中。

市价订单（Market Order）#

以当前最优价格立即成交的订单，消耗流动性，从LOB中移除订单。

取消订单（Cancel Order）#

从LOB中撤销未成交的限价订单。

LOB动态示例#

时间 T1: LOB状态
Bids: (199.95, 500), (199.90, 1200)
Asks: (200.05, 300), (200.10, 900)

时间 T2: 市价买单 400股
→ 消耗 (200.05, 300)，剩余100消耗 (200.10, 100)
新LOB:
Bids: (199.95, 500), (199.90, 1200)
Asks: (200.10, 800), (200.15, 1500)

时间 T3: 限价卖单 (200.00, 600)
→ 新增到Asks队列
新LOB:
Bids: (199.95, 500), (199.90, 1200)
Asks: (200.00, 600), (200.10, 800), (200.15, 1500)

plaintext

订单流不平衡

LOB特征统计#

1. 深度（Depth）#

不同价格水平的累计订单量，反映流动性深度。

# 计算LOB深度
def calculate_depth(lob, levels=5):
    bid_depth = sum(qty for _, qty in lob['bids'][:levels])
    ask_depth = sum(qty for _, qty in lob['asks'][:levels])
    return bid_depth, ask_depth

python

2. 订单流不平衡（Order Flow Imbalance, OFI）#

买卖订单量的不平衡，预测短期价格方向。

OFI = 买单量 - 卖单量

plaintext

3. 成交率（Fill Rate）#

限价订单成交的概率，受订单价格和市场规模影响。

高频策略基于LOB#

1. 做市策略（Market Making）#

在买卖两侧挂单，赚取买卖价差，管理库存风险。

# 简化做市策略
def market_making_strategy(lob, inventory):
    best_bid = lob['bids'][0][0]
    best_ask = lob['asks'][0][0]
    
    # 调整价差基于库存
    spread_adjustment = 0.01 * (inventory / 1000)
    
    my_bid = best_bid + 0.01 - spread_adjustment
    my_ask = best_ask - 0.01 + spread_adjustment
    
    return my_bid, my_ask

python

2. 订单流交易（Order Flow Trading）#

根据OFI预测价格方向，进行极短期方向性交易。

3. 统计套利（Statistical Arbitrage）#

利用相关证券的LOB差异，进行配对交易。

LOB数据获取与处理#

数据来源#

交易所直接Feed：最快速（纳斯达克TotalView, 纽交所OpenBook）
数据供应商：Refinitiv, Bloomberg, IEX Cloud
开源数据集：LOBSTER, FI2020

数据处理挑战#

数据量巨大：单只股票每天GB级LOB更新
时间戳精度：需要微秒或纳秒级精度
消息排序：确保事件顺序正确

# 使用LOBSTER数据示例
import pandas as pd

# 加载LOB数据
lob_data = pd.read_csv('LOB_20260603.csv', header=None)
lob_data.columns = ['time', 'type', 'id', 'price', 'qty']

# 重建LOB快照
def rebuild_lob(messages):
    lob = {'bids': {}, 'asks': {}}
    for _, msg in messages.iterrows():
        if msg['type'] == 1:  # 限价买单
            lob['bids'][msg['price']] = lob['bids'].get(msg['price'], 0) + msg['qty']
        elif msg['type'] == 2:  # 限价卖单
            lob['asks'][msg['price']] = lob['asks'].get(msg['price'], 0) + msg['qty']
        elif msg['type'] == 3:  # 取消买单
            lob['bids'][msg['price']] -= msg['qty']
    return lob

python

风险管理#

库存风险#

高频做市积累单方面库存，需动态调整报价。

逆向选择#

信息不对称导致逆向选择，需检测大单预警。

技术风险#

系统延迟、订单错误、交易所连接中断。

总结#

限价订单簿微观结构是高频交易的基石。理解LOB的动态、特征和相关策略，是开发成功高频交易系统的前提。随着市场结构演化，LOB分析将继续是量化研究的热点领域。

参考文献#

Gould, M. D., et al. (2013). “Limit order books.” Quantitative Finance, 13(11), 1709-1742.
Abergel, F., et al. (2016). “Limit Order Books: A Systematic Approach.” Cambridge University Press.
Cartea, Á., et al. (2015). “Algorithmic and High-Frequency Trading.” Cambridge University Press.