一、问题场景：我在量化实盘中遇到的真实困境

我以前做短周期策略时，有一段时间非常迷信回测里的收益曲线。

策略回测出来的结果不错，于是我开始把它接到实盘。

结果第一个月结束，我发现一个非常尴尬的问题：

信号方向大体没有错，但实际成交价格和回测假设差得比较多。

比如某个信号出现以后，模型认为当前价格附近可以成交。

信号价格 = 1215.00
成交价格 = 1215.00


但真实交易中，我面对的不是一个抽象的“1215.00”。

买1：1215.00 x 123
买2：1214.95 x 2
买3：1214.88 x 1
买4：1214.48 x 1
买5：1214.40 x 1

卖1：1215.28 x 1
卖2：1215.96 x 1
卖3：1216.00 x 2
卖4：1218.00 x 1
卖5：1218.89 x 1


策略预测的是价格，交易系统最终面对的是订单簿。

两者之间差着一个非常关键的执行层。

1. 我以前的回测模型把“价格”和“可成交价格”混在了一起

如果策略产生一个买入信号，真正的执行过程至少涉及：

策略信号
↓
当前盘口
↓
订单类型
↓
排队位置
↓
实际成交


而很多简单回测模型直接变成：

如果策略频率比较低，这种简化可能问题不大。

但当策略缩短到分钟甚至更短周期时，我发现执行误差会逐渐成为收益的一部分。

2. 五档盘口首先让我看到“第一层流动性”

对买方来说，最直接的是卖一。

如果我要立即买入，通常首先关注：

卖1：1215.28 x 1
卖2：1215.96 x 1
卖3：1216.00 x 2


这时候如果我的订单量很小，卖一可能就足够了。

但如果我的订单量明显大于卖一挂单量，我就必须考虑：

剩余订单可能继续向卖二、卖三甚至更深档位成交。

这就是我开始研究五档盘口的核心原因。

3. 我后来把“深度”理解成一个执行成本问题

卖1：10.53 × 2
卖2：10.54 × 430
卖3：10.55 × 75


如果我的买单很小，卖一就足够。

但如果订单量较大，就不能再把卖一价格当成唯一的执行参考。

所以我后来在策略系统里，把盘口数据和订单规模一起考虑。

这解决了一部分问题，但很快又遇到新的问题。

因为两个盘口可能有相同的买一卖一，却有完全不同的深度。

盘口A：

卖1 10.53 × 10000
卖2 10.54 × 10000


盘口B：

卖1 10.53 × 2
卖2 10.54 × 2


从买一卖一看，两者完全一样。

但从执行角度看，它们完全不是同一种市场状态。

2. 所以我把观察范围扩展到了五档

五档给我的价值不是“多四组价格”。

我可以观察价格附近更完整的订单分布。

五档买方总深度
五档卖方总深度
买卖深度差
五档深度比例
最优价差
盘口重心


这些指标可以作为执行模块的输入。

3. 数据接口层面，我希望研究和执行数据保持一致

在实际研究过程中，我使用过不同的数据源，也写过一些临时数据抓取脚本。

最大的问题不是“拿不到数据”，而是：

研究代码和实盘代码最终拿到的数据结构不一致。

后来我使用 QuantDash 时，可以通过 

 获取单只标的的五档盘口，也可以通过 

result = qd.depth.batch(
    ["000001.SZ", "600000.SH"]
)

for symbol, depth in result.items():
    print(symbol)
    print(depth["bid_prices"])
    print(depth["ask_prices"])


我比较看重的是这种数据结构比较适合直接进入自己的特征计算层。

下面这份代码模拟我在执行层里做的第一步：

先计算当前五档盘口的流动性结构，再根据一个假设订单量估算理论上的吃单成本。

这里的成本只是盘口静态快照下的理论估算，不等同于真实成交结果。

import os
from typing import Dict, Any

from quantdash import QuantDash


def estimate_buy_cost(
    ask_prices,
    ask_volumes,
    order_size: float
) -> Dict[str, float]:
    """根据五档卖盘静态快照估算买入订单的理论成交成本。"""

    if order_size <= 0:
        raise ValueError("order_size 必须大于 0")

    remaining = float(order_size)
    total_value = 0.0
    filled = 0.0

    for price, volume in zip(ask_prices[:5], ask_volumes[:5]):
        price = float(price)
        volume = float(volume)

        if price <= 0 or volume < 0:
            continue

        quantity = min(remaining, volume)

        total_value += quantity * price
        filled += quantity
        remaining -= quantity

        if remaining <= 0:
            break

    if filled <= 0:
        raise ValueError("五档卖盘没有可用于估算的挂单量")

    average_price = total_value / filled

    best_ask = float(ask_prices[0])
    slippage = average_price - best_ask
    slippage_rate = slippage / best_ask if best_ask > 0 else 0.0

    return {
        "requested_size": float(order_size),
        "estimated_filled": filled,
        "average_price": average_price,
        "best_ask": best_ask,
        "estimated_slippage": slippage,
        "estimated_slippage_rate": slippage_rate,
        "unfilled": remaining,
    }


def main() -> None:
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        raise RuntimeError(
            "请先设置 QUANTDASH_API_KEY 环境变量"
        )

    qd = QuantDash(api_key=api_key)

    symbol = "000001.SZ"

    # Python 量化数据 API 的实际研究中，
    # 我会先获取五档盘口，再进行执行成本分析。
    try:
        depth = qd.depth.get(symbol)

        if not depth:
            print("未获取到盘口")
            return

        print(f"标的：{depth['symbol']}")

        for i in range(5):
            print(
                f"卖{i + 1}: "
                f"{float(depth['ask_prices'][i]):.2f} "
                f"x {depth['ask_volumes'][i]}"
            )

        # 假设策略希望立即买入 1000 股。
        result = estimate_buy_cost(
            depth["ask_prices"],
            depth["ask_volumes"],
            order_size=1000
        )

        print("\n理论执行成本：")
        print(f"计划数量：{result['requested_size']:.0f}")
        print(f"五档内理论成交：{result['estimated_filled']:.0f}")
        print(f"理论平均成交价：{result['average_price']:.4f}")
        print(f"卖一价格：{result['best_ask']:.4f}")
        print(f"理论滑点：{result['estimated_slippage']:.4f}")
        print(
            f"理论滑点比例："
            f"{result['estimated_slippage_rate']:.6%}"
        )
        print(f"五档未覆盖数量：{result['unfilled']:.0f}")

    except Exception as exc:
        print(f"盘口处理失败：{exc}")


if __name__ == "__main__":
    main()


这段代码让我比较满意的地方，是它没有假装“知道真实成交结果”。

如果订单按照当前静态盘口逐档吃单，理论上会是什么成本。

这是我认为量化工程里很重要的一种习惯：

避坑一：不要拿卖一价格直接作为大额订单的成交价

如果订单规模很小，卖一可能是合理近似。

但如果订单明显大于卖一挂单量，那么继续用卖一作为成交价格，就会系统性低估交易成本。

后来我使用 QuantDash 时，可以通过 qd.depth.get() 获取单只标的的五档盘口，也可以通过 qd.depth.batch() 批量处理多个标的。

五档盘口数据对量化交易有什么价值：量化策略为什么总是买贵卖便宜

编程语言

五档盘口是量化交易执行层的关键数据，通过分析买卖五档挂单量与价格分布，可估算订单冲击成本与潜在滑点，避免将信号价格直接视为成交价。本文结合Python代码演示如何从盘口快照计算理论吃单成本，并强调执行模型需与信号模型分离，以优化交易决策与风控。

数据接口

数据结构

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

五档盘口数据对量化交易有什么价值：量化策略为什么总是买贵卖便宜

五档盘口数据对量化交易有什么价值：量化策略为什么总是买贵卖便宜

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐