如何利用 PTrade 的 Tick 数据分析订单簿不平衡（OBI）并进行高频预测？

这是一个非常经典的微观结构交易策略。订单簿不平衡（Order Book Imbalance, OBI）通过衡量买单和卖单在数量上的差异，来预测短期价格的微小变动方向。

策略逻辑与原理

1. OBI 定义
OBI 是衡量买卖压力的指标。最基础的计算公式如下：
$$ OBI = \frac{V_{bid} - V_{ask}}{V_{bid} + V_{ask}} $$

• $V_{bid}$：买盘（Bid）前 N 档的总挂单量。
• $V_{ask}$：卖盘（Ask/Offer）前 N 档的总挂单量。
• 取值范围：[-1, 1]。
  • 接近 1：买盘远大于卖盘，预示价格可能上涨。
  • 接近 -1：卖盘远大于买盘，预示价格可能下跌。
  • 接近 0：买卖力量均衡。

2. 交易逻辑

• 买入信号：当 $OBI > \text{阈值}$（例如 0.3），且当前无持仓时，以卖一价（Ask 1）买入。
• 卖出信号：当 $OBI < -\text{阈值}$（例如 -0.3），且当前有持仓时，以买一价（Bid 1）卖出。

3. PTrade 实现细节

• 使用 tick_data 函数处理高频 Tick 数据（3秒一次）。
• 数据源：data[security]['tick'] 中的 bid_grp（买档）和 offer_grp（卖档）。
• 注意：在 PTrade 的 tick_data 中，bid_grp 和 offer_grp 返回的是 DataFrame 中的一列，且内容通常是字符串格式的字典，需要使用 eval() 进行解析才能获取具体的量价数据。

策略代码实现

以下是完整的 PTrade 策略代码。该代码选取了前 5 档行情来计算 OBI。

def initialize(context):
    """
    初始化函数
    """
    # 设定关注的股票，这里以恒生电子为例
    g.security = '600570.SS'
    set_universe(g.security)
    
    # 策略参数设置
    g.obi_threshold = 0.3  # OBI 阈值，超过此值触发交易
    g.trade_amount = 100   # 每次交易的数量
    g.depth_level = 5      # 计算 OBI 使用的档位数（1-5档）

def tick_data(context, data):
    """
    Tick 级别数据处理函数，每 3 秒触发一次
    """
    security = g.security
    
    # 1. 获取 Tick 数据
    # data[security] 包含 'tick', 'order', 'transcation'
    # 我们主要需要 'tick' 数据
    if security not in data:
        return
        
    tick_df = data[security]['tick']
    
    # 检查数据是否为空
    if tick_df is None or len(tick_df) == 0:
        return

    # 2. 解析盘口数据
    # PTrade 的 tick 数据中，bid_grp 和 offer_grp 往往是字符串形式的字典
    # 格式示例: {1: [价格, 量, 笔数], 2: [...], ...}
    try:
        # 获取第一行数据（当前切片）
        bid_grp_str = tick_df['bid_grp'][0]
        offer_grp_str = tick_df['offer_grp'][0]
        
        # 使用 eval 将字符串转换为字典
        bid_grp = eval(bid_grp_str)
        offer_grp = eval(offer_grp_str)
    except Exception as e:
        # 如果解析失败或数据格式异常，直接返回
        return

    # 3. 计算买盘和卖盘的总挂单量 (前 N 档)
    total_bid_vol = 0.0
    total_ask_vol = 0.0
    
    # 遍历前 g.depth_level 档
    for i in range(1, g.depth_level + 1):
        # 字典的 key 是档位 (1, 2, 3, 4, 5)
        # value 是 list: [价格, 数量, 笔数]
        if i in bid_grp:
            total_bid_vol += bid_grp[i][1] # 累加买单数量
        if i in offer_grp:
            total_ask_vol += offer_grp[i][1] # 累加卖单数量

    # 4. 计算 OBI (Order Book Imbalance)
    # 防止除以零
    if (total_bid_vol + total_ask_vol) == 0:
        obi = 0
    else:
        obi = (total_bid_vol - total_ask_vol) / (total_bid_vol + total_ask_vol)
    
    # 打印日志方便调试 (生产环境可注释掉)
    # log.info("Time: %s, OBI: %.4f, BidVol: %s, AskVol: %s" % (
    #     tick_df['hsTimeStamp'][0], obi, total_bid_vol, total_ask_vol))

    # 5. 获取当前持仓
    position = get_position(security)
    curr_amount = position.amount
    
    # 6. 交易逻辑
    
    # 信号：买入
    # 逻辑：OBI 大于阈值 (买压大) 且 当前无持仓
    if obi > g.obi_threshold and curr_amount == 0:
        # 使用 order_tick 下单
        # priceGear='-1' 代表卖一价，即以对手价买入，保证成交速度
        order_tick(security, g.trade_amount, priceGear='-1')
        log.info("买入触发 - OBI: %.2f, 数量: %s" % (obi, g.trade_amount))
        
    # 信号：卖出
    # 逻辑：OBI 小于负阈值 (卖压大) 且 当前有持仓
    elif obi < -g.obi_threshold and curr_amount > 0:
        # priceGear='1' 代表买一价，即以对手价卖出
        # 卖出时数量为负数
        order_tick(security, -curr_amount, priceGear='1')
        log.info("卖出触发 - OBI: %.2f, 数量: %s" % (obi, curr_amount))

def handle_data(context, data):
    """
    必须实现的函数，但在 Tick 策略中通常留空
    """
    pass

代码关键点解析

1. 数据解析 (eval)：

   • PTrade 的 tick_data 返回的 DataFrame 中，bid_grp 和 offer_grp 字段存储的是字符串形式的字典（例如 "{1:[10.5, 1000, 5], ...}"）。
   • 必须使用 eval() 函数将其还原为 Python 字典对象，才能访问具体的档位数据。
   • 字典结构通常为 {档位: [价格, 数量, 笔数]}，我们取索引 [1] 来获取数量。

2. OBI 计算：

   • 代码中使用了简单的等权重求和：$\sum_{i=1}^{5} Vol_{bid_i}$。
   • 如果需要更精细的策略，可以给第一档（买一/卖一）更高的权重，例如：$Vol_{total} = 1.0 \times Vol_1 + 0.8 \times Vol_2 + ...$。

3. 下单方式 (order_tick)：

   • 在 tick_data 中必须使用 order_tick。
   • priceGear='-1'：表示以卖一价（对手方最优价）下单买入，这在追涨策略中很重要，因为我们需要立即成交。
   • priceGear='1'：表示以买一价下单卖出。

4. 异常处理：

   • 增加了 try...except 块，防止因为行情数据缺失或格式错误导致策略崩溃。
   • 增加了分母为 0 的判断（虽然在活跃股票中很少见，但在涨跌停或极度不活跃时可能发生）。

常见问题 Q&A

Q: 这个策略适合回测吗？
A: PTrade 支持 Tick 级别的回测，但速度较慢。OBI 策略依赖极短期的微观结构，回测时的撮合逻辑（Match Logic）可能与实盘有差异（回测通常假设你的小单能完全成交，不影响盘口），实盘中需要考虑滑点和冲击成本。

Q: 如何优化 OBI 指标？
A:

1. 加权 OBI：距离中间价越近的档位，对价格影响越大，可以给予更高的权重衰减（如 $e^{-\alpha x}$）。
2. 结合 VOI (Volume Order Imbalance)：不仅看当前的挂单量，还要看挂单量的变化量（Delta）。
3. 结合成交流：观察 transcation 数据，看主动买入和主动卖出的成交量。

Q: 为什么使用 eval？
A: 这是 PTrade 接口特有的数据格式处理方式。在 tick_data 中，L2 的盘口数据被序列化为字符串存储在 DataFrame 中，必须反序列化才能使用。