tick数据、盘口数据、成交明细数据详解

近期开始学习订单薄策略(order book strategy)、订单流策略(order flow strategy)，理清数据是第一步。

一、成交明细数据

用各个软件进行看盘，除了分时、k线最常用外，盘口数据/成交明细也会显示出来，下图是螺纹主力shfe.rb2401 2023年10月24日，收盘前wind、multicharts推送的成交明细数据。

碰到的第一个问题是如果我想使用这些数据进行分析，如何下载保存这部分数据呢？
之前使用wind比较多，但是没有找到wind上该如何下载这部分数据，通达信软件可以下载历史分时数据，但是是一天天下载，多天的数据手动下载很耗时。
仔细学习了解之后，才发现这部分数据直接可以从tick数据进行简单处理转换就可以，了解数据生成可以大大提高效率，也便于后续使用这一部分数据。

二、Tick数据

• tick行情又称逐笔行情，是整个市场上的逐笔数据。例如投资者一笔新的委托会形成一笔行情，交易所撮合一笔新的成交也会形成一笔行情。tick行情记录了市场的每一个事件的数据，是最精细和完整的数据。

• 快照行情又称切片(snapshot)行情，如其名，是对tick行情数据的某一个时刻的切片数据。例如现在常见的期货500ms一笔的行情，就是每500ms，在这时间段内的最高价、最低价、成交量等汇总成的一笔快照行情。

目前国内期货市场是没有真正意义上的tick逐笔数据的，这时候提到的tick数据指的是快照行情。
快照行情又可以分为level1、level2的数据，主要区分是报价深度。

• level1行情又称1档行情或基本行情，字面意义上是指行情报单簿的档位只有一档，即买一价，卖一价。实际应用中一般用来指比较基础的一种行情，只包含最低层次的买卖，成交数据，更新频次也是最低。

• level2行情又称多档行情或者深度行情，可以认为是level1行情的升级版，体现在报单簿档位会多，数据丰富，或者更新频次更快。这种行情一般是要单独收费的。

以rb2401为例，使用天勤下载了2023年10月24日（仅下载了日盘，没下载10.23夜盘，不影响后续分析）的tick数据（实际是快照数据，后续都以tick数据指快照行情数据）。

下载到的tick数据长这样，主要包含成交、报单两部分的数据。详细可以自行下载，可以发现软件提供的：现手、仓差、开平方向 都不是原始数据，是经过计算得到的，用last_price、volume、open_interst、bid_price1、ask_price1字段进行计算。

还可以发现，软件商成交明细和交易所返回数据相比，少了几条，仅在成交量volume发生变化时才进行推送，后续以交易量发生变化的最后两行数据（图中标黄的数据）为例，进行示例计算。

三、使用tick数据计算成交明细

1、现手

volume字段是累计成交量字段，现手数据很好计算，就是volume之差，即下一条数据volume-上一条数据volume，图上黄色标注数据计算就是1443112-1443011=101，和软件推送数据一致。

2、仓差

open_interest字段是持仓数量，仓差是open_interest之差，图上是1862177-1862180=-3，和软件推送数据一致。

3、开平

开平方向与现手、增仓、价格变动方向都有关系，具体可以看下面的几个表：

• 开平方向
  
• 价格变动方向及内外盘方向
  
• 汇总
  

四、python实现

import pandas as pd
import numpy as np

# 读取数据
rb_data = pd.read_csv("RB2401_tick_1024.csv")
# 处理列名
cols = [i.replace("SHFE.rb2401.", "").strip() for i in rb_data.columns]
rb_data.columns = cols


def get_ticks_info(df):
    df_pre = df.copy().shift(1)
    df_pre["price_diff"] = df["last_price"] - df_pre["last_price"]
    df_pre["oi_diff"] = df["open_interest"] - df_pre["open_interest"]
    df_pre["vol_diff"] = df["volume"] - df_pre["volume"]
    
    df_pre["pc"] = np.where(
        df["last_price"] <= df_pre["bid_price1"], -1,
        np.where(df["last_price"] >= df_pre["ask_price1"], 1,
                 np.sign(df_pre["price_diff"])))
    pc_g = df_pre["pc"] > 0

    condition_buy = (df["last_price"] >= df_pre["ask_price1"]) | (df["last_price"] >= df["ask_price1"])
    condition_sell = (df['last_price'] <=df_pre['bid_price1']) |(df['last_price'] <= df['bid_price1'])
    direction_values = np.where(condition_buy, '主动买', np.where(condition_sell, '主动卖', '其他'))
    df_pre['direction'] = pd.Series(direction_values, index=df.index)

    df_pre["info"] = pd.Series(
        np.where(
            df_pre["oi_diff"] > 0, np.where(pc_g, "多开", "空开"),
            np.where(
                df_pre["oi_diff"] < 0, np.where(pc_g, "空平", "多平"),
                np.where(df_pre["oi_diff"] == 0, np.where(pc_g, "多换", "空换"),
                         ""))))
    df_pre.loc[df_pre["pc"] == 0, "info"] = "换手"
    df_pre.loc[(df_pre["oi_diff"] < 0) &
               (df_pre["oi_diff"] + df_pre["vol_diff"] == 0), "info"] = "双平"
    df_pre.loc[(df_pre["oi_diff"] > 0) &
               (df_pre["oi_diff"] == df_pre["vol_diff"]), "info"] = "双开"
    df_pre.loc[df_pre["vol_diff"] == 0, "info"] = ""

    return df_pre.shift(-1)

data = get_ticks_info(rb_data)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

tick示例数据及代码关注微信公众号：量化学习J（公众号微信号：quant_study_june），回复 tick数据处理 ，发送网盘链接