实时“复印”交易所深度：一步步用 Python 重建订单簿状态

我们在做量化策略教学和回测演示时，经常遇到一个问题：历史数据里只有成交记录，没有挂单深度，很多微观策略根本无法复现。为了弥补这一缺失，我所在的团队决定动手在本地完整同步一份交易所订单簿——就像给市场拍一部不间断的电影。这篇文章会一步一步带你完成这个过程，代码都能跑通，读完你也能立刻上手。

项目起点：为什么要本地保存订单簿？

不管是想实时计算买卖压力，还是回测时需要精确的冲击成本，单纯的成交数据远远不够。我们需要知道每个价位上挂着多少筹码。如果直接从交易所 REST 接口全量拉取，更新频率太低；改用 WebSocket 实时推送，就能让本地簿始终紧贴交易所的真实状态。

拆解两个关键概念：快照和增量

行情数据一般分成两种形态：

• 快照：某一瞬间的完整订单簿，通常包含前几十档的买卖价格和数量。
• 增量更新：快照之后每一笔导致订单簿变化的动作，比如新订单、取消或部分成交。

本地重建的思路很朴素：先用快照填充本地的买卖结构，然后随着增量消息一条一条地修改结构。就像你拿着一份完整的初始库存清单，每发生一次出库入库就记一笔，余额永远最新。

用什么数据结构管理深度？

Python 自带的 dict 虽然可以存放价格和数量，但无法在插入时保持有序。我们需要能按价格自动排序的容器。sortedcontainers 库里的 SortedDict 正好满足需求：

from sortedcontainers import SortedDict

# 买单按价格从高到低排序
bids = SortedDict(lambda x: -x)
# 卖单按价格从低到高排序
asks = SortedDict()

这样随时可以取出最优买价和卖价，画图或计算深度也非常方便。

用 WebSocket 接收实时更新

实际的代码连接很简单。我们定义一个消息处理函数，每当 WebSocket 推送数据时，就用它更新全局的 bids 和 asks。

import websocket
import json
from sortedcontainers import SortedDict

bids = SortedDict(lambda x: -x)
asks = SortedDict()

def on_message(ws, message):
    data = json.loads(message)
    # 处理买单和卖单的增量更新
    process_orderbook(data)

def process_orderbook(data):
    global bids, asks
    for update in data.get("bids", []):
        price, size = update
        if size == 0:
            bids.pop(price, None)
        else:
            bids[price] = size
    for update in data.get("asks", []):
        price, size = update
        if size == 0:
            asks.pop(price, None)
        else:
            asks[price] = size

ws = websocket.WebSocketApp("wss://api.alltick.co/crypto/orderbook",
                            on_message=on_message)
ws.run_forever()

在真实开发中，我们使用 ALLTICK API 等成熟的数据 API 来获取稳定的快照与增量，数据格式规范，推送及时，减少了大量底层对接成本。

处理网络中断：让系统更健壮

WebSocket 总有断线的可能。我们通常会设计一套自我保护机制：

• 保留最近一次成功处理的序列号，发现跳跃就重新获取快照。
• 设置心跳包，配合自动重连逻辑。
• 启动时优先请求当前完整快照，再用增量追赶。

这套策略能有效避免本地簿出现“空洞”。

数据可视化：从数字到洞察

订单簿维护好后，你能直接画出一张深度图，直观感受多空实力：

import matplotlib.pyplot as plt

def plot_orderbook():
    plt.plot(list(bids.keys()), list(bids.values()), color='green', label='Bids')
    plt.plot(list(asks.keys()), list(asks.values()), color='red', label='Asks')
    plt.legend()
    plt.show()

绿色买单、红色卖单的分布一目了然。这项能力可以嵌入你的策略研究流程，例如实时监控挂单厚薄、提前预判支撑阻力。

从练习到实战

这套方案代码量不大，但思想非常通用。掌握后，你可以很方便地把它扩展到多个交易对，加入异步处理，甚至把订单簿状态存入数据库做历史回放。对我们而言，这个项目不只是技术练习，更是理解市场微观结构的窗口。