第八章 订单流失衡（Imbalance）

订单流失衡，说白了就是买卖双方的力量对比出现了明显倾斜。我刚开始做订单流交易时，总觉得价格涨跌就是资金进出的结果。后来发现，真正决定价格方向的，是买卖盘口上的「供需失衡」。

你想想看，如果买单比卖单多出一大截，价格会怎么走？大概率要涨。但问题在于——多多少才算「失衡」？这就是我们今天要聊的核心。

8.1 买卖盘口失衡计算

盘口失衡的计算其实不复杂。我习惯用「逐笔委托数据」来算，而不是只看盘口五档。为什么呢？因为五档数据太粗糙了，真正的失衡往往藏在更深的位置。

先看一个基础公式：

Imbalance = BidVolume - AskVolume

其中：

• BidVolume：买方委托总量（通常取前几档或全档）
• AskVolume：卖方委托总量

但我在项目中遇到过一个问题：直接用总量算，容易被大单刷量干扰。比如某个价位挂了一笔1000手的买单，但其他价位只有几十手，算出来的失衡值会失真。

所以我后来改用「加权失衡」：

WeightedImbalance = Σ(BidVol_i * Weight_i) - Σ(AskVol_i * Weight_i)

权重怎么设？我一般用距离当前价格的价差倒数。越近的价位权重越高，越远的越低。这样算出来的失衡值更贴近真实博弈状态。

8.2 订单流压力指标

光有失衡值还不够。我习惯再构建几个压力指标，用来衡量「失衡的持续性」和「失衡的爆发力」。

常用的几个指标：

指标名称	计算方式	用途
累积失衡	连续N笔的Imbalance累加	判断趋势强度
失衡比率	BidVolume / (BidVolume + AskVolume)	衡量买卖占比
压力指数	Imbalance / 总成交量	标准化后的失衡强度
Delta加速	当前Delta - 前N笔Delta均值	捕捉失衡突变

我个人最常用的是「压力指数」。为什么呢？因为它把失衡值和成交量做了归一化处理。举个例子：

• 场景A：失衡值1000，总成交量5000 → 压力指数0.2
• 场景B：失衡值1000，总成交量20000 → 压力指数0.05

同样是1000的失衡，场景A的压力明显更大。你想想看，如果不用压力指数，很容易被绝对数值误导。

8.3 失衡阈值设定

阈值怎么设？这是很多新手头疼的地方。我曾经也踩过坑——直接用固定阈值，结果在波动率不同的品种上反复打脸。

后来我总结了一套方法：

1. 基于历史分位数：取过去N根K线的失衡值，计算80%、90%、95%分位数作为阈值
2. 动态调整：根据近期波动率（比如ATR）缩放阈值
3. 品种自适应：不同品种单独计算，不共用参数

代码实现大概是这样的：

def calc_threshold(imbalance_series, quantile=0.9):
    return np.percentile(imbalance_series, quantile * 100)

def dynamic_threshold(base_threshold, atr, atr_ma):
    # 波动率越大，阈值越宽松
    return base_threshold * (atr / atr_ma)

嗯，这里要注意：阈值不是越大越好。阈值设太高，信号太少；设太低，假信号太多。我一般先用90%分位数做初始值，然后根据回测结果微调。

8.4 失衡与反转信号

失衡最大的价值，在于捕捉反转信号。我总结了几种典型的反转模式：

模式一：极端失衡后的衰竭

当失衡值连续放大到历史极值区域，但价格却不再创新高/新低。这说明什么？说明买卖双方的力量已经用尽了。我记得有一次在螺纹钢上，失衡值冲到95%分位数，价格却只涨了0.3%，随后半小时内暴跌2%。

模式二：失衡背离

价格创了新高，但失衡值却比前一波低。这就是典型的「量价背离」。我习惯用这个信号做左侧交易，胜率大概在65%左右。

模式三：失衡突变

前一秒还是买方失衡，下一秒突然变成卖方失衡，而且幅度很大。这种突变往往意味着主力资金在转向。我一般会等第二根K线确认后再入场。

下面是我画的一张失衡反转逻辑图：

这张图展示了我处理失衡反转的完整流程。从原始数据开始，经过计算、指标、阈值三层过滤，最后落到三种反转模式上。每个环节都可能有噪声，所以我会在最终决策前再加一道确认——比如看第二根K线是否验证了信号。

好了，这一章的内容就到这里。失衡这块东西比较多，建议你边看边写代码跑跑数据。纸上得来终觉浅，绝知此事要躬行。