高频做市与订单行为识别

做市商通常同时报出买价和卖价，愿意成为交易对手。假设中间价 100、最小报价单位 tick=0.01，可以报买入 99.99、卖出 100.01，各 100 股。如果两个方向都成交，毛价差是每股 0.02，但还要扣费用、库存变化和其他成本。

最重要的风险是库存：如果买单不断成交、卖单没有跟上，库存会越积越多。之后价格下跌，库存损失可能远大于之前积累的价差。流动性不足时，想卖出也可能需要明显让价，价格触及不等于一定成交。

机构可能拥有更完整的数据、更低延迟、更快接口和不同费率，但不要只看到“AI、强化学习、高频”就推断某家机构使用了某种模型。普通账户也不能假定拥有做市资格、报价义务或机构级执行条件。监管门槛和统计口径应以适用市场的现行规则为准，不能把未经核对的数字当成操作依据。

在五档盘口的仿真环境里，可以把报价动作抽象为五类：

• 对称报价：买卖价距离中间价相同；
• 偏向买入：买价更有竞争力、卖价离得更远；
• 偏向卖出：卖价更有竞争力、买价离得更远；
• 宽价差：中间价两侧留出更大缓冲，例如各 2 ticks；
• 窄价差：两侧距离较近，例如各 1 tick。

假设中间价为 100、两侧各 2 ticks，报价可以是 99.98 和 100.02。买价越高通常越容易买入，卖价越高通常越难卖出。库存较多时，模型可能学习偏向卖出；波动较大时，可能学习扩大价差。

这些是仿真动作的分类，不是面对真实市场可以直接照做的指令。真实排队、延迟、撤单、成交复现和交易规则若没有被建模，仿真结果不能直接转成实盘结论。

做市强调持续双向提供流动性，并快速管理库存；网格通常围绕预设价格区间分批买卖；单方向拆单则是为了完成较大的买入或卖出目标，订单流可能持续朝一个方向。

同样是“小单、分批、低买高卖”的表面形态，背后的目标可能完全不同。不能看到连续小单就断言是做市商，也不能因为出现一个大托单就认定价格有支撑。普通 A 股账户还要遵守适用的 T+1 和卖出可用数量限制。

持续单方向订单流可以作为执行时的风险检查线索：例如持续卖出压力出现时，复核流动性和成交条件。但持续买单不等于未来必涨，持续卖单也不等于未来必跌。

对同一观察窗口的成交时间戳求相邻间隔，可以计算交易节奏的变异系数 CV：

CV = 交易间隔的标准差 ÷ 交易间隔的均值

假设相邻间隔是 1、2、3 秒，均值为 2；若使用总体标准差约 0.816，则 CV≈0.816÷2≈0.408。CV 较小表示相对更规则，较大表示间隔更不稳定。均值接近零时要做数值保护，并写清时间分辨率和过滤规则。

还可以观察：

1. 订单流不平衡：(买量−卖量)÷(买量+卖量)，保留正负号；
2. 大单比例：例如把成交额超过窗口均值 3 倍定义为大单，固定金额或股数口径后再统计；
3. 撤单率：撤单笔数÷相关申报笔数，明确分母和部分撤单处理；
4. 价格冲击后的恢复速度：观察冲击发生后价格和深度如何变化。

这些特征只能描述交易流的形态。规则节奏可能来自算法、数据聚合或其他交易者；主动随机化的拆单也可能有较大的 CV。0.5 可以是研究阈值示例，不能当成机构身份判定线。

可以构造三类教学样本：模拟散户、模拟做市商和模拟拆单者，每类 200 个窗口，共 600 个窗口。示例生成器可能让散户方向随机、数量在 100/200/300 股之间并有约 5% 大单；让模拟做市商节奏较规则、买卖相对均衡；让模拟拆单者方向较一致，并按 TWAP 节奏执行。

用随机森林等模型从特征 X 预测标签 Y，准确率较高，首先说明模型学会了生成器预设的分布。真实市场往往混合多个参与者，一个窗口里可能同时有做市和拆单；没有账户级证据，不能直接确认背后主体，更不能仅凭行为判断是否使用强化学习。

真实研究可以先把任务写成“观察到疑似拆单模式”，保留标注理由和不确定性。约 1000 条人工标注样本只是示意，不是普遍最低要求。应按独立生成批次划分训练和测试，增加混合角色与噪声，报告混淆矩阵和每类误判，不只报总体准确率。

大买单突然撤销，可能是正常改价、风险管理，也可能是误导性挂单的风险线索；上涨时卖单撤销，也可能只是卖方惜售。仅凭盘口截图或一段描述，不能认定操纵行为。

如果观察到疑似虚假挂单、拉抬或打压等操纵风险，正确做法是保留时间戳、订单事件、成交和撤单记录，扩大观察窗口，核对适用规则并提交合规或风控复核。不要模仿、优化或执行这类行为。

同样，“等拆单结束再买”事后容易描述，事前却不知道是否真的结束。识别系统只能输出可解释的风险线索，例如连续若干窗口信号消退，再结合既有策略和成本规则做人工或系统复核，不能把线索当成独立交易信号。