價格變化的充要條件：從訂單簿看市場微觀結構

在量化交易中，我們天天研究「如何預測價格走向」——但很少有人停下來思考一個更根本的問題： 價格究竟在什麼條件下才會發生變化？ 搞清楚這個問題，你對市場的理解會有質的飛躍。

第一部分：最常見的誤區

「買的人多就漲」——你確定嗎？

幾乎每一個股市入門者都聽過這句話。它聽起來很直觀：需求大於供給，價格自然上漲。

但讓我們把這個命題精確化：

這個說法的問題在哪裡？

• 「買的人多」是一個模糊的描述——多少算多？
• 股票市場的每一筆成交，都同時存在一個買方和一個賣方——買的數量永遠等於賣的數量
• 某只股票今天成交 1000 萬股，買入了 1000 萬股，賣出也是 1000 萬股

第二部分：什麼是充要條件？

邏輯回顧

在進入市場分析之前，先回顧一下邏輯學的基本概念：

對應到價格變化：問題的精確表述

我們要找的是：價格從 P 變化到 P' ≠ P，其充要條件是什麼？

要回答這個問題，我們需要理解市場是如何撮合交易、如何形成價格的。

第三部分：訂單簿——價格形成的舞台

什麼是訂單簿（Order Book）？

訂單簿是交易所維護的一個實時報價排隊系統。它記錄了目前所有未成交的限價掛單：

• 賣單（Ask / Offer）：願意以某價格賣出的掛單，從低到高排列
• 買單（Bid）：願意以某價格買入的掛單，從高到低排列

訂單簿長什麼樣？

以某只股票為例，某一時刻的訂單簿快照：

在這個訂單簿中：

• 最優賣價（Best Ask）：102.00 — 你想立即買入，最少要付 102.00
• 最優買價（Best Bid）：101.90 — 你想立即賣出，最多只能收到 101.90
• 買賣價差（Spread）：0.10 = 102.00 - 101.90，這是做市商的利潤來源

兩種訂單類型

第四部分：價格變化的充要條件（核心）

必要條件：必須有成交

首先，價格變化的必要條件是：必須有新的成交發生。

如果市場沒有任何成交，訂單簿上的掛單無論怎麼變動，「最新成交價」都不會改變。這一點很直觀：價格是由成交決定的，不是由掛單決定的。

充分條件：當前價位的流動性被耗盡

這才是關鍵所在。看上面的訂單簿：最優賣價是 102.00，掛了 3,000 股。

場景A：一個買家用市價單買入 1,000 股

• 他以 102.00 成交 1,000 股
• 102.00 的剩餘量：3,000 - 1,000 = 2,000 股
• 最優賣價仍然是 102.00
• 價格沒有變化

場景B：一個買家用市價單買入 3,000 股（恰好等於掛單量）

• 他以 102.00 成交 3,000 股
• 102.00 的掛單全部被吃光，剩餘量：0
• 最優賣價變為下一檔：102.10
• 賣一價上移，價格上漲

場景C：一個買家用市價單買入 5,000 股

• 先以 102.00 吃掉 3,000 股
• 剩餘 2,000 股繼續以 102.10 成交
• 最終成交均價約 102.04，最後成交價 102.10
• 價格上漲，並產生「衝擊成本」

💡 精確表述：價格上漲，不是因為「買的人多」，而是因為主動買入的力量足以耗盡當前賣價的所有流動性，迫使成交價移動到更高的賣盤檔位。

還原「買的人多就漲」的真實含義

現在我們可以給這句話一個更精確的詮釋：

真正導致漲價的，是「買入力量」與「賣盤流動性」的對比，而不是單純的買方人數或成交量。

第五部分：訂單流失衡（Order Flow Imbalance）

量化交易中有一個重要指標叫做訂單流失衡（OFI, Order Flow Imbalance），它正是基於上述邏輯設計的：

import pandas as pd

def calc_ofi(trades: pd.DataFrame) -> pd.Series:
    """
    計算訂單流失衡指標
    
    trades 需包含列：
        - price: 成交價格
        - volume: 成交量
        - side: 'buy'（主動買入）或 'sell'（主動賣出）
    
    OFI > 0：主動買入佔優，價格傾向上漲
    OFI < 0：主動賣出佔優，價格傾向下跌
    OFI ≈ 0：買賣均衡，價格傾向橫盤
    """
    buy_vol  = trades[trades['side'] == 'buy']['volume'].sum()
    sell_vol = trades[trades['side'] == 'sell']['volume'].sum()
    total    = buy_vol + sell_vol
    
    if total == 0:
        return 0.0
    
    # OFI 範圍 [-1, 1]
    ofi = (buy_vol - sell_vol) / total
    return ofi

# 示例
data = pd.DataFrame({
    'price':  [100.0, 100.0, 100.1, 100.1, 100.0],
    'volume': [  100,   200,   500,   300,   150],
    'side':   ['buy', 'sell', 'buy', 'buy', 'sell']
})

ofi = calc_ofi(data)
print(f"訂單流失衡 OFI = {ofi:.3f}")
# OFI = 0.400  →  主動買入佔優

OFI 與未來價格的關係

import numpy as np
import pandas as pd

def rolling_ofi_signal(df: pd.DataFrame, window: int = 60) -> pd.DataFrame:
    """
    計算滾動 OFI 信號，作為短線方向指標
    
    參數：
        df: 包含 volume 和 side 的逐筆成交數據（已按時間排序）
        window: 滾動窗口（筆數）
    """
    df = df.copy()
    df['signed_vol'] = df.apply(
        lambda r: r['volume'] if r['side'] == 'buy' else -r['volume'], axis=1
    )
    df['ofi'] = (
        df['signed_vol'].rolling(window).sum() /
        df['volume'].rolling(window).sum()
    )
    
    # 信號：OFI 超過閾值則看多/看空
    df['signal'] = 0
    df.loc[df['ofi'] >  0.3, 'signal'] = 1   # 看多
    df.loc[df['ofi'] < -0.3, 'signal'] = -1  # 看空
    
    return df[['price', 'ofi', 'signal']]

第六部分：流動性——「阻力」的大小

為什麼同樣的買入量，有時漲很多，有時幾乎不動？

答案是流動性深度（Market Depth）的差異：

市場衝擊成本（Price Impact）

當你的訂單足夠大，它會推動價格對你不利，這叫做市場衝擊成本。量化策略設計中必須考慮：

def estimate_price_impact(orderbook_asks: list, buy_volume: float) -> dict:
    """
    估算市價買單的衝擊成本
    
    參數：
        orderbook_asks: [(price, volume), ...] 從低到高排列的賣盤
        buy_volume: 想要買入的股數
    
    返回：
        成交均價、最後成交價、衝擊成本（bps）
    """
    remaining = buy_volume
    total_cost = 0.0
    last_price = orderbook_asks[0][0]
    
    for price, vol in orderbook_asks:
        if remaining <= 0:
            break
        fill = min(remaining, vol)
        total_cost += fill * price
        last_price = price
        remaining -= fill
    
    if remaining > 0:
        print(f"警告：訂單簿流動性不足，{remaining} 股未成交")
    
    filled = buy_volume - remaining
    avg_price = total_cost / filled if filled > 0 else 0
    best_ask  = orderbook_asks[0][0]
    impact_bps = (avg_price - best_ask) / best_ask * 10000
    
    return {
        'avg_price':   round(avg_price, 4),
        'last_price':  last_price,
        'impact_bps':  round(impact_bps, 2),   # 基點
        'filled_vol':  filled,
    }

# 示例：使用上文訂單簿
asks = [
    (102.00, 3000),
    (102.10, 4500),
    (102.30, 2100),
    (102.50, 3200),
]

result = estimate_price_impact(asks, buy_volume=8000)
print(f"成交均價：{result['avg_price']}")
print(f"衝擊成本：{result['impact_bps']} bps")
# 成交均價：102.04375
# 衝擊成本：4.28 bps

第七部分：對量化策略的啟示

啟示一：看成交量的「方向」比「大小」重要

不是「成交量大就漲」，而是「主動買入量 vs 主動賣出量的比值」決定方向。這就是為什麼量化策略更關注主動買賣比（Buy-Sell Ratio）而非單純的成交量。

啟示二：流動性薄弱時要特別謹慎

• 波動率通常在流動性低的時段（開盤前、收盤後、節假日）急劇放大
• 大額訂單在流動性薄弱時執行，滑點和衝擊成本會非常高
• 策略需要根據流動性動態調整倉位大小

啟示三：掛單變化本身就是信號

機構投資者在大量買入前，往往會先在賣盤側大量撤單（降低阻力），或在買盤側增加掛單（製造支撐假象）。這就是Level 2 訂單流分析的價值所在：

def detect_liquidity_withdrawal(prev_asks: list, curr_asks: list, 
                                threshold: float = 0.3) -> bool:
    """
    檢測賣盤流動性突然撤出——可能是機構在為大額買入「清場」
    
    如果最優賣盤量在短時間內減少超過 threshold（30%），
    則觸發預警，提示可能有上漲行情
    """
    prev_top_vol = sum(v for _, v in prev_asks[:3])  # 前三檔賣盤
    curr_top_vol = sum(v for _, v in curr_asks[:3])
    
    if prev_top_vol == 0:
        return False
    
    withdrawal_ratio = (prev_top_vol - curr_top_vol) / prev_top_vol
    return withdrawal_ratio > threshold

# 示例
prev = [(102.00, 3000), (102.10, 4500), (102.30, 2100)]
curr = [(102.00,  500), (102.10, 1200), (102.30,  800)]  # 大量撤單

alert = detect_liquidity_withdrawal(prev, curr)
print("賣盤流動性異常撤出！可能有上漲行情" if alert else "流動性正常")

啟示四：「充要條件」框架幫你避開錯誤直覺

很多散戶看到新聞說「XX 公司業績大增，機構瘋狂買入」就判斷股價一定漲。但根據充要條件框架：

• 業績大增 → 利好，引發買入意願（這只是必要條件的前置因素）
• 如果股價已提前漲到充分消化利好的位置，賣盤就會在高位大量湧現，抵消買入力量
• 「利好出盡是利空」——說的就是這個機制

總結

本文從充要條件的視角，揭示了價格變動的底層邏輯：

📌 一句話總結：價格的移動，本質上是訂單流量對流動性壁壘的持續突破。「多空力量的對比」——正是這個比值與流動性深度的動態博弈，決定了每一個 tick 的方向。

理解了這個底層機制，你在設計量化策略時就能更精準地定義「買入信號」——不是籠統的「看多情緒」，而是具體的訂單流失衡程度、流動性深度閾值和衝擊成本估算。