金七言1. 项目背景与核心价值
金融市场中的订单簿数据就像人体的心电图，每一笔报价变动都在传递着市场参与者的真实意图。传统量化交易策略往往基于静态的盘口快照进行分析，却忽视了订单簿动态变化中蕴含的丰富信息。这个项目正是要捕捉这种"呼吸"般的微观动态。
订单簿微观结构研究在算法交易领域已有多年历史，但传统方法面临两个关键瓶颈：一是难以有效处理高频数据中的时间序列依赖关系，二是对市场参与者之间的复杂交互模式缺乏建模能力。图神经网络（GNN）的出现为这两个问题提供了新的解决思路。
我在实际开发高频交易系统时发现，许多策略失效的根本原因在于对市场深度变化的反应滞后。有一次我们的做市策略在流动性突然枯竭时仍持续报价，导致瞬间产生大幅滑点。这促使我开始探索如何更智能地感知订单簿状态变化。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构设计
2.1 数据表征设计
将订单簿转化为图结构是本项目的关键创新点。我们采用以下节点和边的定义方案：
-
价格节点：每个价格档位作为一个独立节点，节点特征包括：
- 当前档位的买卖量（标准化处理）
- 距中间价的档位距离
- 最近N笔交易的成交量加权
- 波动率指标（通过GARCH模型计算）
-
时间节点：引入特殊的时间节点来捕捉时序依赖，其特征包括：
- 距上次更新的时间间隔
- 当前市场波动状态（平静/中等/剧烈）
- 交易量异常指标
-
边连接：采用三种连接方式：
- 相邻价格档位的双向连接（模拟订单簿连续性）
- 所有买卖方价格档位与时间节点的连接
- 跨档位的跳跃连接（捕捉大单拆分行为）
实践发现，加入5档以外的连接能显著提升对"冰山订单"的识别能力，但会提高约30%的计算开销。
2.2 模型选型对比
我们对比了三种主流的GNN架构在订单簿预测任务中的表现：
| 模型类型 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| GCN |