如何解析东财集合竞价数据中的异常波动？

Question

如何通过东财Level-2集合竞价数据识别竞价末期异常放量？常见问题在于，9:20后申报撤销受限，若某股在9:24:50至9:25:00间突然出现万手级虚拟成交但价格未同步波动，是否反映主力对倒诱多？需结合前5分钟申报量/撤单率、匹配量增速与历史均值对比，并排除新股、复牌等特殊场景干扰。

Answer 1

一、集合竞价异常放量的识别背景与数据基础

在A股市场中，9:15至9:25为开盘集合竞价时段，其中9:20前允许自由申报与撤单，而9:20后申报虽可继续，但撤销受限。这一机制设计本意是提升价格发现效率，但也被部分主力资金利用进行对倒操作。

东方财富Level-2数据提供了逐笔委托、虚拟成交、买卖队列等高频信息，使得我们能够以秒级精度监控竞价末期（尤其是9:24:50至9:25:00）的量价行为。

当某只股票在此时间段内出现万手级虚拟成交量突增，但价格未显著上扬，可能暗示存在非真实交易意图的“虚假繁荣”——即主力通过对倒制造热度，诱导散户跟风买入。

二、异常放量的核心指标构建

为系统性识别此类行为，需构建以下多维指标：

1. 申报总量增速：统计9:20-9:24:50期间每30秒的累计申报量变化率。
2. 撤单率（9:15-9:20）：反映前期博弈激烈程度，高撤单率常伴随后续操纵风险。
3. 匹配量突增倍数：计算最后10秒匹配量相较于前4分钟均值的增长倍数。
4. 价格弹性系数：定义为匹配量变动百分比 / 成交价变动百分比，若该值远大于历史中位数，则信号可疑。
5. 买一档堆积比例：观察买一档挂单占总买盘比例是否异常集中。

三、数据分析流程与逻辑判断框架

以下是基于Level-2数据的分析流程图：

        ```mermaid
        graph TD
            A[获取东财Level-2集合竞价数据] --> B{是否为新股/复牌?}
            B -- 是 --> C[排除分析]
            B -- 否 --> D[提取9:20-9:24:50申报流]
            D --> E[计算撤单率 & 申报增速]
            E --> F[监测9:24:50-9:25:00匹配量突增]
            F --> G{突增≥历史均值3σ?}
            G -- 否 --> H[正常竞价]
            G -- 是 --> I{价格波动<0.3%?}
            I -- 是 --> J[标记为疑似对倒诱多]
            I -- 否 --> K[关注但不预警]
        ```
    

四、历史对比与阈值设定示例

以下为某主板个股近20个交易日集合竞价末期的数据统计样本：

日期	最后10秒匹配量(手)	前4分钟均值(手)	突增倍数	价格波动(%)	撤单率(9:15-9:20)	是否异常
2024-03-01	8,200	1,200	6.83	0.12	67%	是
2024-03-02	1,450	1,300	1.12	0.45	52%	否
2024-03-03	12,100	1,150	10.52	0.08	73%	是
2024-03-04	980	1,080	0.91	0.21	45%	否
2024-03-05	15,600	1,320	11.82	0.05	78%	是
2024-03-06	2,100	1,400	1.50	0.60	50%	否
2024-03-07	18,300	1,250	14.64	0.03	81%	是
2024-03-08	1,050	1,100	0.95	0.18	42%	否
2024-03-09	9,700	1,180	8.22	0.10	69%	是
2024-03-10	1,320	1,260	1.05	0.33	55%	否
2024-03-11	21,500	1,300	16.54	0.02	85%	是
2024-03-12	1,400	1,350	1.04	0.28	48%	否

五、技术实现方案与代码片段

使用Python结合东财API或本地L2解析模块，可实现实时监控。以下为关键逻辑代码：

        
import pandas as pd
import numpy as np

def detect_abnormal_auction(data: pd.DataFrame, symbol: str):
    # data columns: time, bid_vol, ask_vol, match_vol, price
    if is_special_case(symbol):  # 新股、ST、复牌等过滤
        return None
    
    pre_data = data[(data['time'] >= '09:20:00') & (data['time'] < '09:24:50')]
    final_data = data[(data['time'] >= '09:24:50') & (data['time'] <= '09:25:00')]

    mean_match_pre = pre_data['match_vol'].mean()
    total_match_final = final_data['match_vol'].sum()
    price_change = (final_data['price'].iloc[-1] - pre_data['price'].iloc[-1]) / pre_data['price'].iloc[-1]

    surge_ratio = total_match_final / mean_match_pre if mean_match_pre > 0 else 0

    if surge_ratio > 3 * get_historical_sigma(symbol) and abs(price_change) < 0.003:
        return {
            'symbol': symbol,
            'surge_ratio': round(surge_ratio, 2),
            'final_match': int(total_match_final),
            'price_stagnation': round(price_change*100, 2),
            'alert_level': 'HIGH'
        }
    return None
        
    

六、实战中的干扰因素与应对策略

尽管模型具备一定判别能力，但仍需注意如下干扰项：

• 重大利好消息突发：可能导致真实抢筹，需接入新闻情绪API交叉验证。
• 机构程序化报单：部分量化基金批量申报导致量能突增，但通常伴随价格响应。
• 流动性极低个股：本身匹配量基数小，易产生误报，建议设置最低日均成交额门槛（如>1亿元）。
• 交易所临时风控干预：可能压制价格波动，造成“量升价平”假象。

因此，在实际部署中应引入动态权重评分机制，综合多个维度输出风险得分，而非单一阈值触发。