Nautilus Trader中L1订单簿限价单成交行为的优化实践
2025-06-06 20:43:16作者:丁柯新Fawn
背景介绍
在量化交易系统的回测环节中,订单成交行为的模拟准确性至关重要。Nautilus Trader作为一款专业的交易系统框架,近期对其L1订单簿中限价单的成交逻辑进行了重要优化,特别是在处理大额限价单时实现了更符合实际市场预期的行为。
原有问题分析
在之前的版本中,当用户提交一个大额限价单时,系统存在以下行为特征:
- 如果限价单价格优于当前市场最优价(即可立即成交),系统会将其作为Taker订单处理,但仅成交当前最优价档位的全部数量
- 剩余未成交部分会转为Maker订单留在订单簿中
- 后续市场行情即使继续向有利方向移动,系统仍会将这些成交视为Maker成交
这种处理方式在L1订单簿(仅包含最优买卖价)环境下,特别是使用交易tick数据进行回测时,会导致成交结果与用户预期存在偏差。用户期望的是限价单能够像市价单一样,在当前市场深度允许的范围内尽可能多地成交。
技术解决方案
开发团队对订单匹配引擎进行了两项关键改进:
改进一:市场可成交限价单的优化处理
对于立即可成交的限价单(即价格优于当前市场最优价),系统现在会:
- 首先作为Taker订单成交当前最优价档位的全部数量
- 如果限价单价格"过度优于"市场(即已经穿透了当前市场价),系统会假设有足够流动性,继续以次优价格成交剩余数量
- 只有当限价单价格不再"过度优于"市场时,剩余部分才会转为Maker订单留在订单簿中
这种处理方式使得限价单在穿透市场时的行为更接近市价单,符合用户将其用作"防滑点保护"等场景的预期。
改进二:挂单限价单的成交优化
对于已经挂在订单簿中的限价单,当市场价格穿透其限价时:
- 系统会假设市场上有足够流动性完全成交该订单
- 不再局限于仅成交tick数据中显示的数量
- 这种处理在L1订单簿环境下更为合理,因为大额订单穿透市场价格的情况本身就暗示了充足的市场深度
技术实现考量
这些优化特别针对L1订单簿场景,主要基于以下技术考量:
- L1订单簿数据本身就不包含完整的市场深度信息
- 使用交易tick数据进行回测时,单个tick的数量往往不能反映真实市场深度
- 对于L2/L3订单簿,系统仍保持原有的精确匹配逻辑,以维护高级别仿真的准确性
- 特别处理了post_only类型的限价单,确保它们始终作为Maker订单
实际应用价值
这些改进为量化交易策略开发者带来了以下好处:
- 使用限价单作为防滑点保护时,行为更加符合预期
- 大额订单的成交模拟更加贴近真实市场环境
- 减少了为获得合理回测结果而进行数据预处理的工作量
- 为策略提供了更一致的成交行为,无论是使用限价单还是市价单
总结
Nautilus Trader通过对L1订单簿限价单成交逻辑的优化,显著提升了在简化数据环境下回测结果的合理性。这种改进特别适合使用聚合交易数据或L1订单簿数据进行策略开发的用户,使得限价单的成交行为更加符合实际交易场景中的预期,同时保持了系统在完整订单簿环境下的精确模拟能力。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
269
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
620
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1