Orderbuch-Imbalance (OBI) Filter: Dynamische Grid-Schritt-Kalibrierung über Level-2-Daten (2026)

Um die Angebots- und Nachfrageasymmetrie quantitativ zu bewerten, berechnen wir das normalisierte Order Book Imbalance (OBI) über die oberenLEbenen des Limit-Orderbuchs:

OBI_L(t) = \frac{\sum_{i=1}^{L} w_i \cdot V_i^{bid}(t) - \sum_{i=1}^{L} w_i \cdot V_i^{ask}(t)}{\sum_{i=1}^{L} w_i \cdot V_i^{bid}(t) + \sum_{i=1}^{L} w_i \cdot V_i^{ask}(t)}

WobeiV_i^{bid}undV_i^{ask}das Ruhevolumen auf Tiefenebene darstelleniundw_iist eine optionale Zerfallsgewichtung (z. B. linearer Zerfallw_i = \frac{L - i + 1}{L}oder exponentieller Zerfall), die den Top-of-Book-Kursen, die dem Mittelpreis am nächsten liegen, eine höhere Bedeutung zuweist.

Die Metrik ist zwischen[-1.0, +1.0]begrenzt.EinOBI \approx 0zeigt perfekte Buchsymmetrie an (ideal für klassische symmetrische Gitter).EinOBI > +0.50weist auf eine überwältigende Tiefe auf der Käuferseite hin und prognostiziert einen Preisanstieg nach oben, während einOBI_L(t) = \frac{\sum_{i=1}^{L} w_i \cdot V_i^{bid}(t) - \sum_{i=1}^{L} w_i \cdot V_i^{ask}(t)}{\sum_{i=1}^{L} w_i \cdot V_i^{bid}(t) + \sum_{i=1}^{L} w_i \cdot V_i^{ask}(t)}0___ einen sofortigen Preisdruck nach unten prognostiziert.

Anstatt den Bot bei Buchungleichgewichten einfach herunterzufahren, passt der quantitative Algorithmus den individuellen Rasterschrittabstand dynamisch an:

• Kaufschritterweiterung: Die Entfernung zur nächsten Kauforder wird um\Delta P_{buy} = \Delta P_{base} \cdot (1 - \beta \cdot OBI)fürOBI < 0skaliert, wobei\beta \approx 0.8. Wenn der Verkaufsdruck steigt, verschiebt der Bot seine Kaufgebote weiter nach unten und zwingt eingehende Verkäufer, tiefere Rabatte anzubieten.
• Kontraktion der Verkaufsschritte: Umgekehrt werden Take-Profit-Verkaufsaufträge während eines Abwärtsungleichgewichts näher am mittleren Preis platziert, um vorhandene Lagerbestände schnell abzubauen, bevor sich die Preise weiter verschlechtern.

In einer 30-tägigen Vergleichs-Live-Arena, die auf Bybit SOL / USDT mit 30 Bot-Bereitstellungen durchgeführt wurde, verglich unser Research Desk statische Standard-Arithmetikgitter mit OBI-gefilterten adaptiven Gittern.

Während plötzlicher Intraday-Liquidationskaskaden erlebten die statischen Netze einen durchschnittlichen Drawdown von -16,8% und kauften wiederholt in fallende Verkaufswände ein. Die OBI-gefilterten Bots, die starke negative Ungleichgewichte erkennen (OBI fällt unter -0,65), erweiterten automatisch den Kaufschrittabstand von 0,45% auf 1,15%.

Dieses adaptive Verhalten ermöglichte es den OBI-gefilterten Bots, Inventar zu einem um 2,8% niedrigeren Durchschnittspreis als den statischen Bots anzusammeln. Über den gesamten 30-Tage-Zyklus erzielte die OBI-gefilterte Flotte eine realisierte Nettorendite von +18,4% gegenüber +11,2% für die statische Flotte, zusammen mit einer 41% Reduzierung des maximalen Drawdowns.

Um einen institutionellen OBI-Filter in Python mit einer Antwortlatenz von weniger als 10 ms zu implementieren, strukturieren Sie Ihre Pipeline wie folgt:

1. Level 2 Orderbuch Lokaler Cache: Pflegen Sie eine Orderbuch-Datenstruktur, die kontinuierlich über Exchange Depth WebSockets aktualisiert wird (z. B. Bybit V5orderbook.50).
2. Delta-Aktualisierungsanwendung: Verarbeiten Sie sequenznummerierte Auftragsbuch-Delta-Pakete, um sicherzustellen, dass Ihr lokales Buch mathematisch mit dem Status der Exchange Matching Engine identisch ist.
3. Asynchroner OBI-Rechner: Berechnen Sie bei jedem Buchupdate den gewichteten OBI über die oberen 10 Preissprossen. Filtern Sie vorübergehende Ticks mithilfe eines exponentiellen gleitenden Durchschnitts (EMA) mit einer Halbwertszeit von 5 Sekunden heraus.
4. REST-/WebSocket-gedrosselter Rebalancer: Wenn der geglättete OBI um mehr als 0,35 von Null abweicht, übertragen Sie die Nutzlasten für die Änderung von Stapelaufträgen, um die Preise für Ruhelimits anzupassen.