高性能Tick级别高频交易引擎设计与实现

Rustaceans终极保命符：
“编译通过不代表逻辑正确，逻辑正确不代表性能达标，性能达标不代表资金安全” 💸

（此时一位路过的量化交易员默默关闭了实盘账户…）

写在前面

去年遇到一个做量化的朋友，他跟我抱怨说用简单均线策略回测年化100%+，夏普3.0，结果上实盘一个月亏了50%。当时我就在想，这TM不就是经典的回测陷阱吗？

做了几年交易系统开发，深知高频交易这块水有多深。毫秒级的延迟、复杂的市场微观结构、动态变化的流动性，每一个细节都可能让你的策略从天堂掉到地狱。

所以我决定自己撸一个高频交易引擎，就叫Zilean（源自lol的时光老头，懂的都懂）。目标很简单：让回测更接近实盘，减少那些要命的偏差。

为什么回测和实盘差这么多？

说白了就是几个问题：

市场本身就很操蛋

• 信噪比低得离谱，1:100都算好的
• 微观结构复杂，不是你想的那么简单
• 流动性说变就变
• 交易成本各种非线性，坑你没商量

回测太理想化了

• 用未来数据回测（这不是作弊吗？）
• 拿OHLC数据当tick用
• 完全不考虑订单簿深度
• 把订单执行想得太简单
• 交易成本？什么是交易成本？

实盘各种现实问题

• 网络延迟、系统延迟
• 滑点成本（这个真的很痛）
• 市场冲击
• 流动性不够
• 交易所各种限制

系统设计思路

既然要做，就要做到极致。Zilean的设计原则：

• 性能第一：微秒级延迟，支持L3订单簿
• 真实模拟：尽可能接近真实交易环境
• 大数据支持：能跑大规模历史数据
• 稳定可靠：毕竟是要用真金白银测试的

架构设计

核心模块

经过几轮重构，最终确定了这几个核心模块：

引擎核心（Engine）

• 订单簿管理（这个是重点）
• 撮合逻辑（各种边界情况都要考虑）
• 价格计算

市场模拟（Market）

• 行情生成
• 订单提交模拟
• 延迟模拟（这个很关键）

数据加载器（DataLoader）

• 历史数据加载（异步，不然会卡死）
• 实时数据处理
• 数据预处理

回测服务器（Server）

• ZMQ通信（选择ZMQ是因为性能好）
• 回测任务管理
• 结果返回

通信方案

最开始想用HTTP，后来发现延迟太高，改用ZMQ+ipc：

let context = Context::new();
let responder = context.socket(zmq::REP).unwrap();
responder.bind(&zconfig.start_url).expect("Failed to bind socket");

用REP/REQ模式，简单可靠，延迟也低。

核心实现

订单簿设计

这块踩了不少坑。最开始用HashMap，后来发现排序是个问题，改用BTreeMap：

struct OrderBook {bids: BTreeMap<Price, Vec<Order>>,  // 买单队列asks: BTreeMap<Price, Vec<Order>>,  // 卖单队列order_map: HashMap<OrderId, Order>, // 订单索引
}

BTreeMap天然有序，查找也快，就是内存占用稍微大一点。

动态订单队列模拟

这是整个系统最核心的部分，也是最难的。要想真实模拟市场，必须模拟订单队列。

具体怎么做？

1. 维护一个基于时间和价格的订单簿
2. 根据orderbook变化动态管理新订单
3. 同价位订单减少时，你的订单往前排
4. 订单簿变深时，你的订单还是在前面（这很重要）

然后要根据trade数据和orderbook价格变化做最优模拟，防止"虚空成交"。还要设计合理的成交概率模型，离买一卖一越近，在队列前面时成交概率越高。

这块调试了很久，各种边界情况都要考虑。

撮合引擎

/// ZileanV1 - 核心引擎结构
pub struct ZileanV1 {pub config: BtConfig,order_list: OrderList,pub account: Account,data_loader: Arc<Mutex<DataLoader>>,data_cache: VecDeque<Depth>,trade_cache: VecDeque<Trade>,pub next_tick: String,latency: LatencyModel,fill_model: FillModel,state: BacktestState,depth: Depth,
}

撮合逻辑实现了以下几种情况：

完全成交

• 买单价格 >= 卖单价格时撮合
• 按队列顺序，先进先出
• 成交后从订单簿移除

价格不匹配

• 买单 < 卖单时进入等待队列
• 价格优先，时间优先
• 买单从高到低，卖单从低到高

特殊订单处理

• 冰山订单：大单分拆，避免冲击市场
• 市价单：立即成交
• 限价单：等价格
• 止损单：触发后转限价

每笔成交都有唯一ID，记录所有细节，更新账户状态。

数据缓存策略

这块也是重点。分两种缓存：

市场数据缓存
数据库查询太慢，必须缓存。但缓存太大会卡，所以要找平衡点。关键是异步读取，不能阻塞主流程。

返回缓存
交易员收到行情后，系统已经开始算下一个tick了。这样做有两个好处：

1. 模拟真实延迟（现实中收到请求时已经是下一时刻了）
2. 瞬间返回数据，客户端和回测端同时计算

async fn prepare_data(&mut self) -> Result<(), std::io::Error> {// 加载初始数据let mut loader = self.data_loader.lock().await;let data = loader.load_data().await?;// 填充缓存self.data_cache.extend(data);// 初始化深度if let Some(depth) = self.data_cache.front() {self.depth = depth.clone();}Ok(())
}

延迟模拟

这个很容易被忽视，但超级重要。真实交易中，网络延迟、交易所延迟、系统处理延迟都会影响执行。

实现了四种模式：

1. 无延迟：理想情况测试
2. 固定延迟：所有订单加相同延迟
3. 随机延迟：在范围内随机
4. 正态分布延迟：最接近真实情况

struct LatencySimulator {mean_latency: Duration,std_deviation: Duration,random: ThreadRng,
}

调试时发现，哪怕一毫秒的延迟差异，对高频策略的影响都很大。

性能优化

内存优化

• 用VecDeque做数据缓存，双端操作快
• 预分配内存，减少动态分配
• 0拷贝设计，减少克隆
• L2级缓存，利用空闲时间查数据

并发优化

用Tokio异步运行时，192个工作线程（根据CPU核数调整）。线程同步用Arc：

data_loader: Arc<Mutex<DataLoader>>

这里踩过坑，一开始用RwLock，后来发现在高并发下性能反而不如Mutex。

延迟优化

批量处理减少计算开销：

self.inner.retain_mut(|order| {// 批量处理订单
});

一些踩过的坑

1. 内存泄漏：最开始没注意VecDeque的清理，跑长时间回测会OOM
2. 精度问题：浮点数比较要用epsilon，不能直接==
3. 时区问题：不同交易所时区不同，统一用UTC
4. 数据质量：脏数据会导致奇怪的回测结果，必须做数据清洗
5. 并发竞争：多线程访问共享数据时的各种竞争条件

翻车现场：高频撮合的血泪史

订单簿并发修改灾难

• 高频场景下，订单簿可能在撮合过程中被修改
• 一边在遍历BTreeMap撮合订单，另一边新订单插入导致数据不一致
• 解决方案：撮合时先快照订单簿状态，或者用读写锁分离

BTreeMap迭代器失效惨案

• BTreeMap的entry操作可能触发重新平衡，导致迭代器失效
• 在遍历过程中删除节点，迭代器直接panic
• 血的教训：先收集要删除的key，遍历完再统一删除

异步撮合的竞态条件

• 异步撮合过程中，新订单插入可能破坏撮合逻辑
• 订单A正在撮合，订单B插入了更优价格，结果A先成交了
• 现在用消息队列串行化所有订单操作，虽然慢点但稳定

教训：高频交易容不得半点马虎，每个细节都可能要命 🩸

总结

做了大半年，总算把这个引擎搞出来了。性能方面基本达到预期，微秒级延迟，能处理大规模数据。

最重要的收获是：高频交易不只是追求性能，稳定性和准确性更重要。再快的系统，如果不稳定或者模拟不准确，都是白搭。

现在用这个引擎跑回测，结果和实盘的差异明显小了很多。虽然还不能完全消除偏差（这也不现实），但至少不会出现回测100%实盘-50%这种离谱情况了。

下一步计划加入更多交易所的支持，以及更复杂的订单类型。如果有同行想交流，欢迎联系。

此文章内容由云梦量化科技Buttonwood的创作投稿。