交易系统：FeatureEngine

先来总结一下，交易所侧和客户端侧分别有多少线程

进程	业务工作线程	Logger 线程	主线程	总计
交易所 `exchange_main`	4	5	1	10
每个客户端 `trading_main`	3	4	1	8

交易所侧的业务工作线程：

线程	职责
`OrderServer`	通过 `TCPServer` 接收客户端订单请求，由 `FIFOSequencer` 按接收时间排序后送入撮合请求队列；从响应队列读取撮合结果，发送给对应客户端。
`MatchingEngine`	消费订单请求，维护交易所订单簿并执行撮合；生成客户端订单响应和公开市场行情，写入各自的输出队列。
`MarketDataPublisher`	消费撮合引擎生成的市场行情，添加行情序号并通过组播发布增量行情；同时将行情转交给快照合成线程。
`SnapshotSynthesizer`	消费增量行情并维护当前订单簿状态，定期通过组播发布完整快照，供客户端启动或丢包后恢复同步。

客户端侧的业务工作线程：

线程	职责
`MarketDataConsumer`	接收、处理市场行情，交给交易线程
`TradeEngine`	更新本地订单簿、计算特征、运行策略，处理订单响应
`OrderGateway`	向交易所发送订单请求，接收订单响应

FeatureEngine 的成员对象

class FeatureEngine {
private:
    std::string time_str_;
    Common::Logger *logger_ = nullptr;

    // 以下全部是本 feature engine 要采用的 feature
    double mkt_price_ = Feature_INVALID;
    double agg_trade_qty_ratio_ = Feature_INVALID;
}

feature engine 要采用哪些 feature 是和具体策略内容关系很大的事情。书中为了演示，采用 mkt_price 和 agg_trade_qty_ratio_ 两个 feature。这里的 mkt_price 采取了 “fair market price” 的一种算法：

$$mkt_price = \frac{bid_price \times ask_qty + ask_price \times bid_qty} {bid_qty + ask_qty}$$

//？？：而生产级交易系统这里是用因子？生产级的流式因子计算引擎就是对于 feature engine 的扩充是不是？

有两种事件可能触发 FeatureEngine 的 feature 计算：订单簿更新和交易，这两种事件分别触发以下的两种回调函数：onOrderBookUpdate 和 onTradeUpdate

onOrderBookUpdate

这个方法在 TradeEngine 持有的订单簿发生变化时调用，计算受到订单簿订单影响的 feature。在本书定义的两个 feature 当中，只有 mkt_price 是受到订单簿影响的（准确点说是只受到 bbo_ 的影响），因此此处只计算 mkt_price 这一个 feature。

auto FeatureEngine::onOrderBookUpdate(TickerId ticker_id, Price price, Side side, MarketOrderBook* book) noexcept {
    const auto bbo = book->getBBO();

    if (LIKELY(bbo->bid_price_ != Price_INVALID && bbo->ask_price_ != Price_INVALID)) { // bbo 当中的价格有意义
        mkt_price_ = (bbo->bid_price_ * bbo->ask_qty_ + bbo->ask_price_ * bbo->bid_qty_) / (bbo->ask_qty_ + bbo->bid_qty_);
    }
}

onTradeUpdate

与上面的方法相对，当前方法在发生交易的时候调用。

auto FeatureEngine::onTradeUpdate(const Exchange::MEMarketUpdate* market_update, MarketOrderBook* book) noexcept {
    const bbo = book->getBBO();
    if (LIKELY(bbo->bid_price_ != Price_INVALID && bbo->ask_price != Price_INVALID)) { // bbo 当中的价格有意义
        agg_trade_qty_ratio_ = static_cast<double>(market_update->qty_) / (market_update->side_ == Side::BUY ? bbo->bid_qty_ : bbo->ask_qty_);
    }
}

FeatureEngine 可能的扩展

独立计算服务

不同的因子对计算量、延迟有不同的要求时，可以按需求分配计算：

方式	分工	适用情况
同步计算	交易线程更新订单簿、计算特征、执行策略	计算轻、要求严格事件顺序和低延迟
异步计算	计算线程或外部服务更新因子，交易线程接收结果	计算较重、跨标的、可容忍一定延迟
混合计算	快速盘口特征同步算，较慢的统计或模型异步算	不同特征有不同更新频率和延迟要求

扩展因子

可以使用更多元的数据来计算因子，包括历史数据、订单簿数据

引入机器学习评分

由独立的线程采取已经训练好参数的机器学习/深度学习模型，直接加载参数
加载 FeatureEngine 算好的因子，得到评分

管理计算依赖

将因子拆成算子，按 DAG 顺序更新，共享中间结果，避免重复计算
也就是，计算引擎保持由状态，维护

还有很多。我想这一块“计算什么因子、用什么模型来评分”就是量化研究的重点