在学习交易系统时，撮合模块通常是最早接触到的内容之一。
规则也不复杂：价格优先、时间优先，买卖盘一对就成交。
但在真正做策略回放和撮合仿真的过程中，我慢慢发现一个问题：
同样的策略，在不同回放条件下，成交结果会不一样。
一开始我以为是参数没调好，后来才意识到，问题出在撮合逻辑本身——
并不是所有“能成交”的实现，都符合滚动撮合交易的真实节奏。
撮合在系统里到底在做什么
从学习和实现的角度看，撮合并不是一次性的计算，而是一个持续运行的过程。
它会不断接收行情和订单变化，并在每一步判断是否产生新的成交：
行情更新 → 订单簿变化 → 撮合判断 → 成交生成 → 继续等待下一次变化
当系统使用 tick 级行情时，这个流程就会被不断触发，而不是等一批数据处理完再统一撮合。
这正是“滚动撮合”的含义：
撮合会随着行情一点点向前推进，而不是集中执行。
滚动撮合为什么“滚”
从实现角度看，滚动撮合可以拆解成一个很基础的循环：
新订单进入系统
与当前最优对手盘比较
条件满足就成交
剩余订单继续留在订单簿中
真正影响结果的，其实是订单簿的组织方式，而不是表面的撮合规则。
常见的结构是：
买盘按价格从高到低排序
卖盘按价格从低到高排序
同一价位内按进入顺序处理
这也是价格优先、时间优先在代码层面的直接体现。
一个简化的滚动撮合核心示例
下面这段代码只关注撮合本身，结构很简单，但已经具备滚动撮合的基本特征：
from collections import deque class Order: def __init__(self, price, volume): self.price = price self.volume = volume def rolling_match(buy_book, sell_book): trades = [] while buy_book and sell_book: buy = buy_book[0] sell = sell_book[0] if buy.price < sell.price: break volume = min(buy.volume, sell.volume) trades.append((sell.price, volume)) buy.volume -= volume sell.volume -= volume if buy.volume == 0: buy_book.popleft() if sell.volume == 0: sell_book.popleft() return trades
从学习角度看，这段逻辑已经包含了几个关键点：
撮合是逐笔推进的
支持部分成交
成交价格来自对手盘
未成交的订单会自然进入下一轮撮合
在真实系统中，复杂度更多来自并发、时间顺序和回报处理，而不是这段核心逻辑。
把撮合结果“画出来”更好理解
在调试撮合或做策略回放时，仅靠打印日志其实不太直观。
我更习惯把成交价格画成简单的曲线，帮助自己理解撮合过程。
下面是一个最小的可视化示例：
import matplotlib.pyplot as plt
prices = [101, 101, 100.5, 100.5, 100]
times = range(len(prices))
plt.plot(times, prices)
plt.xlabel("Match Sequence")
plt.ylabel("Trade Price")
plt.title("Rolling Matching Trade Price")
plt.show()这种图在学习阶段非常有用：
能快速发现成交价格是否异常
可以对比不同撮合逻辑的差异
对理解滑点来源也很直观
为什么学习滚动撮合要用 tick 行情
在撮合层面，时间顺序往往比价格本身更重要。
如果使用的是聚合后的行情数据：
多笔真实成交会被合并
撮合触发点被提前或延后
回放结果和真实市场存在偏差
因此，在学习和仿真阶段，更合理的方式是：
用逐笔 tick 行情驱动撮合逻辑
让撮合过程跟随市场节奏前进
在一些练习项目中，我会直接使用多市场的 tick 行情流作为输入，比如接入 AllTick API 提供的实时 tick 数据。统一的数据结构可以减少很多适配工作，也更方便还原滚动撮合的过程。
学到的一点体会
撮合模块在最初看起来总是“已经写完了”，
但当你开始做高频回放、策略并行或者跨市场实验时，它往往是最先暴露问题的地方。
是否真正理解滚动撮合交易，直接影响：
回测结果是否可信
策略行为是否稳定
学习过程中对市场机制的理解深度
从学习角度来看，把撮合逻辑拆开、多跑几次、多画几张图，比单纯看规则要有效得多。
如果你正在学习交易系统或量化相关内容，这一部分非常值得花时间认真理解。