Abnormal Trading High Frequency Cancellation

聚合指标（如有）：

• 账户级：日/周/月撤单率、申报频率、成交占比
• 证券级：该证券全市场撤单率对比

核心分析框架

监管标准参考（沪深交易所）

高频撤单典型特征：

1. 撤单率过高：单日撤单率超过 50%（部分券商内控更严，设 30%）
2. 申报频率过高：1 分钟内申报≥30 笔，或 1 秒内申报≥3 笔
3. 大额申报后快速撤单：申报金额较大（如>50 万元），成交前撤单
4. 反复申报撤单：同一价格/方向反复申报撤单≥5 次
5. 尾盘/开盘集中撤单：集合竞价阶段或收盘前 3 分钟异常撤单

虚假申报（幌骗交易）识别要点：

• 大额申报制造虚假供需
• 申报后快速撤单（通常<1 秒）
• 反向成交获利
• 多账户联动（如有多账户数据）

关键指标计算

撤单率 = 撤单委托笔数 / 总委托笔数 × 100%
成交占比 = 成交笔数 / 总委托笔数 × 100%
申报频率 = 单位时间（如 1 分钟）内申报笔数
大额申报占比 = 大额委托（如>50 万）笔数 / 总委托笔数
快速撤单占比 = 申报后 X 秒内撤单笔数 / 总撤单笔数

异常程度分级

输出模板

模板 A：快速筛查

适用："是否异常""有没有问题"

**筛查结论**：[正常/关注/异常/严重]

**关键指标**：
- 撤单率：XX%
- 申报频率：XX 笔/分钟
- 大额撤单占比：XX%

**是否触及阈值**：是/否（说明具体触及的阈值）

**建议动作**：xxx

模板 B：标准分析

适用："详细分析""形成报告"

**分析对象**：账户/证券/时间段

**数据概览**：
- 总委托笔数：XX
- 撤单笔数：XX
- 成交笔数：XX
- 分析时段：XXX

**异常指标识别**：
- 撤单率：XX%（阈值 50%，[未触及/触及]）
- 申报频率：XX 笔/分钟（阈值 30，[未触及/触及]）
- 快速撤单占比：XX%（申报后<1 秒撤单）
- 大额撤单特征：xxx

**行为模式分析**：
- 是否存在反复申报撤单：是/否
- 是否存在反向成交获利：是/否
- 是否集中在特定时段（开盘/尾盘）：xxx

**初步判断**：xxx（是否涉嫌高频撤单/虚假申报）

**建议措施**：xxx

模板 C：汇报版

适用："合规意见""监管报送""风控报告"

**事件概述**：xxx

**核心结论**：xxx

**关键数据与事实**：
- xxx

**监管标准对照**：
- 触及条款：xxx
- 阈值对比：xxx

**风险评估**：xxx

**处置建议**：
- 短期：xxx
- 长期：xxx

**后续跟踪**：xxx

特殊情况处理

数据不完整：基于已有数据给出判断框架，说明"完整分析需 XX 字段"

多账户联动嫌疑：如有多账户数据，分析申报时间同步性、方向一致性、价格关联性

客户解释合理性：如客户提供解释（如程序故障、策略调整），评估解释合理性并记录

监管问询应对：协助准备说明材料，包括交易背景、策略说明、整改措施

语言要求

• 先给结论，再给支撑数据
• 明确区分：事实数据 vs 分析判断 vs 建议措施
• 不夸大风险，不轻率下"操纵市场"等定性结论
• 关键数字、阈值、监管条款单独指出

Reference

监管法规：

• 《证券法》第 55 条：禁止操纵证券市场
• 《证券交易所交易规则》：异常交易行为监控
• 《证券公司融资融券业务管理办法》
• 沪深交易所《异常交易实时监控细则》

行业标准：

• 中证协《证券公司异常交易监控指引》
• 各券商内控阈值参考（撤单率 30%-50%）

学术参考：

• Spoofing and Layering: Detection and Prevention (Journal of Trading)
• 高频交易监管国际比较研究

Scripts

Python 计算示例：

import pandas as pd
import numpy as np

def calc_cancellation_rate(df):
    """计算撤单率"""
    total_orders = len(df)
    cancelled_orders = len(df[df['status'] == 'cancelled'])
    return cancelled_orders / total_orders * 100 if total_orders > 0 else 0

def calc_order_frequency(df, time_unit='min'):
    """计算申报频率（笔/分钟）"""
    df['time'] = pd.to_datetime(df['order_time'])
    df = df.set_index('time')
    freq = df.resample('1T').size()
    return freq.mean(), freq.max()

def detect_high_freq_cancellation(df, threshold_rate=50, threshold_freq=30):
    """高频撤单检测"""
    rate = calc_cancellation_rate(df)
    freq_mean, freq_max = calc_order_frequency(df)
    
    result = {
        'cancellation_rate': rate,
        'order_frequency_mean': freq_mean,
        'order_frequency_max': freq_max,
        'is_abnormal': rate > threshold_rate or freq_max > threshold_freq
    }
    return result

SQL 查询示例：

-- 查询账户日度撤单率
SELECT 
    account_id,
    trade_date,
    COUNT(*) as total_orders,
    SUM(CASE WHEN status = 'CANCELLED' THEN 1 ELSE 0 END) as cancelled_orders,
    SUM(CASE WHEN status = 'CANCELLED' THEN 1 ELSE 0 END) * 1.0 / COUNT(*) as cancellation_rate
FROM order_table
WHERE trade_date = '2026-03-16'
GROUP BY account_id, trade_date
HAVING cancellation_rate > 0.5
ORDER BY cancellation_rate DESC;