--- title: "1.1.3 Libro de órdenes: bid, ask, spread y profundidad" description: "Cómo se lee un libro de órdenes: bid y ask, horquilla, profundidad, desequilibrio y microprecio, y cómo se reconstruye el L2 a partir de los mensajes L3." url: "https://pythonparatrading.com/curso-python-trading/nivel-1/libro-de-ordenes-bid-ask-y-profundidad/" lang: "es" image: "https://pythonparatrading.com/og/curso-python-trading/nivel-1/libro-de-ordenes-bid-ask-y-profundidad.png" --- # 1.1.3 · Libro de órdenes: bid, ask, spread y profundidad > El libro de órdenes es la lista de lo que los demás están dispuestos a comprar y vender, y a qué precio. Esta lección lo lee en sus tres niveles de detalle sobre la sesión de NOVA: el mejor precio, la escalera de diez niveles y los mensajes orden a orden, con los que se reconstruye el libro y se descubre una orden iceberg. - Curso: [Nivel 1: Datos financieros, mercados y análisis](https://pythonparatrading.com/curso-python-trading/nivel-1/) - Módulo: 1.1 · Cómo funcionan los mercados - Duración: 60 min - Requisitos: [1.1.1 · Participantes y centros de negociación](https://pythonparatrading.com/curso-python-trading/nivel-1/participantes-y-centros-de-negociacion/), [1.1.2 · Sesiones, subastas, festivos y calendarios](https://pythonparatrading.com/curso-python-trading/nivel-1/sesiones-subastas-y-calendarios-de-mercado/) ## Al terminar esta lección - Leer un libro de órdenes: bid, ask, horquilla en ticks y en puntos básicos, profundidad por nivel y profundidad acumulada. - Distinguir los datos L1, L2 y L3 por lo que contienen, para qué sirven y qué no enseñan. - Calcular el desequilibrio del libro y el microprecio, y medir con datos si anticipan el siguiente movimiento del precio medio. - Reconstruir el libro a partir de los mensajes L3 con prioridad precio-tiempo y comprobar que coincide con las fotos L2. - Detectar una orden iceberg por sus reposiciones con el mismo identificador. ## Qué es un libro de órdenes En la negociación continua, cada orden limitada que no se ejecuta al llegar se queda esperando en el **libro de órdenes**: una lista ordenada de lo que otros participantes están dispuestos a comprar y vender. El libro tiene dos lados: - **Bid (compras).** Órdenes de compra ordenadas de mayor a menor precio. El primero es el **mejor bid**: el precio más alto que alguien paga ahora mismo. - **Ask u offer (ventas).** Órdenes de venta ordenadas de menor a mayor precio. El primero es el **mejor ask**: el precio más bajo al que alguien vende ahora mismo. La distancia entre el mejor ask y el mejor bid es la **horquilla** (*spread*). Si alguien quiere comprar ya, paga el ask; si quiere vender ya, cobra el bid. Por eso la horquilla es el primer coste de operar (lección 1.1.5). El **precio medio** es el punto entre los dos, y es la referencia habitual de «el precio» en un instante. Cada **nivel** es un precio con órdenes. Su **tamaño** es la suma de las acciones de todas las órdenes a ese precio. La **profundidad** es cuánto hay en el libro: en un nivel, en los cinco primeros, a menos de un céntimo del medio… Los precios van de **tick** en tick, el salto mínimo de precio: en NOVA, como en la mayoría de las acciones de EE. UU., un céntimo. Los datos de esta lección son el libro visible de NOVA, la acción ficticia de la lección 1.1.1, el 2 de junio de 2025. Recuerda la simplificación del simulador: hay un único libro visible, el agregado de los centros con libro. ## Tres niveles de detalle: L1, L2 y L3 Los proveedores venden el libro con tres grados de detalle, y cada uno se obtiene agregando el siguiente: ```mermaid flowchart TB L3[L3: cada orden] -->|suma por precio| L2[L2: por nivel] L2 -->|solo el primero| L1[L1: mejor precio] L3 -->|ejecuciones| T[Operaciones] ``` | Nivel | Qué contiene | En los datos del curso | Para qué sirve | |---|---|---|---| | L1 (*top of book*) | Mejor bid y mejor ask con sus tamaños | `nova_cotizaciones.parquet`, una fila por cambio | Horquilla, precio medio, alinear operaciones (1.1.1) | | L2 (*market by price*) | Varios niveles por lado, con tamaño y número de órdenes | `nova_libro_l2.parquet`, 10 niveles cada 10 s | Profundidad, impacto de una orden grande, desequilibrio | | L3 (*market by order*) | Cada orden: alta, cancelación, modificación y ejecución, con su identificador | `nova_libro_l3.parquet`, 5 minutos | Cola de prioridad, icebergs, reconstrucción exacta del libro | Cuanto más detalle, más volumen de datos y más caro (lección 1.3.1). En NOVA, cinco minutos de L3 son 7.241 mensajes: a ese ritmo, la sesión completa pasaría del medio millón, frente a 129.247 cambios de L1 en todo el día. Para un sistema que opera a diario basta con L1 y barras; para estudiar costes de ejecución hace falta L2; para modelar la cola o la llegada de órdenes, L3. ## Una foto del libro, nivel a nivel Las fotos L2 de NOVA tienen una fila por nivel y lado, cada 10 segundos. Esta es la de las 19:00:00 UTC, las 15:00 de Nueva York, puesta como una escalera: compras a la izquierda, ventas a la derecha. ```python import numpy as np import pandas as pd l2 = pd.read_parquet("nova_libro_l2.parquet") foto = l2[l2["ts"] == "2025-06-02 19:00:00+00:00"] bid = foto[foto["lado"] == "bid"].set_index("nivel") ask = foto[foto["lado"] == "ask"].set_index("nivel") escalera = pd.concat({ "bid": bid[["ordenes", "tamano", "precio"]], "ask": ask[["precio", "tamano", "ordenes"]], }, axis=1) escalera ``` ```output bid ask ordenes tamano precio precio tamano ordenes nivel 1 36.0 13432.0 52.74 52.75 1870 5 2 44.0 9380.0 52.73 52.76 9900 18 3 41.0 9059.0 52.72 52.77 13280 29 4 5.0 1800.0 52.71 52.78 17322 54 5 2.0 600.0 52.70 52.79 14521 49 6 1.0 100.0 52.69 52.80 5142 30 7 3.0 526.0 52.67 52.81 9303 22 8 1.0 300.0 52.64 52.82 4300 11 9 NaN NaN NaN 52.83 1229 8 10 NaN NaN NaN 52.84 2252 6 ``` La figura de la cabecera dibuja la misma escalera. Se ven varias cosas que no están en un gráfico de precios. El lado comprador solo tiene ocho niveles en ese instante, y entre 52,69 y 52,67 falta el 52,68: «nivel» es un precio **con órdenes**, no cada tick. El primer nivel de compra tiene 13.432 acciones repartidas en 36 órdenes; el de venta, solo 1.870 en 5. Y en los diez niveles hay más del doble de acciones a la venta que a la compra. La foto es un instante: diez segundos después será otra. Las medidas de L1 salen de los dos primeros niveles: ```python def medidas_l1(foto): b = foto[(foto["lado"] == "bid") & (foto["nivel"] == 1)].iloc[0] a = foto[(foto["lado"] == "ask") & (foto["nivel"] == 1)].iloc[0] medio = (b["precio"] + a["precio"]) / 2 horquilla = a["precio"] - b["precio"] qb, qa = b["tamano"], a["tamano"] return pd.Series({ "bid": b["precio"], "ask": a["precio"], "medio": medio, "horquilla_ticks": round(horquilla / 0.01), "horquilla_pb": 1e4 * horquilla / medio, "desequilibrio": (qb - qa) / (qb + qa), "microprecio": (b["precio"] * qa + a["precio"] * qb) / (qb + qa), }) medidas_l1(foto).round(4) ``` ```output bid 52.7400 ask 52.7500 medio 52.7450 horquilla_ticks 1.0000 horquilla_pb 1.8959 desequilibrio 0.7556 microprecio 52.7488 dtype: float64 ``` La horquilla es de un tick, 1,9 puntos básicos sobre el precio medio. El **desequilibrio** del primer nivel va de −1 (solo hay venta) a +1 (solo compra): $$ I = \frac{q_b - q_a}{q_b + q_a} $$ Aquí vale 0,76: casi todo el primer nivel es compra. El **microprecio** pondera cada precio por el tamaño del lado **contrario**: $$ P_{\text{micro}} = \frac{P_b\, q_a + P_a\, q_b}{q_b + q_a} $$ Con 13.432 acciones esperando a comprar a 52,74 y solo 1.870 vendiendo a 52,75, lo probable es que el ask se agote antes que el bid, y el precio medio suba medio céntimo. El microprecio, 52,7488, ya está casi en el ask. ## Profundidad acumulada La pregunta práctica es cuántas acciones se pueden comprar o vender sin alejarse demasiado del precio medio. La profundidad acumulada la responde: para cada precio, la suma de lo que hay desde el mejor nivel hasta él. ```python medio = medidas_l1(foto)["medio"] prof = foto.sort_values(["lado", "nivel"]).copy() prof["acumulado"] = prof.groupby("lado")["tamano"].cumsum() prof["distancia_cent"] = (100 * (prof["precio"] - medio).abs()).round(1) print(prof.groupby("lado")["tamano"].sum().to_string()) prof.pivot(index="nivel", columns="lado", values=["distancia_cent", "acumulado"]) ``` ```output lado ask 79119 bid 35197 distancia_cent acumulado lado ask bid ask bid nivel 1 0.5 0.5 1870.0 13432.0 2 1.5 1.5 11770.0 22812.0 3 2.5 2.5 25050.0 31871.0 4 3.5 3.5 42372.0 33671.0 5 4.5 4.5 56893.0 34271.0 6 5.5 5.5 62035.0 34371.0 7 6.5 7.5 71338.0 34897.0 8 7.5 10.5 75638.0 35197.0 9 8.5 NaN 76867.0 NaN 10 9.5 NaN 79119.0 NaN ``` *Fig. — Profundidad acumulada del libro de NOVA a las 15:00 de Nueva York: acciones disponibles desde el precio medio hasta cada precio.* Dos curvas escalonadas que parten del precio medio, 52,745. Hacia la derecha, la venta acumulada sube rápido hasta 79.119 acciones en 52,84; hacia la izquierda, la compra acumulada sube hasta 31.871 en tres niveles y después casi no crece, hasta 35.197 en 52,64. Una línea destacada en 20.000 acciones corta la curva de venta en el tercer nivel y la de compra en el segundo. A menos de 2,5 céntimos del medio hay 31.871 acciones a la compra (tres niveles) y 25.050 a la venta. Más allá, el lado vendedor sigue engordando mientras el comprador se queda casi plano: en 10 niveles, 35.197 contra 79.119. Una orden de compra de 20.000 acciones necesitaría los tres primeros niveles de venta; una de venta del mismo tamaño se llenaría con el primer nivel de compra y parte del segundo. Cuánto cuesta en cada caso es el **impacto** de la orden, que la lección 1.1.4 calcula recorriendo el libro y la 1.1.5 convierte en coste. ## La horquilla a lo largo de la sesión En una acción líquida con un precio de unas decenas de dólares, la horquilla suele estar pegada al mínimo, un tick. Las 2.340 fotos de la sesión permiten ver cuándo se abre: ```python n1 = l2[l2["nivel"] == 1].pivot(index="ts", columns="lado", values=["precio", "tamano"]) pb, pa = n1[("precio", "bid")], n1[("precio", "ask")] qb, qa = n1[("tamano", "bid")], n1[("tamano", "ask")] ticks = ((pa - pb) / 0.01).round() pbs = 1e4 * (pa - pb) / ((pa + pb) / 2) hora_ny = n1.index.tz_convert("America/New_York") tabla = pd.DataFrame({"ticks": ticks.values, "pb": pbs.values, "mas_de_1": (ticks > 1).values}, index=hora_ny) print(ticks.value_counts().sort_index().to_string()) tabla.resample("30min").mean().round(3) ``` ```output 1.0 2252 2.0 87 3.0 1 ticks pb mas_de_1 ts 2025-06-02 09:30:00-04:00 1.022 1.916 0.022 2025-06-02 10:00:00-04:00 1.039 1.947 0.039 2025-06-02 10:30:00-04:00 1.028 1.925 0.028 2025-06-02 11:00:00-04:00 1.033 1.926 0.028 2025-06-02 11:30:00-04:00 1.044 1.940 0.044 2025-06-02 12:00:00-04:00 1.039 1.933 0.039 2025-06-02 12:30:00-04:00 1.028 1.914 0.028 2025-06-02 13:00:00-04:00 1.056 1.963 0.056 2025-06-02 13:30:00-04:00 1.006 1.883 0.006 2025-06-02 14:00:00-04:00 1.044 1.957 0.044 2025-06-02 14:30:00-04:00 1.022 1.931 0.022 2025-06-02 15:00:00-04:00 1.022 1.940 0.022 2025-06-02 15:30:00-04:00 1.111 2.102 0.111 ``` *Fig. — Porcentaje de fotos L2 de NOVA con horquilla de más de un tick en cada media hora del 2 de junio de 2025.* Trece barras, una por media hora de 9:30 a 16:00 de Nueva York. Casi todas entre el 0,6 % y el 5,6 % de las fotos con horquilla de más de un céntimo; la última, de 15:30 a 16:00, destacada, con el 11,1 %. El 96,2 % de las fotos tiene la horquilla mínima, de un tick. Las demás se reparten por el día, con más frecuencia en la última media hora, cuando la llegada de órdenes se acelera antes de la subasta de cierre (lección 1.1.2) y los creadores de mercado ajustan sus cotizaciones. En puntos básicos la horquilla depende del precio: el mismo céntimo es 1,88 puntos básicos con la acción a 53 USD y sería 10 con la acción a 10 USD. Para comparar costes entre activos, la horquilla se mide en puntos básicos; para entender la mecánica, en ticks. ## ¿Anticipa el libro el siguiente precio? Si el primer nivel de venta está casi vacío y el de compra lleno, lo siguiente que suele pasar es que el ask se agote y el precio medio suba. Con las fotos de NOVA se puede medir: para cada foto, el desequilibrio y el cambio del precio medio hasta la foto siguiente, diez segundos después. ```python medio_s = (pa + pb) / 2 deseq = (qb - qa) / (qb + qa) cambio = 100 * (medio_s.shift(-1) - medio_s) # céntimos df = pd.DataFrame({"deseq": deseq, "cambio": cambio}).dropna() df["tramo"] = pd.cut(df["deseq"], [-1, -0.6, -0.2, 0.2, 0.6, 1], include_lowest=True) print(f"correlación: {df['deseq'].corr(df['cambio']):.2f}") df.groupby("tramo", observed=True)["cambio"].agg( ["mean", "size"]).round(3) ``` ```output correlación: 0.56 mean size tramo (-1.001, -0.6] -0.645 599 (-0.6, -0.2] -0.146 374 (-0.2, 0.2] -0.036 388 (0.2, 0.6] 0.088 382 (0.6, 1.0] 0.661 596 ``` *Fig. — Cambio medio del precio medio de NOVA en los 10 segundos siguientes según el desequilibrio del primer nivel del libro, 2 de junio de 2025.* Cinco barras por tramo de desequilibrio, de −1 a 1. Con el primer nivel muy cargado a la venta, el precio medio baja 0,65 céntimos de media; en los tramos intermedios, −0,15, −0,04 y +0,09; con el primer nivel muy cargado a la compra, sube 0,66 céntimos (destacado). La relación es clara y casi simétrica: cuando el primer nivel está muy cargado a la venta (desequilibrio por debajo de −0,6), el precio medio baja de media 0,65 céntimos en los diez segundos siguientes; cuando está muy cargado a la compra, sube 0,66. La correlación es de 0,56. ¿Por qué el microprecio es mejor estimación del precio «verdadero» que el medio? Porque ya incorpora esa información. Comparando los dos con el precio medio de la foto siguiente: ```python micro = (pb * qa + pa * qb) / (qb + qa) siguiente = medio_s.shift(-1) ok = siguiente.notna() for nombre, pred in (("medio", medio_s), ("microprecio", micro)): rmse = np.sqrt(((siguiente - pred)[ok] ** 2).mean()) print(f"{nombre:<12} error cuadrático medio: {100 * rmse:.3f} cent") ``` ```output medio error cuadrático medio: 0.867 cent microprecio error cuadrático medio: 0.736 cent ``` El microprecio reduce el error de predicción del precio medio siguiente de 0,867 a 0,736 céntimos, un 15 %. Son datos sintéticos, en los que la relación se ha construido de forma limpia; en datos reales también aparece, pero más débil y a horizontes muy cortos, segundos o menos. ## Prioridad precio-tiempo Cuando llega una orden agresiva, ¿contra qué orden del libro se ejecuta? En casi todos los mercados de acciones, por **prioridad precio-tiempo**: primero el mejor precio y, dentro del mismo precio, la orden que llegó antes. Cada nivel es una cola. ```mermaid flowchart LR C[Compra a mercado] --> A[1.ª, más antigua] A --> B[2.ª orden] B --> N[Última llegada] ``` Las consecuencias son concretas. Una orden nueva se pone al **final** de la cola de su precio. Reducir el tamaño de una orden conserva su puesto; aumentarlo o cambiarle el precio equivale a cancelarla y enviar otra, que va al final. Y una orden limitada en el mejor bid no se ejecuta hasta que se hayan ejecutado o cancelado todas las que tenía delante. Por eso «el precio tocó mi límite» no significa «mi orden se ejecutó» (lección 1.1.4). ## Del L3 al L2: reconstruir el libro El fichero L3 tiene los mensajes orden a orden entre las 14:00 y las 14:05 UTC. Las 358 primeras filas, todas con la marca de las 14:00:00, son la foto inicial: cada orden viva, en orden de prioridad. Después viene un mensaje por cambio. ```python l3 = pd.read_parquet("nova_libro_l3.parquet") print(len(l3), "mensajes") print(l3["evento"].value_counts().to_string()) l3.iloc[358:364] ``` ```output 7241 mensajes evento alta 3443 cancelacion 2842 ejecucion 746 modificacion 210 ts id_orden evento lado precio tamano 358 2025-06-02 14:00:00.111345+00:00 41031081 alta bid 53.03 200 359 2025-06-02 14:00:00.121651+00:00 41031083 alta bid 52.99 97 360 2025-06-02 14:00:00.154247+00:00 41030881 cancelacion ask 53.12 100 361 2025-06-02 14:00:00.178017+00:00 41031084 alta ask 53.10 1000 362 2025-06-02 14:00:00.209129+00:00 41030590 cancelacion bid 53.04 200 363 2025-06-02 14:00:00.260941+00:00 41030785 cancelacion ask 53.13 100 ``` Las reglas de cada mensaje: `alta` añade una orden al final de la cola de su precio; `cancelacion` la quita; `modificacion` deja el **nuevo** tamaño y conserva la prioridad; `ejecucion` resta lo ejecutado y, si llega a cero, la orden sale. Con un diccionario de Python, que conserva el orden de inserción, eso es todo lo que hace falta para mantener las colas: ```python def aplica(libro, m): """Aplica un mensaje L3 al libro {id: [lado, precio, tamaño]}.""" if m.evento == "alta": libro[m.id_orden] = [m.lado, m.precio, m.tamano] elif m.evento == "cancelacion": del libro[m.id_orden] elif m.evento == "modificacion": libro[m.id_orden][2] = m.tamano # conserva el puesto elif m.evento == "ejecucion": libro[m.id_orden][2] -= m.tamano if libro[m.id_orden][2] == 0: del libro[m.id_orden] def a_l2(libro, n=10): """Agrega las órdenes por precio: el L2 de n niveles.""" df = pd.DataFrame(list(libro.values()), columns=["lado", "precio", "tamano"]) g = (df.groupby(["lado", "precio"])["tamano"] .agg(tamano="sum", ordenes="size").reset_index()) bids = g[g["lado"] == "bid"].nlargest(n, "precio") asks = g[g["lado"] == "ask"].nsmallest(n, "precio") out = pd.concat([bids, asks]) out["nivel"] = out.groupby("lado").cumcount() + 1 cols = ["lado", "nivel", "precio", "tamano", "ordenes"] return out[cols].reset_index(drop=True) ``` Ahora se reproducen los mensajes en orden y, en cada instante en que hay foto L2 (cada 10 segundos), se compara el libro reconstruido con la foto. Cada foto incluye todos los mensajes con marca de tiempo menor o igual que la suya: ```python fotos = pd.date_range("2025-06-02 14:00:00", "2025-06-02 14:05:00", freq="10s", tz="UTC") libro, iguales, i = {}, 0, 0 mensajes = list(l3.itertuples(index=False)) for t in fotos: while i < len(mensajes) and mensajes[i].ts <= t: aplica(libro, mensajes[i]) i += 1 ref = l2[l2["ts"] == t].drop(columns="ts").reset_index(drop=True) iguales += a_l2(libro).equals(ref) print(f"{iguales} de {len(fotos)} fotos coinciden") print(len(libro), "órdenes vivas a las 14:05:00") ``` ```output 31 de 31 fotos coinciden 345 órdenes vivas a las 14:05:00 ``` Las 31 fotos coinciden exactamente: niveles, precios, tamaños y número de órdenes. Es la comprobación que conviene hacer siempre con un feed L3 propio: si el libro reconstruido se desvía del L2 del proveedor, falta algún mensaje o se ha aplicado mal una regla. Otra comprobación barata: las ejecuciones del L3 deben sumar el volumen de los centros con libro en la cinta de operaciones. ```python op = pd.read_parquet("nova_operaciones.parquet") ventana = op[(op["ts"] > "2025-06-02 14:00:00+00:00") & (op["ts"] <= "2025-06-02 14:05:00+00:00")] con_libro = ventana["centro"].isin(["PRINCIPAL", "MTF_A", "MTF_B"]) print("L3:", l3.loc[l3["evento"] == "ejecucion", "tamano"].sum()) print("cinta, centros con libro:", ventana.loc[con_libro, "tamano"].sum()) print("cinta, todos los centros:", ventana["tamano"].sum()) ``` ```output L3: 78705 cinta, centros con libro: 78705 cinta, todos los centros: 134726 ``` Las 78.705 acciones ejecutadas contra el libro coinciden con la cinta. El resto del volumen de esos cinco minutos se cruzó en el oscuro y en el internalizador, que no pasan por el libro: el L3 más completo de una bolsa no enseña toda la negociación de la acción. Con el libro reconstruido se ve la cola completa de un nivel, que ningún L2 enseña: ```python cola = [(oid, o[2]) for oid, o in libro.items() if o[0] == "bid" and o[1] == max( v[1] for v in libro.values() if v[0] == "bid")] print("precio:", libro[cola[0][0]][1], "· órdenes:", len(cola), "· acciones:", sum(q for _, q in cola)) pd.DataFrame(cola[:5], columns=["id_orden", "tamano"]) ``` ```output precio: 53.17 · órdenes: 34 · acciones: 14140 id_orden tamano 0 41034369 1078 1 41034404 200 2 41034422 100 3 41034426 62 4 41034433 500 ``` La primera orden de la cola tiene 1.078 acciones y se ejecutará antes que ninguna otra a ese precio. Una orden de compra nueva a 53,17 tendría delante 14.140 acciones: antes de que le toque, alguien tiene que vender todo eso, o las órdenes de delante cancelarse. ## La orden iceberg Una **orden iceberg** enseña solo una parte de su tamaño. Cuando la parte visible se ejecuta entera, el sistema repone otro tramo desde la reserva oculta, con el mismo identificador y al final de la cola. En el L2 solo se ve el tramo visible. En el L3 la delata la repetición: una orden normal tiene un único `alta`. ```python altas = l3[l3["evento"] == "alta"].groupby("id_orden").size() print(altas[altas > 1].to_string()) ice = l3[l3["id_orden"] == altas.idxmax()] print(ice.groupby("evento")["tamano"].agg(["size", "sum"]).to_string()) print("precio:", ice["precio"].iloc[0], "· lado:", ice["lado"].iloc[0]) print("de", ice["ts"].min().strftime("%H:%M:%S"), "a", ice["ts"].max().strftime("%H:%M:%S.%f")) ``` ```output id_orden 41031312 30 size sum evento alta 30 9000 ejecucion 86 9000 precio: 53.09 · lado: ask de 14:00:20 a 14:01:31.224465 ``` La orden 41031312 vende a 53,09. Aparece 30 veces con 300 acciones (la primera y 29 reposiciones) y se ejecuta en 86 trozos que suman 9.000 acciones, todo lo que tenía, entre las 14:00:20 y las 14:01:31. Quien miraba el L2 veía en 53,09 unos cientos de acciones a la venta; en realidad había 9.000. El efecto en el precio se ve en la cotización: ```python cot = pd.read_parquet("nova_cotizaciones.parquet").set_index("ts") tramo = cot["2025-06-02 14:00:10":"2025-06-02 14:02:00"] tramo.resample("10s").last() ``` ```output bid ask tam_bid tam_ask ts 2025-06-02 14:00:10+00:00 53.08 53.09 3631 13073 2025-06-02 14:00:20+00:00 53.08 53.09 12431 10914 2025-06-02 14:00:30+00:00 53.08 53.09 19151 2361 2025-06-02 14:00:40+00:00 53.08 53.09 26743 653 2025-06-02 14:00:50+00:00 53.08 53.09 32909 71 2025-06-02 14:01:00+00:00 53.08 53.09 37482 259 2025-06-02 14:01:10+00:00 53.08 53.09 41363 259 2025-06-02 14:01:20+00:00 53.08 53.09 38533 249 2025-06-02 14:01:30+00:00 53.09 53.10 7681 54 2025-06-02 14:01:40+00:00 53.11 53.12 6156 89 2025-06-02 14:01:50+00:00 53.13 53.15 3946 4475 2025-06-02 14:02:00+00:00 53.13 53.15 3850 4975 ``` *Fig. — Mejor bid y mejor ask de NOVA entre las 14:00 y las 14:02:30 UTC del 2 de junio de 2025, con la orden iceberg de venta en 53,09.* Dos líneas escalonadas. Desde las 14:00 el ask se queda fijo en 53,09 y el bid en 53,08; el tramo de 14:00:20 a 14:01:31 en 53,09, cuando una iceberg de venta de 9.000 acciones que enseña 300 se ejecuta por completo, está destacado. Al agotarse, el ask sube a 53,15 en menos de 30 segundos. Durante algo más de un minuto, el ask no se mueve de 53,09 aunque el tamaño visible a la venta se reduce a unas decenas o cientos de acciones y el bid acumula decenas de miles: cada vez que el tramo visible se agota, aparece otro. Cuando la reserva se termina, a las 14:01:31, el ask pasa de 53,09 a 53,15 en menos de treinta segundos. Para quien compra, la iceberg es liquidez que no esperaba; para quien estudia el libro, un desequilibrio que «debería» haber movido el precio y no lo hizo. ## Ejercicios 1. Calcula la horquilla en puntos básicos, el desequilibrio y el microprecio de la foto L2 de las 13:30:00 UTC, la primera de la sesión, y compáralos con los de las 15:00 de Nueva York. **Solución.** ```python primera = l2[l2["ts"] == "2025-06-02 13:30:00+00:00"] pd.DataFrame({"13:30 UTC": medidas_l1(primera), "19:00 UTC": medidas_l1(foto)}).round(4) ``` ```output 13:30 UTC 19:00 UTC bid 53.3400 52.7400 ask 53.3600 52.7500 medio 53.3500 52.7450 horquilla_ticks 2.0000 1.0000 horquilla_pb 3.7488 1.8959 desequilibrio 0.4118 0.7556 microprecio 53.3541 52.7488 ``` En la primera foto, justo después de la subasta de apertura, la horquilla es de dos ticks (53,34 a 53,36) y el libro todavía es fino: 1.200 acciones en el mejor bid y 500 en el mejor ask. El desequilibrio es positivo y el microprecio queda por encima del medio, como a las 15:00, pero con una horquilla doble. Los primeros segundos de la sesión continua son los más caros de cruzar. 2. Con el libro reconstruido a las 14:05:00, ¿cuántas acciones tendría delante una orden de venta nueva al mejor ask? ¿Y una al segundo nivel de venta? **Solución.** ```python asks = sorted({o[1] for o in libro.values() if o[0] == "ask"}) for precio in asks[:2]: delante = sum(o[2] for o in libro.values() if o[0] == "ask" and o[1] <= precio) print(f"vendiendo a {precio}: {delante} acciones por delante") ``` ```output vendiendo a 53.18: 4654 acciones por delante vendiendo a 53.19: 37172 acciones por delante ``` A precio igual, la orden nueva va al final de la cola, así que tiene delante todo el nivel: 4.654 acciones en 53,18. En 53,19 tendría delante 37.172. En el segundo nivel tiene delante ese nivel entero (32.518 acciones) y además el primero, que se ejecuta antes por tener mejor precio. Cuanto más lejos del mejor precio, más probable es que la orden no se ejecute nunca si el precio se da la vuelta. 3. Un proveedor te ofrece L1 gratis, L2 por una cuota mensual y L3 por una cuota mucho mayor. Tu sistema opera una vez al día, con órdenes de 500 acciones de acciones muy líquidas. ¿Qué nivel necesitas y para qué usarías cada uno? **Solución.** Con L1 y barras basta para operar: el tamaño (500 acciones) está muy por debajo de la profundidad típica del primer nivel, así que el coste es esencialmente media horquilla, y la horquilla sale del L1. Un L2 serviría para comprobar de vez en cuando que la profundidad sigue siendo suficiente (por ejemplo, en la apertura o en días de noticias) y para estimar el impacto si el tamaño crece. El L3 no aporta nada a ese horizonte: sirve para modelar colas, icebergs y la llegada de órdenes, cosas que importan a quien opera en segundos o provee liquidez. ## Autoevaluación 1. El mejor bid de NOVA es 52,74 y el mejor ask 52,75. ¿Cuál es la horquilla en puntos básicos sobre el precio medio? - A. 1 punto básico - B. Unos 1,9 puntos básicos - C. 0,01 puntos básicos - D. 19 puntos básicos *Respuesta B: Unos 1,9 puntos básicos.* La horquilla es 0,01 USD, un tick. Sobre el precio medio, 52,745, es 0,01 / 52,745 = 0,000190, es decir, 1,90 puntos básicos. En ticks es la mínima posible; en puntos básicos depende del precio de la acción. 2. ¿Qué contiene un dato L2 que no contiene un L1? - A. Las operaciones ejecutadas - B. El tamaño agregado en varios niveles de precio a cada lado, no solo en el mejor - C. El identificador de cada orden - D. Quién envió cada orden *Respuesta B: El tamaño agregado en varios niveles de precio a cada lado, no solo en el mejor.* L1 es el mejor bid y el mejor ask con sus tamaños. L2 añade los siguientes niveles de precio, cada uno con el tamaño total y, a veces, el número de órdenes. El identificador de cada orden es L3; quién la envió no lo publica ningún nivel. 3. En la foto de las 15:00 de Nueva York, el mejor bid tiene 13.432 acciones y el mejor ask 1.870. ¿Dónde está el microprecio? - A. Justo en el punto medio, 52,745 - B. Cerca del ask, en torno a 52,749 - C. Cerca del bid, en torno a 52,741 - D. Por debajo del bid *Respuesta B: Cerca del ask, en torno a 52,749.* El microprecio pondera cada precio por el tamaño del lado contrario: bid × tamaño del ask + ask × tamaño del bid, dividido por la suma. Con mucha más compra que venta en el primer nivel, se acerca al ask: el lado delgado es el que está a punto de agotarse. 4. Una orden de venta aparece una y otra vez con el mismo identificador al final de la cola de 53,09, siempre con 300 acciones, cada vez que se ejecuta entera. ¿Qué es? - A. Un error del proveedor de datos - B. Una orden iceberg: enseña 300 acciones y repone la parte visible desde una reserva oculta - C. Un creador de mercado que cancela y vuelve a enviar - D. Una orden stop *Respuesta B: Una orden iceberg: enseña 300 acciones y repone la parte visible desde una reserva oculta.* Una iceberg tiene una parte visible y una reserva. Al agotarse lo visible, el sistema repone otro tramo con el mismo identificador y lo pone al final de la cola, porque la parte nueva pierde la prioridad temporal. En el L2 solo se ve el tramo visible; en el L3 la delata la repetición del identificador. 5. Llega una orden de compra a mercado de 500 acciones y en el mejor ask hay tres órdenes: A (200, la más antigua), B (100) y C (400). ¿Cómo se reparte? - A. Contra C, la más grande - B. 200 contra A, 100 contra B y 200 contra C - C. A partes iguales entre las tres - D. Contra la más reciente *Respuesta B: 200 contra A, 100 contra B y 200 contra C.* Con prioridad precio-tiempo, dentro de un mismo precio se ejecuta primero la orden que llegó antes. A se llena entera, luego B, y C se ejecuta por lo que falta (200) y le quedan 200 en el libro, conservando su puesto. ## Ideas clave - El libro tiene dos lados: compras (bid) ordenadas de mayor a menor precio y ventas (ask) de menor a mayor. La distancia entre los mejores es la horquilla. - L1 es el mejor precio de cada lado; L2, varios niveles con el tamaño agregado; L3, cada orden con su identificador. Cada nivel se obtiene agregando el siguiente. - La profundidad dice cuánto se puede ejecutar sin mover mucho el precio, y cambia de un instante a otro: el libro visible de NOVA a las 15:00 tenía 35.197 acciones a la compra y 79.119 a la venta en diez niveles. - El desequilibrio del primer nivel anticipa el siguiente movimiento del precio medio en los datos de NOVA; el microprecio lo incorpora en una sola cifra. - La prioridad precio-tiempo decide quién se ejecuta primero. Con los mensajes L3 se reconstruye el libro exacto, y el L2 que se obtiene coincide con las 31 fotos de la ventana. ## Recursos ### Research - [Liquidez Order Book - Trading Liquidez Agregada](https://pythonparatrading.com/limit-order-book-y-liquidez-de-mercado/) · Research-0008 · 11 min - [Introducción a la Volatilidad - Liquidez](https://pythonparatrading.com/introduccion-a-la-volatilidad-liquidez/) · Research-0001 · 6 min ### Libros - [Bouchaud, Bonart, Donier y Gould: Trades, Quotes and Prices. Financial Markets Under the Microscope (Cambridge University Press, 2018)](https://doi.org/10.1017/9781316659335) · doi.org ### Datos - [Datos del nivel 1: fotos L2 del libro de NOVA (Parquet)](https://pythonparatrading.com/curso/datos/nivel-1/nova_libro_l2.parquet) · Descarga · nova_libro_l2.parquet - [Datos del nivel 1: mensajes L3 del libro de NOVA (Parquet)](https://pythonparatrading.com/curso/datos/nivel-1/nova_libro_l3.parquet) · Descarga · nova_libro_l3.parquet Lección anterior: [1.1.2 · Sesiones, subastas, festivos y calendarios](https://pythonparatrading.com/curso-python-trading/nivel-1/sesiones-subastas-y-calendarios-de-mercado/) Lección siguiente: [1.1.4 · Tipos de órdenes](https://pythonparatrading.com/curso-python-trading/nivel-1/tipos-de-ordenes/)