更精细的市场数据可能让策略回测变得不那么可信。Tick 数据能提供更多行记录,但也更容易让我们把测量上的细节误当成自己实际能够成交的证据。
如果你曾看到基于 K 线的测试漏掉止损、价差扩大,或限价单价格短暂触及,这听起来或许有些反常。这些确实都是问题。关键在于,更精细的数据究竟能否真正解决它们,还是只让模拟器讲出一个听起来更笃定的故事。
Tick 数据能让回测看到什么?
一根 1 分钟 K 线把一连串成交压缩成 4 个价格和一个成交量总计。仅凭这根 K 线,你通常无法判断最高价是在最低价之前还是之后出现,价格在任一极值附近停留了多久,也无法知道某个价格上的成交量是否足以承接你的订单。
成交 tick 还原了已报告成交的先后顺序。报价数据则记录随时间变化的显示买价和卖价。两者结合后,你就能更精确地分析价差、报价变动,以及市价单是否可能以合理价格穿过订单簿成交。
但一笔成交记录并不等于排队位置。如果你的挂单加入某个价位时,前面已经有 18 BTC,看到该价位成交了 0.3 BTC,并不能证明你的订单成交了。逐笔成交记录能告诉你市场发生了什么,却很少能精确显示假设中的订单排在什么位置。
更精细的数据在哪些情况下会让结果变差?
第一种风险是覆盖不均。Tick 历史数据经常存在缺失时段、交易场所数据空档、交易品种变更,或不同市场的保留期限不一等问题。如果策略只在数据供应商历史记录最完整的地方接受测试,它可能悄然变成只适用于最容易测量的资产和时段的策略。
第二种风险来自时间。时间戳可能代表交易所事件时间、供应商接收时间,或文件生成时间。如果模拟器把不同数据源的事件排在一起,并假定各自的时钟完全同步,它就可能在某个报价实际到达你的交易系统之前,先对该报价作出反应。
记录行数增加,也更容易掩盖实现错误。基于 K 线的策略每分钟可能只做一次决策。由 tick 驱动的版本在这一分钟里可能交易几十次,每次都要付出价差、费用和冲击成本。如果模拟器假设每个信号都能按下一个观测到的价格成交,那么这种精确只是表面功夫。
这 60 条观测并不自动等于 60 次彼此独立的交易机会。它们可能都描述同一组不断变化的报价,而你的订单也会影响还剩下哪些数量可以成交。高频模拟需要使用订单和延迟模型,才能如实利用新增的细节。
什么时候值得为 Tick 数据付出成本?
先想清楚:用当前数据无法回答的究竟是什么问题。如果问题是“我的止损和止盈哪个先触发?”,成交 tick 可能有帮助。如果问题是“进场时付出了多少价差?”,报价数据更相关。如果问题是“我的被动挂单能否成交?”,你可能需要深度数据和排队假设;即便如此,通常也无法还原完整的历史排队情况。
| 研究问题 | 有用的数据 | 仍无法证明什么 |
|---|---|---|
| 一个阈值是否先于另一个阈值被触及? | 成交 tick | 你的订单在任一阈值成交了 |
| 市价单跨越了多大的价差? | 带时间戳的买卖报价 | 显示数量当时仍可成交 |
| 被动挂单能否成交? | 报价、深度和排队模型 | 你在实时队列中的确切位置 |
如果每日信号持仓数周,1 分钟 K 线的分辨率可能已经高于决策过程所需。对于优势取决于几秒内执行的策略,K 线可能抹去你正在研究的效应。数据分辨率应与策略的决策和执行周期相匹配。
怎么判断新增细节是否有帮助?
固定策略和测试时段。尽可能在相同决策下比较基于 K 线的版本和使用更精细数据的版本。除了收益和风险统计,还要追踪成交情况、换手率、支付的价差、费用和市场冲击的变化。如果 Sharpe 上升了,交易次数却变成 3 倍,而执行模型仍按下一笔成交记录撮合,就应该对这项改进保持怀疑。
然后,故意降低精细数据的质量。随机丢弃少量事件,加入符合实际的馈送延迟,并调高假设的价差或冲击成本。如果结果在延迟几毫秒后就崩塌,那可能反映的是模拟器的事件排序方式,而不是策略的持久特征。
有一次,我花了整个下午追查一项惊人的表现提升,最后发现某个数据源重复记录了一小段成交。模型学会了针对重复记录交易。更多数据让这个 bug 看起来像策略优势。
批评 K 线的人说得没错:汇总数据会掩盖依赖价格路径的执行情况。仅凭 OHLC,无法判断止损和止盈哪个先在同一根 K 线内触发;零星的价差快照也可能错过短暂的市场失衡。如果数据源完整,且模拟器尊重事件时间,Tick 和报价数据就能更忠实地回答这些问题。
实际标准很简单:只有当更多细节会改变一个你能清楚说明的决策,并且你能解释这些细节如何在假设下转化为成交时,才值得获取它们。否则,你得到的只是更大的数据集和看起来更精确的回测,却没有更好的证据证明策略实际能够交易。
← 全部文章


