100 笔交易。0.04% 的 taker 费率。0.02% 的滑点假设。这些数字会让回测看起来有据可依，但最让人意外的是最后一个：单一的滑点率几乎说明不了你的订单能否以那些价格成交。
滑点取决于你交易什么、何时交易，以及订单规模相对于当时可用流动性有多大。基于 K 线构建的回测，通常只能粗略了解前两项，对第三项则一无所知。如果把平均成交价当成事实，策略得到的执行记录可能是它根本不曾实现过的。
为什么 OHLCV 无法告诉我平均成交价？
一根 K 线记录的是某个时间区间内的价格范围和总成交量，但它不会告诉你成交量如何分布在不同价格上、最佳买价和卖价上挂了多少量，也不会说明你的订单是在打出这根 K 线最低价的交易之前还是之后到达的。某个低价只由一笔小额交易打出，和低价处有持续成交量承接，在 OHLC 数据里看起来完全一样。
设想一根 1 分钟 K 线的成交额为 $200,000，你要以市价买入 $50,000。这笔订单相当于该 K 线成交额的 25%。这并不能证明它会让市场价格变动 25%，也不能证明它能按 K 线开盘价成交。但这说明，相对于该 K 线的成交量，订单规模已经大到足以让人怀疑零冲击假设。如果同一笔订单仅占成交量的 0.2%，顾虑就小一些，不过光凭成交量仍然看不出订单簿深度或流动性补充情况。
所以，“滑点是 2 个基点”是模型设定，而不是某个交易品种本身的属性。它可以作为有用的基准，但不能当作放之四海而皆准的答案。
如何用 K 线数据估算市场冲击？
先从数据能够支持的尺度入手。对每笔订单，计算参与率：订单名义金额除以该 K 线的成交名义金额。然后观察策略结果在不同参与率区间下如何变化。下面是一个刻意简化的示例；其中的冲击值是压力测试输入，并非对某个交易场所执行情况的估算。
| 订单 / K 线名义金额 | 单边冲击示例值 | 需要思考的问题 |
|---|---|---|
| 0.2% | 1 bp | 价差和 taker 费率是否已经高于这个数？ |
| 2% | 5 bp | 扩大价差、降低成交速度后，策略优势还能维持吗？ |
| 20% | 25 bp | 这么高的参与率本身会改变价格走势吗？ |
1 个基点等于 0.01%。如果策略在买入和卖出方向各有 $100,000 的换手量，那么双边各 5 bp 的冲击，往返成本约为 $100，尚未计入费用。这个算术很简单；要判断 5 bp 是否合理，则需要更多证据。如果你的信号恰好在成交量飙升时交易，用整根 K 线的成交量作分母，甚至可能让参与率显得比订单实际到达那几分钟里的情况更安全。
滑点压力测试应包含哪些内容？
不要把执行不确定性藏进一个全组合平均值里。让会影响结果的各个维度清晰可见：
- 方向：买单要吃卖价，卖单要吃买价；每次进场和出场都要计入价差成本。
- 订单规模：按每笔交易和不同流动性状态报告参与率，不要只报告回测平均值。
- 订单类型：市价单为即时成交付费；挂出的限价单可能错过行情，也可能排在其他订单后面。
- 时机：看到收盘价后，基于收盘信号不能声称自己也按该根 K 线的收盘价成交。
- 市场状态：在快速波动、流动性稀薄的时段，以及触发策略的具体条件下，都应扩大假设范围。
至少运行基准情景和更严苛的情景。例如，将假设的价差和市场冲击加倍，再检查哪些交易和时段造成了变化。如果策略只有在最平静、最容易成交的情况下才有效，这是一个研究发现。最好在模拟交易前就发现这一点。
将费用、价差和市场冲击分开列示。费用取决于账户的费率表；价差和冲击则取决于执行方式。把它们合在一起，就看不出究竟是哪项假设在支撑结果。
什么时候需要订单簿数据？
如果策略优势与价差相当、交易频繁，或依赖短暂出现的流动性，就应使用成交和报价数据。如果队列位置、部分成交或订单簿被吃空会决定信号能否执行，就应使用深度快照或事件级订单簿数据。即便如此，历史回放也无法完美重现你自己的市场冲击；记录下来的市场流动性并未包含你假设中的订单。
对于较慢的策略，K 线数据仍然可以用来筛选想法。让持仓规模相对于观察到的成交量保持较小，披露你假设的冲击曲线，并测试合理幅度的变化是否会抹去策略收益。这是粗略成交模型的一种站得住脚的用法。把它称为精确的平均成交价就不合适了。
实际目标不是猜出唯一正确的滑点数值，而是找出策略从何时开始失去意义，再看你的数据和订单规模是否让你离那条界线足够远。如果不是，下一项有用的研究工作就是获取更好的执行数据，而不是在回测报告里再多加一位小数。
← 全部文章
