最誠實的滑價模型，往往是刻意算錯的。若回測根據粗略的歷史資料，報出單一且精確的執行成本，那就是在做出資料無法支持的主張。
聽起來像是在主張採用粗略的假設，其實恰恰相反：使用一個簡單、能清楚說明的模型，再讓它和自己唱反調。如果策略只在某個剛好有利的成交估計下才有效，那麼不確定性本身就是結果的一部分。
為什麼精確的滑價估計可能誤導人？
假設你有 1 分鐘 OHLCV K 線，並送出 2,000 股的市價單。K 線會告訴你這 1 分鐘內的價格區間與總成交量，卻不會告訴你訂單送達時的買賣價、排在你前面的委託量、成交量在這 1 分鐘內如何分布，或你的訂單會吃掉多少成交量。
你還是可以替滑價填上一個數字。你可以假設以次根 K 線的開盤價加上固定的基點成本成交，也可以按訂單量占 K 線成交量的比例調整成本。這些都是有用的近似值，但不是觀測結果。若報告寫著「滑價：3.2 個基點」，就會讓模型選擇看起來像是實際測量。
舉個完整例子：某策略每筆訂單交易 $20,000，標的是次根 K 線成交量為 $400,000 的股票，參與率為 5%。若模型收取 2 個基點，每筆訂單成本為 $4；若收取 10 個基點，成本則為 $20。來回交易 500 次，兩者成本差距會達 $16,000，尚未計入手續費。若策略回測的毛利為 $18,000，執行假設對結果的影響幾乎和訊號一樣大。
建立符合資料可觀測範圍的成本區間
先設定符合策略訂單類型與資料解析度的基準。市價單需要考慮價差與衝擊；限價單則需要訂定是否成交的規則。假設價格只要觸及就一定成交，也是另一種執行模型錯誤。
接著，用幾組明確情境執行同一份回測。固定訊號、部位大小與時間戳記，才能把結果變化歸因於執行方式：
| 情境 | 執行假設 | 檢驗重點 |
|---|---|---|
| 有利 | 基準價差與低衝擊 | 策略有多依賴良好的交易條件？ |
| 基準 | 典型價差，並依參與率調整衝擊 | 採用的工作假設會帶來什麼結果？ |
| 不利 | 較寬的價差、較高的衝擊，以及延遲成交 | 在合理的困難市況下，策略還有優勢嗎？ |
除非你用統計方法校準過，否則這些不是信賴區間，而是情境測試。請在報告中說明各情境的意義；若沒有證據支持各情境發生的機率，就不要把它們平均成憑空捏造的「預期滑價」。
讓模型依訂單調整
固定的基點費用可作為小額訂單的合理初步估算，但參與率增加後，這種說法就不太站得住腳。至少要記錄訂單名目金額、可用的 K 線成交量，以及參與率。若策略交易期貨，請記錄合約價值與相關成交量單位；若交易現貨加密貨幣，則要明確說明計價幣別與交易場所。
簡單的衝擊曲線能揭示容量壓力，卻不必假裝自己重現了委託簿。例如，可將成本定義為基準價差費用，再加上隨參與率平方根增加的衝擊項。只有在你有合適的執行資料時，才校準曲線參數；否則就調整參數，看看結果會多快惡化。
也要避免成交模型悄悄替策略解圍。若做多訊號在價格急漲後才出現，就不該只因為 K 線涵蓋了最低價，便假設在最低價成交。採用符合因果順序的成交規則，再對成交價格做壓力測試並加入延遲。若延遲的訂單錯過行情，那就是執行結果，不是該設法抹平的雜訊。
可以問問：價差、衝擊、延遲或參與率達到多少時，淨績效會降到零？這個損益兩平點，往往比單一回測 Sharpe 更能指引行動。
用模擬交易縮小估算區間
模擬交易無法揭示你在實際撮合引擎中會取得的成交結果，但仍能告訴你回測中的訂單流是否符合系統實際做出的決策：訂單何時產生、規模多大，以及在多長時間內仍可執行。
將模擬訂單價格與同一時間的報價比較，或使用模擬系統記錄的其他市場資料。依商品、時段、訂單量與訂單類型追蹤價差。這些觀測結果能縮小特定設定的假設範圍，但不會自動適用於其他交易場所、市場環境或更大規模的訂單。
批評者指出悲觀情境可能流於任意，這點沒錯。刻意嚴苛的模型可能錯殺可行的策略，就像有利情境可能美化脆弱的策略。因此，不要把最嚴苛的情境當成真相。公開假設、呈現敏感度，並蒐集足夠資料，以經校準的估計取代猜測。
回測無法從一根 K 線得知當時的歷史排隊位置，但能顯示當執行條件朝著資料無法排除的不利方向變化時，策略想法是否仍然合理。這比多一位小數更有用。
← 所有文章
