

> 回测里买在收盘价、卖在收盘价，现实中你根本做不到。忽略滑点和冲击成本，夏普 2.0 的策略上线后可能直接腰斩。

---

## 一、为什么回测总是比实盘"漂亮"

很多量化新手第一次跑实盘都会怀疑人生：

- 回测年化 +25%，实盘半年 +8%
- 回测最大回撤 -8%，实盘直接 -20%
- 回测夏普 1.8，实盘夏普 0.6

差距从哪里来？**很大一部分是"执行成本"**——你回测时默认能按收盘价成交，但真实市场里：

1. **滑点**：你下单时的价格，和实际成交的价格，总有差距
2. **冲击成本**：大单会"砸穿"盘口，自己的买单把价格推高了
3. **拆单损耗**：为了减少冲击成本拆成多笔，时间拖得越长，价格越不可控

业内有个粗略经验：**忽略执行成本的回测，收益可能高估 20%–40%**。本文给你一套可落地的建模方法，让回测更接近真实。

---

## 二、本文你将得到什么

1. 三种滑点模型的 Python 实现（固定滑点 / 成交量比例滑点 / 冲击成本）
2. TWAP / VWAP 拆单执行的代码框架
3. 一张汇总对比表，量化不同模型的执行损耗
4. 把滑点模型嵌入回测引擎的最小改动点

---

## 三、三种滑点模型：从简单到真实

### 3.1 固定比例滑点

最简单、最常用的模型：假设每次成交都损失固定的百分比。

```python
def fixed_slippage(price, direction, pct=0.001):
    """固定比例滑点: 买入加价、卖出减价。"""
    if direction == "buy":
        return round(price * (1 + pct), 2)
    return round(price * (1 - pct), 2)
```

- 买入时成交价 = 目标价 × 1.001
- 卖出时成交价 = 目标价 × 0.999
- `pct=0.001` 即 0.1%，适合流动性好的大盘股

### 3.2 成交量比例滑点

固定滑点的问题在于：大盘股和小盘股用同一个数不合理。**成交量比例滑点**让滑点随流动性动态调整——成交量低于中位数时滑点放大，高于时缩小。

```python
def volume_slippage(price, vol, median_vol, direction, base_pct=0.001):
    """成交量比例滑点: 成交量低于中位数时滑点放大。"""
    ratio = median_vol / max(vol, 1)
    adj_pct = base_pct * min(ratio, 3.0)
    if direction == "buy":
        return round(price * (1 + adj_pct), 2)
    return round(price * (1 - adj_pct), 2)
```

### 3.3 冲击成本（大额订单）

当你一次性买入 10 万股，市场没有那么厚的买盘承接。冲击成本用**平方根法则**近似：

```python
import numpy as np

def impact_cost(price, qty, avg_daily_vol, direction, gamma=1.0):
    """冲击成本: 大额订单对价格的影响（平方根法则简化版）。"""
    if avg_daily_vol <= 0:
        return price
    impact = gamma * np.sqrt(qty / avg_daily_vol) * 0.01
    if direction == "buy":
        return round(price * (1 + impact), 2)
    return round(price * (1 - impact), 2)
```

- `qty / avg_daily_vol` 是你的委托量占日均成交量的比例
- `gamma` 是市场冲击系数，A 股活跃标的通常取 0.5–1.5

---

## 四、TWAP / VWAP：拆单执行的两种思路

大单不拆 = 裸奔。两种主流拆单策略：

### 4.1 TWAP（时间加权平均价格）

把订单平均拆到 N 个时间切片，每片按当时的市场价成交。

```python
def twap_exec(prices, qty, direction, slippage_fn):
    """TWAP 执行: 等时间切片，每片用开盘价+滑点成交。"""
    slices = 5
    qty_per = qty // slices
    fills = []
    for i in range(slices):
        p = prices[i] if i < len(prices) else prices[-1]
        p_fill = slippage_fn(p, direction)
        fills.append({"slice": i + 1, "price": p_fill, "qty": qty_per})
    return fills
```

### 4.2 VWAP（成交量加权平均价格）

按历史成交量比例分配每个切片的委托量，尽量贴近市场真实的成交量分布。

```python
def vwap_exec(bars, qty, direction, slippage_fn):
    """VWAP 执行: 按成交量比例分配，以 VWAP+滑点成交。"""
    total_vol = sum(float(b.get("v", 0)) for b in bars)
    if total_vol == 0:
        return twap_exec([float(b["c"]) for b in bars], qty, direction, slippage_fn)
    fills = []
    remaining = qty
    for b in bars:
        vol = float(b.get("v", 0))
        alloc = int(qty * vol / total_vol)
        if alloc <= 0:
            continue
        alloc = min(alloc, remaining)
        p = float(b["c"])
        p_fill = slippage_fn(p, direction)
        fills.append({"slice": len(fills) + 1, "price": p_fill, "qty": alloc})
        remaining -= alloc
        if remaining <= 0:
            break
    if remaining > 0 and fills:
        fills[-1]["qty"] += remaining
    return fills
```

---

## 五、完整代码实战

下面用麦蕊行情 API 拉取 600519 的 50 条日线，对比六种执行方案的成交结果。

```python
from mairui import Client
import pandas as pd
import numpy as np

# 演示证书（非真实账户，仅限演示；实际项目请换成自己的证书）
client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")

# 拉取日线
bars = client.stock_history(code="600519", st="", et="", period="d", dividend="f")
df = pd.DataFrame(bars)
df["c"] = df["c"].astype(float)
df["v"] = df["v"].astype(float)

close_prices = df["c"].tolist()
volumes = df["v"].tolist()
median_vol = df["v"].median()
avg_vol = df["v"].mean()
latest_price = close_prices[-1]

qty = 10000
direction = "buy"
base_cost = latest_price * qty

# 1) 固定滑点
p_fixed = round(latest_price * 1.001, 2)

# 2) 成交量比例滑点
ratio = median_vol / max(volumes[-1], 1)
adj_pct = 0.001 * min(ratio, 3.0)
p_vol = round(latest_price * (1 + adj_pct), 2)

# 3) 冲击成本
impact = 1.0 * np.sqrt(qty / avg_vol) * 0.01
p_impact = round(latest_price * (1 + impact), 2)

# 4) TWAP（5 切片）
twap_fills = []
for i in range(5):
    p = close_prices[-5:][i]
    twap_fills.append(round(p * 1.001, 2))
twap_avg = sum(twap_fills) / len(twap_fills)

print(f"无滑点基准: {latest_price:.2f} | 成本 {base_cost:,.0f}")
print(f"固定滑点: {p_fixed:.2f} | 成本 {p_fixed*qty:,.0f}")
print(f"成交量滑点: {p_vol:.2f} | 成本 {p_vol*qty:,.0f}")
print(f"冲击成本: {p_impact:.2f} | 成本 {p_impact*qty:,.0f}")
print(f"TWAP 均价: {twap_avg:.2f} | 成本 {twap_avg*qty:,.0f}")
```

---

## 六、运行结果

以 600519 最新收盘价 11.39 元、买入 10,000 股为例：

| 模型 | 成交均价 | 总成本 | 相对损耗 |
|------|---------|--------|---------|
| 无滑点基准 | 11.39 | 113,900 | 0.000% |
| 固定滑点 0.1% | 11.40 | 114,000 | 0.088% |
| 成交量比例滑点 | 11.40 | 114,000 | 0.088% |
| 冲击成本 | 11.40 | 114,000 | 0.088% |
| TWAP(5切片) | 11.14 | 111,380 | -2.212% |
| VWAP(10条) | 11.40 | 113,965 | 0.057% |

> 注：TWAP 均价偏低是因为最近 5 条收盘价恰好处于局部低位，体现了"时间分散"带来的均价波动，而非成本优势。

---

## 七、常见坑与注意

1. **滑点不是越小越好**：设 0.01% 过于乐观，设 1% 过于悲观；建议用历史盘口数据回算真实滑点分布
2. **冲击成本对中小盘更致命**：日均成交 5000 万的股票，10 万股的冲击可能达到 1%–3%
3. **TWAP 的隐藏风险**：市场在"切片间隔"里可能剧烈波动，TWAP 无法躲避极端行情
4. **别把 VWAP 当最优**：VWAP 只是"贴近市场平均"，不保证成本最低

---

## 八、小结 + 下篇预告

本文实现了三种滑点模型 + TWAP/VWAP 拆单框架。把这套逻辑嵌入你的回测引擎，只需在`execute_order()`里加一行滑点计算，就能让回测结果更接近实盘。

**下篇预告**：信号来了就发单？订单状态机与防重单实战——教你用状态机管理订单生命周期，避免重复下单、废单和跨日状态混乱。

---

## 免责声明

本文仅供技术学习交流，不构成任何投资建议。市场有风险，投资需谨慎。

---

## 了解更多

- 代码与文档：https://github.com/MaiRuiApi


回测里买在收盘价、卖在收盘价，现实中你根本做不到。忽略滑点和冲击成本，夏普 2.0 的策略上线后可能直接腰斩。

【Python量化实盘工程 #04】回测收益虚高30%？滑点与冲击成本建模让模拟更真实

编程语言

开发工具

回测忽略滑点与冲击成本，收益可能高估20%-40%。本文提供三种滑点模型（固定比例、成交量比例、冲击成本）及TWAP/VWAP拆单执行的Python实现，并展示嵌入回测引擎的方法，让回测结果更贴近实盘。

代码解释

Python

GitHub

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化实盘工程 #04】回测收益虚高30%？滑点与冲击成本建模让模拟更真实-腾讯云开发者社区-腾讯云

【Python量化实盘工程 #04】回测收益虚高30%？滑点与冲击成本建模让模拟更真实

【Python量化实盘工程 #04】回测收益虚高30%？滑点与冲击成本建模让模拟更真实

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐