

> 本文你将得到什么：
> 1. 一个可配置的交易成本模型：佣金（万 2.5、最低 5 元/笔）+ 印花税（卖出 0.05%）+ 滑点（双向 0.1%）
> 2. 把成本模型插进上一篇文章的最小回测引擎（改动不到 20 行）
> 3. 零成本 vs 计成本的同信号回测对比，量化"成本拖累"
> 4. 理解为什么"回测多赚的 0.3%，实盘就没了"

---

## 痛点：回测年化 30%，实盘却亏钱

上一篇文章搭了最小回测引擎，评论区最常见的问题就是："为什么我回测赚钱，一实盘就亏？"十有八九的答案是：**你的回测是零成本的**。

每笔交易都在交三笔钱：佣金（买卖双边）、印花税（卖出单边）、滑点（你想买，就得比盘口贵一点点才买得到）。交易越频繁，这三笔钱咬得越狠。本文把它们全部写进引擎。

---

## 环境准备

```bash
pip install mairui pandas
```

---

## 第一步：数据与信号（与上篇完全一致）

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

client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")
bars = client.stock_history(code="600519", period="d", dividend="f")

df = pd.DataFrame(bars)
df = df.rename(columns={"t": "date"})
df = df.sort_values("date").reset_index(drop=True)
for col in ("o", "h", "l", "c", "v"):
    df[col] = df[col].astype(float)

def ma_cross_signals(df):
    df = df.copy()
    df["ma5"] = df["c"].rolling(5).mean()
    df["ma20"] = df["c"].rolling(20).mean()
    signals = []
    for i in range(1, len(df)):
        prev, curr = df.iloc[i - 1], df.iloc[i]
        if pd.isna(curr["ma20"]):
            continue
        if prev["ma5"] <= prev["ma20"] and curr["ma5"] > curr["ma20"]:
            signals.append((i, curr["date"], 1))
        elif prev["ma5"] >= prev["ma20"] and curr["ma5"] < curr["ma20"]:
            signals.append((i, curr["date"], -1))
    return signals

signals = ma_cross_signals(df)
```

说明：这里用的是公开演示证书，为演示方便明文写入；实际项目请换成你自己的正式证书（申请配置见 SDK 文档 https://github.com/MaiRuiApi/mairui ），换证后代码无需修改。

---

## 第二步：成本模型（一个类装下所有费用）

A股的现实费用结构：

| 费用 | 方向 | 常见标准 |
|------|------|----------|
| 佣金 | 买卖双边 | 万 2.5 起，单笔最低 5 元 |
| 印花税 | 仅卖出 | 0.05% |
| 滑点 | 买卖双向 | 保守按 0.1% 估算 |

```python
class CostModel:
    def __init__(self, commission_rate=0.00025, min_commission=5.0,
                 stamp_tax=0.0005, slippage=0.001):
        self.commission_rate = commission_rate
        self.min_commission = min_commission
        self.stamp_tax = stamp_tax
        self.slippage = slippage

    def buy_price(self, open_price):    # 买入滑点：买贵一点
        return open_price * (1 + self.slippage)

    def sell_price(self, open_price):   # 卖出滑点：卖便宜一点
        return open_price * (1 - self.slippage)

    def buy_cost(self, amount):
        return max(amount * self.commission_rate, self.min_commission)

    def sell_cost(self, amount):
        return max(amount * self.commission_rate, self.min_commission) \
               + amount * self.stamp_tax
```

注意 `max(..., min_commission)`：小资金高频交易时，**最低佣金 5 元才是真正的杀手**——1 万元一笔交易，万 2.5 只有 2.5 元，但按 5 元收，实际费率是万 5。

---

## 第三步：把成本插进回测引擎

改动三处：成交价用滑点价、每笔交易扣费用、期末强制平仓（回测惯例，把浮动盈亏落袋才能算总账）。

```python
def run_backtest(df, signals, cost=None, cash=100000.0):
    sig_by_next = {i + 1: side for i, _, side in signals}
    position, cash_now = 0, cash
    equity, trades, total_cost = [], [], 0.0
    n = len(df)
    for i in range(n):
        row = df.iloc[i]
        side = sig_by_next.get(i)
        last_day = i == n - 1
        want_buy = side == 1 and position == 0 and not last_day
        want_sell = (side == -1 or last_day) and position > 0
        if want_buy:
            if cost is None:
                px, shares, fee = row["o"], int(cash_now / row["o"] / 100) * 100, 0.0
            else:
                px = cost.buy_price(row["o"])
                shares = int(cash_now / px / 100) * 100
                fee = cost.buy_cost(shares * px)
            if shares > 0:
                cash_now -= shares * px + fee
                position = shares
                total_cost += fee
                trades.append((row["date"], "BUY", shares, px, fee))
        elif want_sell:
            if cost is None:
                px, fee = row["o"], 0.0
            else:
                px = cost.sell_price(row["o"])
                fee = cost.sell_cost(position * px)
            cash_now += position * px - fee
            total_cost += fee
            trades.append((row["date"], "SELL", position, px, fee))
            position = 0
        equity.append(cash_now + position * row["c"])
    return equity, trades, total_cost
```

依然是**信号日收盘计算、次日开盘执行**——成本模型解决不了前视偏差，两条纪律缺一不可。

---

## 第四步：零成本 vs 计成本，跑同一组信号

```python
eq0, tr0, c0 = run_backtest(df, signals, cost=None)
eq1, tr1, c1 = run_backtest(df, signals, cost=CostModel())

r0, r1 = eq0[-1] / eq0[0] - 1, eq1[-1] / eq1[0] - 1
print(f"零成本: 收益 {r0:+.2%}")
print(f"计成本: 收益 {r1:+.2%}  总成本 {c1:.2f} 元")
print(f"成本拖累: {r1 - r0:+.2%}")
```

**输出示例**：

```
零成本: 收益 -0.44%
计成本: 收益 -0.74%  总成本 98.97 元
成本拖累: -0.30%
```

零成本买入花费 99,352 元，计成本买入费 24.86 元、卖出费 74.11 元（含印花税），来回一趟 98.97 元。**只交易一次，收益就被吃掉 0.3 个百分点**。

把倍数放大想：如果你的策略一年换手 50 次，成本拖累就是 15 个百分点起步——多少"回测年化 30%"的策略，扣完成本只剩 15%，再碰上几次坏运气，实盘就负了。

---

## 常见坑

1. **只算佣金不算最低价**：小资金按比例算佣金会严重低估成本；
2. **忘了印花税是卖出单边**：双边都扣印花税会高估成本（虽然方向上保守，但对比就不准了）；
3. **滑点拍脑袋为 0**：流动性差的票实际滑点远超 0.1%，本文的 0.1% 已是乐观估计；
4. **用成本解释策略不行**：成本模型是"别高估自己"，不是"成本背锅"——先无成本验证逻辑，再算成本看生存能力。

---

## 小结与下篇预告

- 佣金 + 印花税 + 滑点，一次完整买卖往返约 0.2%~0.3% 的真实成本；
- 最低佣金 5 元对小资金是隐性重税；
- 成本模型应该永远挂在回测引擎上，像安全带一样；
- 下一篇解决另一个直接影响生存的问题：**满仓一把梭还是分批进？三种仓位管理方式同信号回测对比。**

---

## 免责声明

本文所有内容仅用于技术学习与交流，不构成任何投资建议。股市有风险，投资需谨慎。


一个可配置的交易成本模型：佣金（万 2.5、最低 5 元/笔）+ 印花税（卖出 0.05%）+ 滑点（双向 0.1%）

【Python量化回测实战 02】回测赚钱实盘亏钱？把手续费、印花税和滑点算进引擎

编程语言

算法

本文构建可配置A股交易成本模型，含佣金、印花税及滑点，接入最小回测引擎，对比零成本与计成本回测，量化成本拖累约0.3%，揭示高频交易下成本对收益的侵蚀，助力策略实盘生存力评估。

代码解释

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量化回测实战 02】回测赚钱实盘亏钱？把手续费、印花税和滑点算进引擎-腾讯云开发者社区-腾讯云

【Python量化回测实战 02】回测赚钱实盘亏钱？把手续费、印花税和滑点算进引擎

【Python量化回测实战 02】回测赚钱实盘亏钱？把手续费、印花税和滑点算进引擎

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