【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

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：

滑点：你下单时的价格，和实际成交的价格，总有差距
冲击成本：大单会"砸穿"盘口，自己的买单把价格推高了
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

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）
TWAP / VWAP 拆单执行的代码框架
一张汇总对比表，量化不同模型的执行损耗
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 复制代码

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 复制代码

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 复制代码

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 复制代码

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 复制代码

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 复制代码

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

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
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%
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
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：github.com/MaiRuiApi