回测引擎设计

一个可信引擎的四个模块

回测引擎的可信度由四个显式建模的模块决定：成交、成本、延迟、资金。任何一块的简化都会让回测结果系统性偏向乐观——而偏乐观的回测比没有回测更危险。

成交模型

假设	乐观程度	说明
收盘价成交	最乐观	信号在收盘才可得，实际只能次日成交——系统性前视
次日开盘价	基准	最小可行假设
次日 VWAP	更真实	对容量较大的策略应使用
撮合限价单	最真实	需要订单簿数据，见限价订单簿

最低标准：信号时刻与成交时刻分离。用收盘价给"收盘信号"成交，是几乎所有新手回测的共同 bug。

成本模型

成本不是常数，应随成交量占比非线性增长：

\text{成本} = \text{佣金} + \tfrac{1}{2}\text{价差} + \text{冲击}(\text{成交量占比}),

冲击项的常用形式为平方根律： $\text{impact} \approx c\, \sigma\, \sqrt{Q / \mathrm{ADV}}$ ， $Q$ 为订单量， $\mathrm{ADV}$ 为日均成交量。要点：

成交量占比 > 1% 时，冲击成本进入非线性区间，容量上限由此而来；
价差是时变的：刚暴跌的股票价差扩大数倍，见短期反转；
A 股还有印花税等制度性成本，见A 股：T+1、涨跌停与融券。

延迟与资金

延迟：信号计算 → 下单 → 成交的链路延迟，最小可行实现是"下一根 bar 成交 + 固定延迟惩罚"；
资金与保证金：期货/杠杆策略必须显式跟踪保证金占用、可用资金与强平线，见期货：保证金、换月与限仓；
停牌与涨跌停：无法成交的日子要真实地"无法成交"，见回测中的典型偏差。

import numpy as np

def fill_price(side: str, next_open: float, spread: float,
               q: float, adv: float, sigma: float, impact_coef: float = 0.5) -> float:
    """最小可行成交模型：次日开盘 + 半价差 + 平方根冲击"""
    half_spread = spread / 2
    impact = impact_coef * sigma * np.sqrt(q / adv)
    return next_open * (1 + half_spread + impact) if side == "buy" \
        else next_open * (1 - half_spread - impact)

记录一切

每笔模拟成交记录：时间、价格、信号价、假设的成本——事后审计与滑点分析的数据源，见监控与事故复盘；
回测输出应能回答："这笔成交用了什么假设？"

量化中的用法

默认成交假设：次日开盘/VWAP + 半价差 + 平方根冲击；
容量上限按成交量占比 1–5% 设定，随策略频率调整；
每笔模拟成交可审计，成本假设可配置且记录在案。

本章要点

用收盘价成交是最乐观的假设，应至少用次日开盘或 VWAP
成本模型应随成交量占比非线性增长（平方根律）
记录每笔模拟成交以便事后审计