手续费与滑点建模：为什么你的回测是假的

三类成本，缺一个结论就不成立

加密市场的交易成本可以拆成三块，它们的性质完全不同，不能混在一个数里估。

第一块是手续费，确定性成本，事先知道，按成交名义金额的固定比例收取，区分挂单（maker）和吃单（taker）。第二块是滑点，随机成本，你的委托价与实际成交均价之差，取决于订单大小与当时盘口深度，行情剧烈时会放大数倍。第三块是资金费率，持仓成本，只在永续合约上出现，按持仓时间累积，与交易次数无关。

许多人只算了第一块，而且只算了单边。这就是回测虚高的主要来源。三块里手续费最好估、滑点最难估、资金费率最容易被完全遗忘。

手续费：双边是最容易漏的乘 2

一次完整交易包含两笔成交：开仓和平仓。若单边吃单费率是 0.05%，一次完整往返的手续费就是 0.1%。这个乘 2 是所有成本估算的起点，漏掉它相当于把成本直接砍半。

第二个细节是计费基数。手续费按成交名义金额计算，不是按你的保证金。用 5 倍杠杆开 10000 USDT 名义仓位，只投入 2000 保证金，手续费仍然按 10000 计算，即 5 USDT。相对保证金的费率因此是 0.25% 而不是 0.05%，杠杆把成本按倍数放大了。

第三个细节是 maker 与 taker 的区别。挂单成交费率通常明显低于吃单，有些交易所甚至给挂单返佣。但回测里默认应该按 taker 建模——你以为的限价挂单在实盘里经常因为价格跑掉而被迫改成市价追单，成交率与费率的这个权衡必须在回测阶段就假定最差情况。

# 单笔完整交易的手续费与滑点（名义金额口径）
FEE_TAKER = 0.0005      # 单边 0.05%
SLIP      = 0.0005      # 单边 0.05%

def round_trip_cost(notional: float,
                    fee=FEE_TAKER, slip=SLIP) -> float:
    """返回一次开+平的总成本(USDT)"""
    one_side = notional * (fee + slip)
    return one_side * 2


def annual_cost_ratio(trades_per_day: float,
                      fee=FEE_TAKER, slip=SLIP) -> float:
    """年化成本 / 本金 (假设每次用满仓位, 无杠杆)"""
    per_trade = (fee + slip) * 2          # 双边
    return trades_per_day * 365 * per_trade


for n in (0.2, 1, 5, 10, 30):
    print(f"日均 {n:>4} 笔 -> 年化成本约 "
          f"{annual_cost_ratio(n) * 100:,.0f}% 本金")

# 日均  0.2 笔 -> 年化成本约      7% 本金
# 日均    1 笔 -> 年化成本约     37% 本金
# 日均    5 笔 -> 年化成本约    183% 本金
# 日均   10 笔 -> 年化成本约    365% 本金
# 日均   30 笔 -> 年化成本约  1,095% 本金

python

滑点：没有盘口数据时怎么估

滑点是委托时的参考价与实际成交均价之差。理想做法是用逐笔成交与盘口快照数据精确模拟，但这类数据体量大、获取成本高，多数个人研究者拿不到。退一步有两种可用的近似方法。

方法一：按 ATR 比例。取 14 周期 ATR，滑点设为 ATR 的 2%–5%。这个方法的逻辑是波动越大、盘口越容易被拉开，滑点自然越高。优点是自适应行情，剧烈波动期会自动加大惩罚；缺点是与订单大小无关。

方法二：按典型价差倍数。用买卖价差的 1–2 倍。BTC 主流合约价差常在万分之一到万分之二之间，山寨币可能到千分之几。这个方法更贴近微观结构，但需要你至少采样过一段真实盘口。

两种方法都建议再叠加一个订单规模惩罚项：当单笔名义金额超过盘口前五档累计量的某个比例时，线性追加滑点。小资金账户可以忽略这一项，资金规模大到能吃穿几档盘口时它就成了主导成本。

def slippage_atr(atr: float, price: float, k: float = 0.03) -> float:
    """按 ATR 比例估滑点, 返回相对价格的比率"""
    return k * atr / price


def slippage_spread(bid: float, ask: float,
                    mult: float = 1.5) -> float:
    mid = (bid + ask) / 2
    return mult * (ask - bid) / 2 / mid


def fill_price(ref_px, side, slip_rate, fee=FEE_TAKER):
    """side: +1 买入, -1 卖出。滑点总是往不利方向"""
    px = ref_px * (1 + side * slip_rate)
    eff = px * (1 + side * fee)     # 把费用折进有效成交价
    return px, eff

python

资金费率：持仓越久越贵

永续合约靠资金费率把合约价格锚定在现货附近。当合约价高于现货（市场偏多），多头付钱给空头；反过来空头付多头。多数交易所每 8 小时结算一次，即每天三次。

常态费率约为每次 0.01%，折算年化约 11%。这个数字在温和行情里不算大，但在情绪亢奋期费率可能连续多日达到每次 0.1% 甚至更高，年化超过 100%。对持仓周期以周计的趋势策略来说，这是一笔必须计入的持续支出。

反过来，资金费率也可以是收入。方向中性的套保组合（现货多 + 永续空）赚的正是这笔钱。做这类策略时资金费率是收益来源，建模精度直接决定结论对错，不能用常数近似，必须用历史费率数据逐期结算。

def apply_funding(pos_notional: float, side: int,
                  funding_series, ts_start, ts_end) -> float:
    """结算区间内累计资金费。side=+1 多头, -1 空头。
    funding_series: 索引为结算时点的历史费率(如 0.0001)
    返回值为负表示支出。
    """
    f = funding_series.loc[ts_start:ts_end]
    # 费率为正时多头付钱, 故乘 -side
    return float((-side) * (f * pos_notional).sum())

python

具体演算：成本如何把盈利吃成亏损

下面用一组假设数字演示，全部为示例演算，不代表任何实际策略表现。设一条 15 分钟级别的短线策略，回测区间一年，日均 10 笔完整交易（即约 3650 笔/年），每笔用满账户名义金额，无杠杆。不计成本时年化收益 180%，单笔平均毛收益约 0.049%。

现在逐项加入成本。单边手续费 0.05%、单边滑点 0.05%，一笔往返成本 0.2%（双边各 0.1%）。单笔平均毛利 0.049% 远小于往返成本 0.2%，每笔净结果是亏 0.151%。3650 笔累计下来，账户不是收益打折，而是彻底归零。

这不是极端构造的例子，而是短线策略的常态：信号的平均毛利经常小于往返成本。判断一条策略能否活下来，只需要一步算术——平均单笔毛利是否显著高于往返成本，建议留出至少 2 到 3 倍的余量。

最后一行给出了唯一的出路：要么提高单笔毛利，要么降低交易频率。提高毛利通常意味着持仓更久、目标更远；降低频率意味着更严格的信号过滤。两者都会减少交易次数，而这正是成本约束下的正确方向。

把成本加进你的引擎很简单，实现细节见从零搭建最小回测引擎；加完之后一定要重新做参数扫描，因为最优参数会明显向低频方向移动，相关方法见过拟合识别。

把成本当成设计约束而不是事后扣减

多数人的流程是：先做出漂亮曲线，最后加成本，发现不行再回头调。这个顺序浪费大量时间，因为成本会改变最优参数本身，事后加的结果并不是「打折版」而是完全不同的策略。

更有效的做法是把成本前置：写策略之前先做一次上一节那样的餐巾纸算术，估出这条思路需要多少单笔毛利才能存活。若你的信号显然达不到，直接换思路，不必写代码。这一步通常只要五分钟，能省掉几天。

参数扫描也要在含成本条件下做。含成本的最优参数往往比零成本版本更慢、更保守、交易更少，而这个版本才是真正可执行的。同一套参数在零成本下最优、含成本下崩掉，是很常见的现象。

• 先算再写：估算需要的单笔毛利门槛，判断思路是否有生存空间。
• 参数扫描含成本：不要拿零成本最优参数去加成本验证。
• 做敏感度：把成本乘 1.5 倍和 2 倍再跑，若结论反转说明余量不足。
• 记录换手率：把年化换手率作为一等指标输出，它直接决定成本量级。
• 实盘对账：小资金跑几周后，用真实成交明细反推实际成本，回填进回测参数。