8. 回测框架搭建：向量化回测引擎设计，考虑交易成本与滑点

回测，说白了就是让策略在历史数据上跑一遍。但这里有个坑——很多人跑出来的曲线漂亮得不行，实盘一上就崩。为什么？因为没把交易成本和滑点算进去。

我个人习惯，回测框架一定要从第一天就考虑这两个东西。否则你看到的收益率，全是幻觉。

8.1 向量化 vs 事件驱动：选哪个？

回测引擎分两种：向量化和事件驱动。我刚开始做的时候，两种都写过。后来发现，对于基差套利这种策略，向量化完全够用，而且快得多。

向量化回测的核心思想：用数组运算代替循环。你想想看，一次算完所有信号，一次算完所有持仓，一次算完所有收益。速度比事件驱动快几个数量级。

但要注意，向量化有个前提——你的策略逻辑必须能用矩阵运算表达。基差套利恰好满足这个条件。

8.2 交易成本怎么算？

交易成本不只是手续费。我见过有人只算万二的佣金，结果实盘亏得底掉。真正的交易成本包括三块：

成本类型	说明	典型值（商品期货）
手续费	交易所+期货公司收取	万分之0.5 ~ 万分之3
滑点	实际成交价与信号价的偏差	0.5 ~ 2个tick
冲击成本	大单对市场价格的推动	视流动性而定

嗯，这里要注意。滑点是最容易被低估的。我在项目中遇到过，明明信号价差是10个点，结果一开仓，实际成交价差只有8个点。两个点就这么没了。

8.3 向量化回测引擎的核心设计

直接上代码吧。这是我常用的一个简化版向量化回测框架。注意看交易成本和滑点是怎么嵌入的。

import numpy as np
import pandas as pd

class VectorizedBacktester:
    def __init__(self, data, signal_func, 
                 fee_rate=0.0003,  # 手续费率
                 slippage=1,       # 滑点（tick数）
                 tick_size=1):     # 最小变动价位
        self.data = data
        self.signal_func = signal_func
        self.fee_rate = fee_rate
        self.slippage = slippage
        self.tick_size = tick_size
        
    def run(self):
        # 生成信号（向量化）
        signals = self.signal_func(self.data)
        
        # 计算持仓（考虑滑点后的实际成交价）
        # 开仓价 = 信号价 + 滑点 * 方向
        entry_price = self.data['close'] + \
                      self.slippage * self.tick_size * signals
        
        # 计算交易成本
        trade_cost = entry_price * self.fee_rate * abs(signals.diff())
        
        # 计算收益（考虑成本）
        returns = signals.shift(1) * \
                  (self.data['close'].pct_change()) - trade_cost
        
        # 累计收益
        cumulative_returns = (1 + returns).cumprod()
        
        return cumulative_returns

你看，核心就几行。但关键在 entry_price 那行——滑点直接加在成交价上。方向为正（做多）就加，为负（做空）就减。这才是真实成交价。

8.4 滑点模型：别用固定值

固定滑点虽然简单，但不够真实。我后来改成了动态滑点模型——根据流动性来调整。

def dynamic_slippage(volume, avg_volume, base_slippage=1):
    """
    动态滑点模型
    volume: 当前成交量
    avg_volume: 平均成交量
    base_slippage: 基础滑点（tick数）
    """
    # 流动性越差，滑点越大
    liquidity_ratio = volume / avg_volume
    if liquidity_ratio < 0.5:
        return base_slippage * 2
    elif liquidity_ratio < 1.0:
        return base_slippage * 1.5
    else:
        return base_slippage

为什么会这样？你想想看，流动性差的时候，你的单子很难找到对手盘。我曾经在某个冷门合约上吃过亏，回测时滑点设1个tick，实盘直接滑了3个tick。从那以后，我再也不敢用固定滑点了。

8.5 完整的回测流程

一个完整的向量化回测，应该包含以下步骤：

1. 数据准备：清洗、对齐、处理缺失值
2. 信号生成：计算基差、生成开平仓信号
3. 成本计算：手续费 + 滑点 + 冲击成本
4. 收益计算：考虑成本后的净值曲线
5. 绩效评估：夏普比率、最大回撤、胜率等

8.6 绩效评估指标

跑完回测，不能只看收益率曲线。我一般会看这几个指标：

指标	公式	合格线
年化收益率	累计收益^(252/天数) - 1	> 10%
夏普比率	(收益率 - 无风险利率) / 波动率	> 1.5
最大回撤	峰值到谷底的最大跌幅	< 15%
胜率	盈利交易次数 / 总交易次数	> 50%

注意，这些指标都是在扣除交易成本之后算的。如果扣除成本后夏普比率还能到1.5以上，这个策略才值得上实盘。

8.7 回测的常见陷阱

最后，说几个我踩过的坑：

• 前视偏差：用未来数据生成信号。比如用当天的收盘价算当天的信号，这是作弊。
• 幸存者偏差：只回测现在还活着的合约。退市的合约也要包含进去。
• 过度优化：参数调得刚刚好，换段时间就失效。我一般会做样本外测试。

好了，向量化回测框架的核心就这些。说白了，就是要把交易成本和滑点当成策略的一部分来设计。你想想看，如果回测时都不考虑这些，实盘怎么可能赚钱？

框架搭好了，下一步就是往里面填策略逻辑。记住，回测的目的是发现bug，不是证明策略牛逼。能发现问题的回测，才是好回测。