第11章回测系统搭建（上）

回测系统搭建（上）：回测框架设计原则、事件驱动回测引擎、滑点与交易成本模型

做期权波动率曲面套利，最怕什么？

怕策略在纸上跑得漂亮，一上实盘就崩。我见过太多人，回测年化50%，实盘直接亏到怀疑人生。说白了，问题出在回测系统本身——它骗了你。

今天我们就来聊聊，怎么搭一个靠谱的回测系统。这一章先讲框架设计原则、事件驱动引擎，还有滑点和交易成本模型。嗯，都是硬骨头，但啃下来，你的策略才算真正有了「实战基因」。

一、回测框架设计原则：别让系统坑了你

我个人习惯，搭任何系统前先定原则。回测框架尤其如此。为什么？因为期权策略太敏感了——波动率、时间衰减、跳跃风险，哪个没处理好，结果都是灾难。

核心原则就三条：

模块化：数据、策略、风控、执行，各管各的。别写成一坨屎山。
可复现：同样的参数，跑一百次结果必须一样。随机种子、时间戳都得固定。
逼真性：回测环境越接近实盘越好。滑点、手续费、冲击成本，一个都不能少。

我在项目中遇到过一件事：有个同事的回测引擎，滑点模型写死了固定1个tick。结果实盘时，深度虚值期权流动性极差，滑点直接飙到5个tick。策略瞬间崩盘。你说这锅该谁背？

所以，设计原则不是摆设。它们是防火墙。

二、事件驱动回测引擎：让系统「活」起来

回测引擎有两种主流架构：向量化（vectorized）和事件驱动（event-driven）。

向量化快，但不够灵活。事件驱动慢一点，但能处理复杂逻辑——比如期权组合的保证金计算、行权指派、波动率曲面更新。我个人强烈推荐事件驱动，尤其是做期权套利。

事件驱动的核心是什么？说白了，就是「发生什么事，就触发什么逻辑」。

举个例子：

市场数据来了 → 更新波动率曲面 → 检查是否有套利机会
信号触发了 → 生成订单 → 检查保证金 → 发送到模拟交易所
成交回报来了 → 更新持仓 → 计算盈亏 → 记录日志

你看，每个步骤都是独立的。出了问题，定位也快。

下面是一个简化的事件驱动引擎核心代码。别嫌简单，骨架对了，往上加肉就行。

class Event:
    """事件基类"""
    def __init__(self, event_type, timestamp, data):
        self.type = event_type
        self.timestamp = timestamp
        self.data = data

class EventEngine:
    """事件驱动引擎"""
    def __init__(self):
        self.handlers = {}  # 事件类型 → 处理函数列表
        self.queue = []     # 事件队列

    def register_handler(self, event_type, handler):
        if event_type not in self.handlers:
            self.handlers[event_type] = []
        self.handlers[event_type].append(handler)

    def put_event(self, event):
        self.queue.append(event)

    def run(self):
        while self.queue:
            event = self.queue.pop(0)
            if event.type in self.handlers:
                for handler in self.handlers[event.type]:
                    handler(event)

# 使用示例
engine = EventEngine()
engine.register_handler('MARKET_DATA', handle_market_data)
engine.register_handler('SIGNAL', handle_signal)
engine.put_event(Event('MARKET_DATA', '2024-01-01 09:30:00', {...}))
engine.run()

我的经验：事件队列别用Python list。数据量大了，pop(0)是O(n)的。用collections.deque，或者直接用asyncio.Queue。我曾经因为这个问题，回测跑了三天没跑完……后来换了deque，两小时搞定。

三、滑点与交易成本模型：回测的「照妖镜」

回测里最容易被忽略的，就是滑点和交易成本。你想想看，期权交易成本比股票高多了——买卖价差、手续费、保证金占用利息，还有冲击成本。

我曾经见过一个策略，回测时没考虑滑点，年化收益30%。加上1个tick的滑点，直接变成5%。加上手续费，变成负的。你说这策略还能用吗？

所以，滑点和成本模型必须做，而且要做细。

3.1 滑点模型

滑点分两种：固定滑点和比例滑点。固定滑点就是每笔交易加一个固定tick数。比例滑点按成交金额的百分比算。

我个人建议用混合模型：

流动性好的合约（比如平值期权）：固定1-2个tick
流动性差的合约（深度实/虚值）：比例滑点，按买卖价差的一定比例

下面是一个简单的滑点模型实现：

class SlippageModel:
    def __init__(self, base_tick=0.5, spread_ratio=0.5):
        self.base_tick = base_tick  # 基础滑点（tick数）
        self.spread_ratio = spread_ratio  # 买卖价差比例

    def calculate_slippage(self, option, trade_direction):
        """
        option: 期权合约对象（包含bid, ask, last_price等）
        trade_direction: 'buy' 或 'sell'
        """
        spread = option.ask - option.bid
        if spread <= 0:
            # 异常情况，用基础滑点
            return self.base_tick * option.tick_size

        # 流动性判断：买卖价差越小，流动性越好
        if spread <= 2 * option.tick_size:
            # 流动性好，用固定滑点
            slippage = self.base_tick * option.tick_size
        else:
            # 流动性差，用比例滑点
            slippage = spread * self.spread_ratio

        # 买入时滑点向上，卖出时滑点向下
        if trade_direction == 'buy':
            return slippage
        else:
            return -slippage

避坑指南：我曾经在回测中忽略了「期权行权指派」带来的滑点。实盘时，被行权的期权在最后一天流动性极差，滑点直接吃掉了我一个月的利润。所以，记得在回测中加入「到期日流动性衰减」模型。

3.2 交易成本模型

交易成本不只是手续费。期权交易的成本包括：

成本类型	说明	典型值（A股期权）
交易所手续费	按张收取	1.6元/张（双边）
结算费	按张收取	0.3元/张
行权手续费	行权时收取	1.6元/张
保证金占用利息	卖出期权需缴纳保证金	按资金成本计算
冲击成本	大单交易对价格的影响	视流动性而定

我个人习惯，把这些成本统一封装成一个CostModel类。这样策略代码里只需要调用一个接口，清爽得很。

class CostModel:
    def __init__(self, commission_per_lot=1.6, settlement_per_lot=0.3,
                 exercise_fee=1.6, margin_rate=0.05, funding_rate=0.03):
        self.commission_per_lot = commission_per_lot
        self.settlement_per_lot = settlement_per_lot
        self.exercise_fee = exercise_fee
        self.margin_rate = margin_rate
        self.funding_rate = funding_rate

    def total_cost(self, trade):
        """
        trade: 交易对象（包含合约、数量、方向、持仓时间等）
        返回总成本（元）
        """
        lots = abs(trade.quantity)
        # 手续费
        commission = self.commission_per_lot * lots * 2  # 双边
        # 结算费
        settlement = self.settlement_per_lot * lots * 2
        # 行权费（如果是到期行权）
        exercise = 0
        if trade.is_exercise:
            exercise = self.exercise_fee * lots
        # 保证金占用利息（卖出开仓）
        margin_interest = 0
        if trade.direction == 'sell':
            margin = trade.option.margin * lots * self.margin_rate
            margin_interest = margin * self.funding_rate * (trade.hold_days / 365)

        return commission + settlement + exercise + margin_interest

四、本章知识体系图

下面这张图，把回测系统的核心逻辑串起来了。你仔细看看，每个模块之间怎么交互的。

我的建议：别一上来就写全功能。先搭一个最小可用版本——能跑通一条数据、一个策略、一笔交易就行。然后逐步加滑点、加成本、加风控。迭代开发，比一次性搞个大而全的框架靠谱得多。

好了，这一章的内容就到这里。回测框架的骨架我们已经搭好了，下一章我们会在骨架上填肉——具体讲讲怎么实现波动率曲面更新、组合保证金计算，还有绩效归因。嗯，都是实战中必须啃的硬骨头。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

回测系统搭建（上）：回测框架设计原则、事件驱动回测引擎、滑点与交易成本模型

一、回测框架设计原则：别让系统坑了你

二、事件驱动回测引擎：让系统「活」起来

三、滑点与交易成本模型：回测的「照妖镜」

3.1 滑点模型

3.2 交易成本模型

四、本章知识体系图