第28章波动率曲面回测框架

第28章波动率曲面回测框架：回测引擎设计、交易模拟、绩效评估指标

做波动率曲面交易，最怕什么？

怕策略在实盘里跑出来跟回测完全是两码事。我见过太多人，回测曲线漂亮得像教科书，一上实盘就崩。说白了，回测框架没搭好，你看到的都是幻觉。

这一章，我就跟你聊聊怎么搭一个靠谱的波动率曲面回测框架。嗯，都是我在实盘里踩过的坑。

28.1 回测引擎的核心设计

回测引擎是整个框架的心脏。我个人习惯把它拆成三个模块：数据层、策略层、执行层。

核心原则：回测引擎必须能处理「非对称信息」。波动率曲面交易里，你看到的报价和实际成交价之间，往往差着好几个tick。这个差距，就是你的滑点成本。

先看数据层。你需要的不只是历史价格，还有完整的期权链数据。包括：

不同行权价的隐含波动率
不同期限的波动率期限结构
买卖价差（这个特别重要）
成交量、未平仓量

策略层呢？它负责生成交易信号。比如你发现曲面出现套利机会，或者波动率期限结构异常。策略层会告诉你：「现在该买这个，卖那个」。

执行层最容易被忽略。它模拟你下单的过程：

能不能成交？
成交在什么价格？
有没有冲击成本？

我曾经犯过一个错：回测时假设所有订单都能按中间价成交。结果实盘里，每次下单都吃满买卖价差，一个月下来多亏了2%的收益。嗯，从那以后我再也不敢忽略执行细节了。

28.2 交易模拟：别让理想化害了你

交易模拟，说白了就是「假装在交易」。但怎么假装，差别很大。

我建议你至少考虑这几个因素：

因素	说明	我的经验值
滑点	实际成交价与信号价的偏差	期权通常设0.5-1个tick
延迟	从信号产生到成交的时间差	至少模拟1秒延迟
流动性限制	大单无法全部成交	按成交量10%限仓
保证金占用	期权交易需要保证金	按交易所标准计算

来看一段核心的交易模拟代码：

class TradeSimulator:
    def __init__(self, slippage=0.5, delay=1):
        self.slippage = slippage  # 滑点，单位tick
        self.delay = delay        # 延迟，单位秒
        self.pending_orders = []  # 待成交订单
        
    def execute_order(self, order, market_data):
        # 模拟延迟
        time.sleep(self.delay)
        
        # 获取当前最优报价
        best_bid = market_data['bid']
        best_ask = market_data['ask']
        
        # 计算实际成交价
        if order.side == 'buy':
            fill_price = best_ask + self.slippage
        else:
            fill_price = best_bid - self.slippage
            
        # 检查流动性
        max_volume = market_data['volume'] * 0.1
        fill_volume = min(order.volume, max_volume)
        
        return Trade(fill_price, fill_volume)

小技巧：回测时把滑点设得比实际大一点。我一般设1.5倍预期滑点。这样实盘跑起来，至少不会比回测差太多。

28.3 绩效评估指标：别只看夏普比率

很多人回测完，看一眼夏普比率就完事了。你想想看，这够吗？

波动率曲面交易有个特点：大部分时间在赚小钱，偶尔亏一大笔。夏普比率对这种策略的评估，其实不太靠谱。

我常用的指标有这几个：

28.3.1 收益类指标

总收益率：简单直接，但容易被极端值影响
年化收益率：方便不同策略对比
最大回撤：这个我特别看重。波动率曲面策略一旦回撤，往往是因为曲面结构突变

28.3.2 风险类指标

波动率：收益的波动，不是标的的波动
VaR（在险价值）：95%或99%置信度下的最大损失
CVaR（条件在险价值）：超过VaR后的平均损失。这个比VaR更实用

28.3.3 波动率曲面特有指标

Vega暴露：策略对波动率变化的敏感度
Gamma暴露：策略对标的资产价格变化的二阶敏感度
Theta衰减：时间价值损耗的速度

注意：不要只看一个指标。我见过有人用高杠杆把夏普比率做到3以上，但最大回撤超过50%。这种策略，你敢用吗？

28.4 框架流程图

下面这张图，是我自己画的一个回测框架流程。你看一眼就明白了：

28.5 实战中的避坑指南

最后，分享几个我踩过的坑：

幸存者偏差：回测时只用了存续下来的期权数据，退市的那些全被忽略了。结果策略看起来很美，实盘里一遇到退市就崩。
前视偏差：不小心用了未来的数据来做决策。比如用收盘后的波动率曲面来生成盘中信号。这个错我犯过两次，每次都是因为数据时间戳没对齐。
过度优化：把参数调得刚刚好，回测曲线完美。但换个时间段就完蛋。我现在的做法是：留出30%的数据做样本外测试，不过关就不上实盘。

我的建议：回测框架搭好后，先跑一个「随机策略」做基准。如果随机策略都能赚钱，那你的框架肯定有问题。别笑，我真见过这种情况——因为数据清洗没做好，把未来数据混进去了。

嗯，回测框架就聊到这儿。记住一句话：回测是用来发现问题的，不是用来证明策略有效的。框架搭得越扎实，你实盘的时候就越安心。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录