|
我們在非撮合回測模式下，因為無法獲知交易價格當時的真實盤口價差、掛單數(shù)量，常主觀設定一個滑點均值，比如針對螺紋鋼等合約，設置 1 跳，針對某些交易不活躍的品種，設置 2 跳。 但是這種近乎拍腦袋的方法并不精確。我們今天嘗試通過簡單的輔助工具，實現(xiàn)盡可能接近準確的 tick 級別滑點設置，代碼已寫好，不用編程也可獲得結果。 一、“過價成交”與“撮合成交”主流程序化交易軟件如 TB、文華財經、MC 等，提供了“過價成交”這種限價單來模擬歷史交易，只要價格在近日 k 線區(qū)間以內，都模擬本次交易成交。這種方法效率高，回測簡便，可以實現(xiàn)大周期k線頻率下的 bar 內交易。  一些精確的回測系統(tǒng)，如某些交易者自己開發(fā)的系統(tǒng)可以實現(xiàn) tick 級別撮合回測，但是速度極慢，如果進行多組回測（如參數(shù)優(yōu)化場景）難以應對。  所以兩種模式都有優(yōu)劣，針對不同場景應該有不同選擇側重。 二、通過調取tick價格，獲知盤口真實情況我們的計算需要獲取大量 tick 數(shù)據(jù)，才能滿足最近一個階段，比如 1 年的滑點細節(jié)，所以 tb 等軟件提供的 tick 數(shù)據(jù)并不夠用。較為穩(wěn)妥的方案是，通過聚寬獲取免費數(shù)據(jù)，并在其在線式研究平臺 python 環(huán)境下，不用開發(fā)模型，直接分析數(shù)據(jù)。  以聚寬為例，獲取 tick 數(shù)據(jù)的核心函數(shù)是：
我們看到該函數(shù)需要傳入的參數(shù)有：
針對部分編程愛好者，我們簡單解讀程序，如果沒興趣也可直接跳過本段。首先針對一次獲取多個合約的需求，我們定義的函數(shù)，應該允許在 security 合約代碼字段傳輸多個品種，所以函數(shù)也針對 security 字段來建立一個 for 循環(huán)。  循環(huán)內獲得交易時間日期、獲得該品種 minpoint（最小波動量，以便統(tǒng)一結果量剛為跳數(shù)）。通過 get_ticks 函數(shù)獲得每日價格，計算得到['a1_p'] 減去 ['b1_p']這個字段，這就是每天的 tick 級別買賣價差。 緊接著計算一個每日均值：spread_mean，這樣我們獲得了每個品種每日滑點， dict 套 dict 數(shù)據(jù)格式。為了讓你不在聚寬購買研究內存，我們做了內存清理。 考慮到某些 tick 錯誤數(shù)據(jù)，可能導致 tick 級別買賣價差過大，我們在最終繪圖的 dataframe 中做了過濾，大于 10 跳的部分都刪除，小于 0 跳的部分也刪除（理論上 ask 一定高于 bid，所以不應該出現(xiàn)負值）。 future_basic_info 函數(shù)僅用于獲取合約單位，報價單位，和 MinPoint 最小變動價格，這是一個將聚源數(shù)據(jù)庫封裝接口后的函數(shù)，原接口非常難用，所以封裝一遍，這個函數(shù)在期貨模型里也可以用。 三、不同板塊品種滑點初探運行時首先要傳入品種簡稱，如這樣，我們傳入黑色系的幾個品種： test_ins_list = ['RB','HC','I','J','ZC']然后將這個品種 list，傳入主函數(shù) cal_mean_spread，并傳入要查詢的截至日期，和日期長度（如這里查詢截止 3 月 8 日數(shù)據(jù)，過去 220 天）：
結果如下： 我們看到，黑色系品種，鐵礦石滑點最為穩(wěn)定，螺紋鋼其次，他們的買賣價差均值都在 1 左右。焦炭可能由于波動量大，某些時候，可以達到較高的滑點，但是仔細觀察坐標軸，全日均值的極值點，還是在 1.5 以內，并沒有很大的沖擊成本。 有色金屬中，銅鋁鋅穩(wěn)定在 1 跳左右，這些品種雖然趨勢不好做，但是可能套保和套利盤較多，流動性不成本問題。pb 鉛較高，依然穩(wěn)定在 1.5 以內，ni 鎳常會沖擊到 2 個滑點，畢竟其價格高，雖然趨勢活躍，但是接近 10 萬元的價格產生幾個 10 元的價差，還是很合理的。sn 錫比較夸張了，4～5 個滑點是常有的，也是我虧錢最多的品種，值得紀念。 農產品的穩(wěn)定性超乎我們之前的偏見，雖然趨勢不強，但是交易活躍，盤口流動性并不成問題，沒有出現(xiàn)顯著斷檔，本次測試的大部分品種都在 1 跳左右，2 跳以內的滑點。這應該也是套利和做市商的功勞，特別是后者提供連續(xù)流動性更為重要。 化工品中，除除了 PP 表現(xiàn)活躍，其他幾位同學還湊合。滑點基本在 1.2 個以內，所以還是那句老話，其實商品期貨的滑點并不是很高，尤其是每日平均滑點。雖然我常和朋友開玩笑說這里“池淺王八多”，但畢竟 40 個品種分享 5000 億保證金，加上每年 200 萬億的交易額（2018 年數(shù)據(jù)），流動性還是充裕的。 金融期貨情況有些不可控，股指期貨被閹割后，流動性有時候成問題，這也是很多日內模型無法運轉的原因，我們觀察發(fā)現(xiàn) IC 流動性長期不足，滑點較大。在股指期貨逐步放開后，可以控制在平均 4 跳，而之前則有可能到 8~10 跳。IF 和IH 可以控制在平均 2~3 跳，之前也要 4 跳左右。反而是國債期貨的流動性很棒，可以控制在 2 跳之內。 但是這里提醒各位讀者：不同的價格，跳數(shù)含義完全不同。高價品種出現(xiàn)較高跳數(shù)完全合理，其本質上對應的沖擊成本價值，和低價成本出現(xiàn) 1 到 2 跳效果類似。比如在 NI 鎳品種設置 5 跳的一個日內模型表現(xiàn)尚可，在 I 鐵礦上如果加到 2 跳滑點，就會嚴重折損效果，因為鐵礦 1 跳對應 50 元，鎳 1 跳對應 10 元。 四、多頭滑點和空頭滑點多頭和空頭忍受的滑點是不同的，我們在行情軟件上，看到的價格實際上是本文的 get_tick 函數(shù)提取到的 current 價格，而你的模型一般會按照此價格計算，如果達到條件，就報單，緊接著就是判斷是否成交的過程，報單價格太低肯定不行，先價格優(yōu)先，還要時間優(yōu)先。所以報單價格要足夠高（買入為例）。 我們深入到股指期貨內部，分別使用['a1_p'] - ['current']計算買入滑點，使用['current'] - ['b1_p']計算賣出滑點，得到結果如下：
 我們選擇了 2 月 25 日這個大漲日，測試IF主力合約的滑點情況，該函數(shù)深入到每日內，可以看到情況依然樂觀，充裕的流動性讓買賣滑點大部分集中在 -5 跳到 +10 跳區(qū)間內，但是在快速變動的行情中，滑點也快速增加到 10 跳以上，也有可能是我們的行情并非 tick 而是每秒 2 個快照導致的，此時追價交易就有點可怕了。 空頭滑點比多頭略小，畢竟是大漲行情中，做空容易，但是差異很小，在極端變化時，滑點依然被拉的比較大，需要警惕。我們提醒大家一些日內突破模型，在某些關鍵點位上，滑點會比你想象中更大，而在其他價位上，滑點又很小，甚至吃到負滑點。 文件已經保存成為一個《滑點測試——powered by 量化投資訓練營.ipynb》python代碼記事本，傳到聚寬研究平臺，即可運行。感謝南開大學劉健濤同學完成了其中主要代碼設計。本次我們沒有分析訂單深度，你可以在程序上改版獲得。 點擊【閱讀原文】，文末獲取完整源代碼~ |
|
|
