如何设置交易滑点？精确到 tick 测算期货冲击成本（附源码）
分享一篇不错的文章：
我们在非撮合回测模式下，因为无法获知交易价格当时的真实盘口价差、挂单数量，常主观设定一个滑点均值，比如针对螺纹钢等合约，设置 1 跳，针对某些交易不活跃的品种，设置 2 跳。
但是这种近乎拍脑袋的方法并不精确。我们今天尝试通过简单的辅助工具，实现尽可能接近准确的 tick 级别滑点设置，代码已写好，不用编程也可获得结果。
“过价成交”与“撮合成交”
主流程序化交易软件如 TB、文华财经、MC 等，提供了“过价成交”这种限价单来模拟历史交易，只要价格在近日 k 线区间以内，都模拟本次交易成交。这种方法效率高，回测简便，可以实现大周期k线频率下的 bar 内交易。
小时线上，一笔空单盈利，平仓点位在日内某点“过价成交”
一些精确的回测系统，如某些交易者自己开发的系统可以实现 tick 级别撮合回测，但是速度极慢，如果进行多组回测（如参数优化场景）难以应对。
MT5等软件提供的市场深度界面，可以看到每个价位挂单深度
所以两种模式都有优劣，针对不同场景应该有不同选择侧重。
通过调取tick价格，获知盘口真实情况
我们的计算需要获取大量 tick 数据，才能满足最近一个阶段，比如 1 年的滑点细节，所以 tb 等软件提供的 tick 数据并不够用。较为稳妥的方案是，通过聚宽获取免费数据，并在其在线式研究平台 python 环境下，不用开发模型，直接分析数据。
聚宽改版了，logo改出了强迫症的味道
以聚宽为例，获取 tick 数据的核心函数是：
get_ticks(security, end_dt, start_dt=None, count=None, fields=['time', 'current', 'high', 'low', 'volume', 'money'])，期货部分， 支持 2010-01-01 至今的 tick 数据，提供买一卖一数据，这数据量基本足够用。
我们看到该函数需要传入的参数有：
security合约代码
end_dt最终时间
start_dt起始时间
count数量
fields获取字段，期货中我们一般获取['time','a1_p','b1_p','current']字段，分别是时间、ask 卖出报价、bid 买入报价、current 当前最新价
针对部分编程爱好者，我们简单解读程序，如果没兴趣也可直接跳过本段。首先针对一次获取多个合约的需求，我们定义的函数，应该允许在 security 合约代码字段传输多个品种，所以函数也针对 security 字段来建立一个 for 循环。
Python代码实际上也很简洁
循环内获得交易时间日期、获得该品种 minpoint（最小波动量，以便统一结果量刚为跳数）。通过 get_ticks 函数获得每日价格，计算得到['a1_p'] 减去 ['b1_p']这个字段，这就是每天的 tick 级别买卖价差。
紧接着计算一个每日均值：spread_mean，这样我们获得了每个品种每日滑点， dict 套 dict 数据格式。为了让你不在聚宽购买研究内存，我们做了内存清理。
考虑到某些 tick 错误数据，可能导致 tick 级别买卖价差过大，我们在最终绘图的 dataframe 中做了过滤，大于 10 跳的部分都删除，小于 0 跳的部分也删除（理论上 ask 一定高于 bid，所以不应该出现负值）。
future_basic_info 函数仅用于获取合约单位，报价单位，和 MinPoint 最小变动价格，这是一个将聚源数据库封装接口后的函数，原接口非常难用，所以封装一遍，这个函数在期货模型里也可以用。
不同板块品种滑点初探
运行时首先要传入品种简称，如这样，我们传入黑色系的几个品种：
test_ins_list = ['RB','HC','I','J','ZC']
然后将这个品种 list，传入主函数 cal_mean_spread，并传入要查询的截至日期，和日期长度（如这里查询截止 3 月 8 日数据，过去 220 天）：
cal_mean_spread(test_ins_list,'2019-03-08',220)
结果如下：
我们看到，黑色系品种，铁矿石滑点最为稳定，螺纹钢其次，他们的买卖价差均值都在 1 左右。焦炭可能由于波动量大，某些时候，可以达到较高的滑点，但是仔细观察坐标轴，全日均值的极值点，还是在 1.5 以内，并没有很大的冲击成本。
有色金属中，铜铝锌稳定在 1 跳左右，这些品种虽然趋势不好做，但是可能套保和套利盘较多，流动性不成本问题。pb 铅较高，依然稳定在 1.5 以内，ni 镍常会冲击到 2 个滑点，毕竟其价格高，虽然趋势活跃，但是接近 10 万元的价格产生几个 10 元的价差，还是很合理的。sn 锡比较夸张了，4～5 个滑点是常有的，也是我亏钱最多的品种，值得纪念。
农产品的稳定性超乎我们之前的偏见，虽然趋势不强，但是交易活跃，盘口流动性并不成问题，没有出现显著断档，本次测试的大部分品种都在 1 跳左右，2 跳以内的滑点。这应该也是套利和做市商的功劳，特别是后者提供连续流动性更为重要。
化工品中，除除了 PP 表现活跃，其他几位同学还凑合。滑点基本在 1.2 个以内，所以还是那句老话，其实商品期货的滑点并不是很高，尤其是每日平均滑点。虽然我常和朋友开玩笑说这里“池浅王八多”，但毕竟 40 个品种分享 5000 亿保证金，加上每年 200 万亿的交易额（2018 年数据），流动性还是充裕的。
金融期货情况有些不可控，股指期货被阉割后，流动性有时候成问题，这也是很多日内模型无法运转的原因，我们观察发现 IC 流动性长期不足，滑点较大。在股指期货逐步放开后，可以控制在平均 4 跳，而之前则有可能到 8~10 跳。IF 和IH 可以控制在平均 2~3 跳，之前也要 4 跳左右。反而是国债期货的流动性很棒，可以控制在 2 跳之内。
但是这里提醒各位读者：不同的价格，跳数含义完全不同。高价品种出现较高跳数完全合理，其本质上对应的冲击成本价值，和低价成本出现 1 到 2 跳效果类似。比如在 NI 镍品种设置 5 跳的一个日内模型表现尚可，在 I 铁矿上如果加到 2 跳滑点，就会严重折损效果，因为铁矿 1 跳对应 50 元，镍 1 跳对应 10 元。
多头滑点和空头滑点
多头和空头忍受的滑点是不同的，我们在行情软件上，看到的价格实际上是本文的 get_tick 函数提取到的 current 价格，而你的模型一般会按照此价格计算，如果达到条件，就报单，紧接着就是判断是否成交的过程，报单价格太低肯定不行，先价格优先，还要时间优先。所以报单价格要足够高（买入为例）。
我们深入到股指期货内部，分别使用['a1_p'] - ['current']计算买入滑点，使用['current'] - ['b1_p']计算卖出滑点，得到结果如下：
蓝线是中间价格（最新价格），黄线是滑点，绿色横线是日内滑点均值。
我们选择了 2 月 25 日这个大涨日，测试IF主力合约的滑点情况，该函数深入到每日内，可以看到情况依然乐观，充裕的流动性让买卖滑点大部分集中在 -5 跳到 +10 跳区间内，但是在快速变动的行情中，滑点也快速增加到 10 跳以上，也有可能是我们的行情并非 tick 而是每秒 2 个快照导致的，此时追价交易就有点可怕了。
空头滑点比多头略小，毕竟是大涨行情中，做空容易，但是差异很小，在极端变化时，滑点依然被拉的比较大，需要警惕。我们提醒大家一些日内突破模型，在某些关键点位上，滑点会比你想象中更大，而在其他价位上，滑点又很小，甚至吃到负滑点。
文件已经保存成为一个《滑点测试——powered by 量化投资训练营.ipynb》python代码记事本，传到聚宽研究平台，即可运行。感谢南开大学刘健涛同学完成了其中主要代码设计。本次我们没有分析订单深度，你可以在程序上改版获得。
链接：
https://pan.baidu.com/s/1Rp5UomHbxQNrcj4ps4JjfA
提取码：
dm01
交易策略, 交易技术, 理论基础, 程序化交易
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！
