我曾经遇到过一种非常典型的量化问题：策略回测收益不错，但一到真实交易环境，实际成交价格总比模型预期差一些。后来我发现，问题并不一定出在信号本身，而可能出在模型根本没有理解“订单是怎么成交的”。五档盘口数据让我开始从流动性、买卖价差和可成交数量三个角度重新审视回测与实盘之间的差异。

一、问题场景：我在量化实盘中遇到的真实困境

我做量化系统的时候，一直非常在意一个指标：

回测成交价和实际成交价到底差多少？

刚开始做策略时，我经常直接拿 K 线的收盘价或者下一根 K 线的开盘价作为成交价格。

但是策略真正上线以后，我发现一个问题：

模型认为自己可以按照某个价格成交，但交易系统并不一定能按照那个价格成交。

例如模型决定买入，当前卖一价格可能只有很少的挂单。

我的订单如果超过卖一可成交数量，就不得不继续吃卖二、卖三。

这时候模型里的一个价格，实际上对应了真实市场里的多个价格。

卖一：10.01 × 100
卖二：10.02 × 200
卖三：10.03 × 300
卖四：10.04 × 400
卖五：10.05 × 500


最终平均成交价格就不再是 10.01。

五档盘口不仅告诉我“最佳买卖价在哪里”，还告诉我这些价格上究竟有多少可见数量。

最简单的方法是直接给策略增加一个固定滑点：

买入价格 = 理论价格 + 0.1%
卖出价格 = 理论价格 - 0.1%


这个方法很容易实现，但我很快发现它过于粗糙。

因为真实滑点并不是一个固定数字。

流动性好的时候，滑点可能很小。

流动性差或者价格快速波动时，滑点可能突然放大。

第二种方法是根据历史成交量估算滑点。

比固定滑点好一些，但依然没有回答一个核心问题：

当前这个价格到底有多少订单可以让我成交？

于是我开始把五档盘口纳入执行模型。

四、具体实现：读取五档并估算成交成本

按照 SDK 文档，盘口接口能够返回买卖双方五档价格和数量。

我先写了一个简单的买入成本估算器：

import os
from quantdash import QuantDash


def estimate_buy_cost(depth, quantity):
    """根据卖方五档盘口估算买入平均成交价"""

    remaining = quantity
    total_cost = 0
    filled = 0

    for price, volume in zip(
        depth["ask_prices"],
        depth["ask_volumes"]
    ):
        if remaining <= 0:
            break

        current_volume = min(remaining, volume)

        total_cost += price * current_volume
        filled += current_volume
        remaining -= current_volume

    if filled == 0:
        return None

    average_price = total_cost / filled

    return {
        "requested": quantity,
        "filled": filled,
        "average_price": average_price,
        "unfilled": remaining,
    }


def main():
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        raise RuntimeError("请设置 QUANTDASH_API_KEY")

    qd = QuantDash(api_key=api_key)

    try:
        depth = qd.depth.get("600519.SH")

        result = estimate_buy_cost(
            depth,
            quantity=500
        )

        if result is None:
            print("当前盘口没有可计算的卖方深度")
            return

        print(f"计划数量：{result['requested']}")
        print(f"预计成交：{result['filled']}")
        print(f"预计均价：{result['average_price']:.4f}")
        print(f"未成交：{result['unfilled']}")

    except Exception as e:
        print(f"盘口请求失败：{e}")


if __name__ == "__main__":
    main()


这个代码虽然简单，但它让我重新理解了一个问题：

订单执行本身也是一个需要建模的过程。

如果只是做方向预测，K 线可能已经够用。

那么盘口数据的价值就非常明显。

1. 不要把买一价格当成所有订单的成交价格

这是我做执行回测时最先修正的问题。

一个订单能不能全部成交，取决于盘口深度。

因此我现在做执行模拟时，至少会检查：

订单数量
↓
卖一可成交量
↓
卖二可成交量
↓
卖三可成交量
↓
……


那么即使盘口非常深，买卖双方之间也已经存在 0.02 的价差。

作为执行成本模型中的基础变量。

这是我后来逐渐形成的一个重要认识。

五档盘口只能看到当前可见的五个价格档位。

如果一个订单足够大，五档之外仍然可能存在流动性。

以前我认为“信号正确”就意味着策略可以赚钱。

后来做实盘系统以后，我发现这句话并不完整。

这也是我认为五档盘口对量化交易最大的价值之一。

它不一定直接提高方向预测准确率，但能够让模型更接近真实的交易过程。

当我把回测从“理论价格成交”逐渐改成“根据盘口模拟成交”以后，我对策略收益的理解也发生了变化。

很多原本看起来很高的收益，实际上只是忽略了交易成本后的数字。

Q1：是不是所有量化策略都必须使用五档盘口？

A：不是。中长周期策略可能更关注基本面、日线和周线数据。五档盘口对短周期策略和执行模型的价值通常更高。

Q2：只有五档数据能不能精确模拟真实成交？

A：不能。五档只能提供当前五个价格档位的可见挂单情况，真实成交还会受到撤单、撮合、延迟等因素影响。

Q3：盘口数据最适合解决什么问题？

A：我认为最直接的是流动性分析、执行成本估算、滑点建模和短周期微观结构因子研究。

为什么回测能赚钱，实盘却总差一截？五档盘口告诉了我答案

人工智能

算法

量化策略回测收益与实盘差异的根源在于订单成交机制被简化。基于五档盘口数据，从流动性深度、买卖价差和可成交数量三维度建模，可精准估算买入均价与未成交量。代码示例展示了按价格档位逐层消耗挂单量的执行成本计算方法，强调卖一价并非全部订单的成交价，实际滑点随盘口深度动态变化。该方案适用于短周期策略与执行模型优化，弥补固定滑点法的粗糙缺陷。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

量化策略回测收益与实盘差异的根源在于订单成交机制被简化。基于五档盘口数据，从流动性深度、买卖价差和可成交数量三维度建模，可精准估算买入均价与未成交量。代码示例展示了按价格档位逐层消耗挂单量的执行成本计算方法，强调卖一价并非全部订单的成交价，实际滑点随盘口深度动态变化。该方案适用于短周期策略与执行模型优化，弥补固定滑点法...

为什么回测能赚钱，实盘却总差一截？五档盘口告诉了我答案

为什么回测能赚钱，实盘却总差一截？五档盘口告诉了我答案

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐