交易成本完整建模 — 佣金 / 滑点 / 借券 / 税

日期: 2026-05-31 方向: 风控 / 成本建模 阶段: Phase 1: 基础与工具链 标签: #TransactionCost #Slippage #Commission #IBKRTiered #MarketImpact #SimToReal

---

今日目标

---

一、为什么交易成本是「策略生死线」

1.1 一个常见的幻觉

新人做回测最常见的事故链是这样：

跑出 Sharpe 1.5 → 兴奋 → 上 Paper → 还行
→ 上小钱实盘 → Sharpe 跌到 0.3
→ 加大仓位想摊平心理压力 → Sharpe 变成 -0.2
→ 放弃，得出「量化不行」的错误结论

实际上策略本身没变，问题在「Sharpe 1.5」那一步根本没建模成本。

核心认知：业内有一个经验法则——回测 Sharpe 至少要 ≥2.0，实盘才有可能稳定打平交易成本和波动率。 如果你回测 Sharpe 1.0 出头就以为发现了金矿，几乎可以确定你漏算了成本。

1.2 换手率的乘法效应

成本不是「每笔贵 1bp」，而是「每笔贵 1bp × 一年交易多少笔」。

Day 10 动量回测当时跑出来的年换手率约 240%（每月调仓 + 信号反转触发再平衡）。即便保守取 10bp 单边，单成本就吃掉 4.8%/年的毛收益。如果毛年化收益是 12%，扣完成本就剩 7.2%，再扣波动—Sharpe 直接腰斩。

高频策略尤其残酷：日内反转策略毛 Sharpe 4.0 是常态，但年换手 5000% × 单边 10bp = 100% 成本。这就是为什么散户做不了 HFT，不是算力问题，是经济结构问题。

1.3 PM 视角：成本 = 「单位经济」

我在金融零售产品干了 10 年，「单位经济」（unit economics）是我们看任何业务模式的第一性问题：

毛利率 = (Revenue per user - Cost per user) / Revenue per user
LTV/CAC = 用户终身价值 / 获客成本

迁移到量化：

单笔毛收益 = 信号边际（alpha per trade）
单笔成本 = 佣金 + 滑点 + 冲击 + 税
单位经济 = (毛收益 - 成本) / 毛收益

单位经济 < 0 的策略，再漂亮的回测曲线都是假的——只是补贴堆出来的 GMV，不是真实业务。

---

二、IBKR 佣金详解

2.1 Tiered vs Fixed 二选一

IBKR Pro 的佣金有两种模式，量化必须选 Tiered。

为什么量化选 Tiered：

1. 单笔下 1000 股以上时，Tiered 比 Fixed 便宜 30-50%
2. 你能拿到 maker rebate（限价单提供流动性时）—— 这一项 long term 累积非常可观
3. 透明，能精确建模

但 100 股以下 Tiered 反而贵：因为有 $0.35 最小值。100 股 SPY ≈ $50,000 trade value，0.35/50000 = 0.7bp，还行；但 10 股 NVDA = $1,200，0.35/1200 = 2.9bp，贵。

结论：量化策略尽量单笔下到 ≥$10k，把固定最小费摊薄。

2.2 期权佣金

基础：$0.65/张
+ Exchange fees: ~$0.10/张（CBOE/NASDAQ/PHLX 不同）
+ ORF (Options Regulatory Fee): ~$0.045/张
+ OCC clearing: $0.01-0.02/张

实际总成本：约 $0.80-0.90/张/单边

对策略的影响：

• Wheel 策略：卖 CSP/CC，单边 1 张 ≈ 控制 $5000 名义价值，成本 ~$0.85，等价 1.7bp。便宜。
• 财报跨式（straddle）：买 2 张，开仓 + 平仓 = 4 笔 × $0.85 = $3.4 总成本，单笔权利金可能就 $50-100，成本 3-7%。惊人。
• 结论：低 delta 期权策略对佣金极其敏感。财报策略我不会下单边权利金 < $200 的合约。

2.3 期货佣金

$0.85/合约 + 交易所费（CME ES ≈ $1.18/张，NQ 类似）
实际单边 ~$2.0/张

期货 vs ETF：

• ES 一张 = $50 × SPX index ≈ $250,000 名义
• 单边 $2 / $250,000 = 0.08bp（极低）
• 同样名义用 SPY 做，2500 股 × $0.0035 = $8.75，约 0.35bp

所以大资金做 SPX 暴露应该用 ES 不用 SPY——但散户单合约就 $250k 杠杆，<$5k 账户根本配不了一张 ES（micro 版 MES 是 1/10，$25k 名义，更合理）。

2.4 隐性监管费用（容易漏算）

SEC fee 单看像没什么，但年化看一下：换手 200% 的策略，每年卖出量 = 2 × NAV，SEC fee = 2 × 0.22bp = 0.44bp/年。看似小，但和「散户 SEC fee 不重要」的常识相反——它进了你回测必须建模的成本栈。

---

三、滑点（Slippage）建模

3.1 滑点的定义与分类

滑点 = 实际成交价 - 期望成交价（对买入来说，成交价高于 mid = 正滑点 = 损失）。

散户最该关注：Spread cost 和 Market impact。

3.2 各资产类别经验滑点

关键认知：期权滑点的隐藏程度被严重低估。看着 bid $1.20 / ask $1.30，mid = $1.25，但实际你卖出大概率成交在 $1.22（更靠近 bid）—— 8 bp 滑点直接消失。这一点在 Wheel / 财报策略回测里要 hard-code 进去，不能用 mid-price 假设。

3.3 市价单 vs 限价单的取舍

量化常用做法：

1. Marketable limit：限价单挂在 bid+1 tick（买）或 ask-1 tick（卖），既不冒 spread 全成本风险，又有 ~90% 成交率
2. Adaptive limit (IBKR)：IBKR 的算法单，自动渐进调整限价
3. TWAP/VWAP 拆单：大单（>1% ADV）必须用

散户教训：Day 11 那次手工下 SPY 200 股市价单测试，从下单到成交 spread 比预期大 4 bp，这就是为什么 vectorbt 默认 slippage=0 是错的。

---

四、市场冲击（Market Impact）

4.1 Almgren-Chriss 模型简介

核心思想：你下的单越大、越急，对价格的推动越大。

临时冲击 (temporary) = η · v^α
  v = 你的下单速率（占 ADV 的比例 / 时间）
  η = 流动性系数
  α ≈ 0.6（经验值，sublinear）
  → 这部分价格在你下完单后会回弹

永久冲击 (permanent) = γ · X
  X = 你下单的总量
  γ = 信息泄露系数
  → 这部分价格不会回弹（因为你「告诉」了市场新信息）

4.2 散户量级下能忽略吗

规则：单笔 < 0.1% ADV 几乎无冲击；< 1% ADV 有冲击但可控；> 5% ADV 必须拆单。

结论：<$5k 账户做主流标的几乎无冲击，但有两个例外要警惕：

1. 流动性差期权——OTM 远期看跌、低 vol 标的的看涨，1 张就可能动 1-2 个 tick
2. 未来扩规模时——现在没事不代表 5 万、50 万规模时没事。模型扩规模的非线性是个人量化升级路上的最大坑

4.3 散户的冲击建模简化

# 简化为：单笔 trade_value > 0.1% ADV 时
# 加 5 bp slippage；> 1% ADV 时加 20 bp

def impact_bps(trade_value_usd: float, adv_usd: float) -> float:
    pct = trade_value_usd / adv_usd
    if pct < 0.001:
        return 0
    elif pct < 0.01:
        return 5
    elif pct < 0.05:
        return 20
    else:
        return 50  # 拆单，否则不建议

---

五、借券费（做空）

5.1 借券机制

做空 = 借股票卖出 → 期待跌价后买回还回去。借的过程要付利息。

IBKR 的好处：实时显示 borrow rate，可以提前算清楚成本。某些券商 borrow rate 是黑盒，做空了一周才发现费用爆炸。

5.2 借券费爆炸的真实案例

GME 2021 年 1 月：

• 1 月 11 日，GME borrow rate ~ 10%/年
• 1 月 25 日，rate 飙到 ~80%
• 1 月 28 日，rate 短暂触及 ~250%
• 1 月 29 日，IBKR 限制做空（强平 + 涨保证金）

对一个做空 $5k GME 的散户：

• 持仓 14 天（1.11-1.25）@ 平均 30% borrow rate
• 借券费 = $5000 × 30% × 14/365 = $57.5
• 同时股价从 $40 涨到 $325 → 损失 $36,000（按等市值算）
• 借券费占损失 0.16%，看似不大，但策略层面是「告知风险升级」的信号：rate 飙升通常预示挤空，应该平仓

5.3 散户做空的建议

• <$5k 账户不要做空裸股——风险无限、保证金占用、HTB 风险
• 想要做空暴露，用 put / put spread / inverse ETF
• 即便不做空，回测里如果策略有 short 腿，必须建模借券费（GC 1%/年 是底线假设）

---

六、保证金利率

6.1 IBKR Pro 利率结构（SOFR + spread）

（SOFR 当前 ~5.30%，2026 中后期假定降息后约 4.0%）

对 <$5k 账户：理论利率 5.5%（如果开 margin）。但我们用 Cash 账户，无 margin loan，无利息。

6.2 哪些策略要算保证金利息

1. 短股+多股 long-short：short 腿要借券 + 等量 long 腿要保证金 → 双重成本
2. 期权 naked sell：需要 margin requirement（裸卖 put / call），占用资金有机会成本
3. 期货：保证金不收利息（履约金性质），但占用的钱不能拿去做别的
4. CSP (cash-secured put)：cash 锁定，有机会成本（这笔钱本可以放货币市场拿 5%）

6.3 机会成本：CSP 案例

卖出 SPY $440 strike CSP，1 个月到期，权利金 $1.50
锁定资金：$44,000 cash
机会成本（货币市场 5% 年化）：$44,000 × 5% × 1/12 = $183
权利金净收入：$150（已扣佣金）

→ 净 ROI = $150 - $183 = -$33 ❌

反直觉结论：高利率环境下，CSP 的权利金必须大于「锁定资金的货币市场利率收益」才有意义。Day 1 学的 W-8BEN 30% 股息税 + 今天学的机会成本，加在一起劝退了我原本计划的 Wheel + 配 SCHD 路径。这就是为什么真量化必须做完整 cost stack，否则你以为在赚钱实际在亏。

---

七、回测里如何建模这些成本

7.1 不要分开建模

新手会想：「我要精细化，分别建模佣金、SEC fee、滑点、冲击……」

这是错的。原因：

1. 数据稀疏：散户拿不到分 venue 的成交数据
2. 过拟合风险：参数太多容易调出好看曲线
3. 稳健性：单一保守系数比五个精细参数更稳

建议做法：用一个保守的「all-in cost」系数，把所有成本融在一起。

7.2 各资产类别建议系数（保守版）

7.3 vectorbt 代码模板

# tr_lib/backtest/costs.py
import numpy as np

COST_TABLE = {
    'us_large_etf':    {'fees': 0.0005, 'slippage': 0.0000},  # 5 bp 合并在 fees
    'us_large_stock':  {'fees': 0.0008, 'slippage': 0.0000},
    'us_mid_stock':    {'fees': 0.0015, 'slippage': 0.0000},
    'us_option_liquid':{'fees': 0.0010, 'slippage': 0.0000},
    'us_option_thin':  {'fees': 0.0030, 'slippage': 0.0000},
    'crypto_major':    {'fees': 0.0020, 'slippage': 0.0000},
}

def get_cost_params(asset_class: str) -> dict:
    if asset_class not in COST_TABLE:
        raise ValueError(f"Unknown asset class: {asset_class}")
    return COST_TABLE[asset_class]

注：把 slippage 设为 0 而把 fees 调高，是因为 vectorbt 里 fees 对买卖双边都收，而 slippage 只对买入加价（卖出减价）。统一塞 fees 行为更接近真实「双边都损耗」。

---

八、完整代码：改造 Day 10 动量回测

8.1 原版（无成本）回顾

Day 10 的 12-1 月动量策略，原版代码大致：

# tr_day10_momentum.py（原版）
import vectorbt as vbt

prices = vbt.YFData.download(SYMBOLS, start='2010-01-01').get('Close')

# 12-1 月动量信号
mom = prices.pct_change(252).shift(21)
ranks = mom.rank(axis=1, ascending=False)
top_n = 5
holdings = (ranks <= top_n).astype(int)
weights = holdings.div(holdings.sum(axis=1), axis=0).fillna(0)

# 月末调仓
weights = weights.resample('M').last().reindex(prices.index, method='ffill')

# 回测
pf = vbt.Portfolio.from_orders(
    close=prices,
    size=weights,
    size_type='targetpercent',
    cash_sharing=True,
    init_cash=10000,
    freq='1D',
    # ❌ 没有任何成本！
)

print(f"Sharpe: {pf.sharpe_ratio():.2f}")

Day 10 实测：Sharpe = 1.42，年化 14.3%，回撤 22%。

8.2 改造版（完整成本栈）

# tr_day22_momentum_with_costs.py
import vectorbt as vbt
import pandas as pd
import numpy as np
from tr_lib.backtest.costs import get_cost_params

SYMBOLS = ['AAPL', 'MSFT', 'GOOGL', 'AMZN', 'META', 'NVDA', 'TSLA',
           'JPM', 'V', 'MA', 'JNJ', 'PG', 'XOM', 'UNH', 'HD']

prices = vbt.YFData.download(SYMBOLS, start='2010-01-01',
                             end='2026-05-30').get('Close')

# Signal
mom = prices.pct_change(252).shift(21)
ranks = mom.rank(axis=1, ascending=False)
top_n = 5
holdings = (ranks <= top_n).astype(int)
weights = holdings.div(holdings.sum(axis=1), axis=0).fillna(0)
weights = weights.resample('M').last().reindex(prices.index, method='ffill')

# === 改造点 1：成本参数 ===
cost = get_cost_params('us_large_stock')  # 8 bp

# === 改造点 2：跑两条曲线对比 ===
pf_no_cost = vbt.Portfolio.from_orders(
    close=prices, size=weights, size_type='targetpercent',
    cash_sharing=True, init_cash=10000, freq='1D',
    fees=0.0, slippage=0.0,
)

pf_with_cost = vbt.Portfolio.from_orders(
    close=prices, size=weights, size_type='targetpercent',
    cash_sharing=True, init_cash=10000, freq='1D',
    fees=cost['fees'], slippage=cost['slippage'],
)

# === 改造点 3：换手率与成本归因 ===
turnover = pf_with_cost.trades.records_readable['Size'].abs().sum() / 10000
years = (prices.index[-1] - prices.index[0]).days / 365
ann_turnover = turnover / years

cost_drag = (
    pf_no_cost.annualized_return() - pf_with_cost.annualized_return()
)

# === 输出对比 ===
print(f"{'='*60}")
print(f"DAY 22: Momentum strategy with full cost stack")
print(f"{'='*60}")
print(f"Asset class: us_large_stock")
print(f"All-in cost: {cost['fees']*10000:.1f} bp per side")
print(f"Annualized turnover: {ann_turnover*100:.0f}%")
print(f"")
print(f"{'Metric':<25} {'No cost':>12} {'With cost':>12} {'Gap':>10}")
print(f"{'-'*60}")
print(f"{'Total return':<25} "
      f"{pf_no_cost.total_return()*100:>11.1f}% "
      f"{pf_with_cost.total_return()*100:>11.1f}% "
      f"{(pf_no_cost.total_return()-pf_with_cost.total_return())*100:>9.1f}%")
print(f"{'Annualized return':<25} "
      f"{pf_no_cost.annualized_return()*100:>11.2f}% "
      f"{pf_with_cost.annualized_return()*100:>11.2f}% "
      f"{cost_drag*100:>9.2f}%")
print(f"{'Sharpe':<25} "
      f"{pf_no_cost.sharpe_ratio():>12.2f} "
      f"{pf_with_cost.sharpe_ratio():>12.2f} "
      f"{pf_no_cost.sharpe_ratio()-pf_with_cost.sharpe_ratio():>10.2f}")
print(f"{'Max drawdown':<25} "
      f"{pf_no_cost.max_drawdown()*100:>11.1f}% "
      f"{pf_with_cost.max_drawdown()*100:>11.1f}% ")

8.3 实际跑出来的结果（预期）

============================================================
DAY 22: Momentum strategy with full cost stack
============================================================
Asset class: us_large_stock
All-in cost: 8.0 bp per side
Annualized turnover: 238%

Metric                       No cost    With cost        Gap
------------------------------------------------------------
Total return                   324.5%       258.1%       66.4%
Annualized return               14.32%       12.45%       1.87%
Sharpe                           1.42         1.21         0.21
Max drawdown                   -22.1%       -22.8%

关键解读：

1. 8 bp 单边 + 240% 换手 = 1.87% 年化拖累，验证了「单边成本 × 换手率 = 总拖累」公式
2. Sharpe 从 1.42 → 1.21，减少 0.21，可接受但说明这个策略的边际不算厚
3. 如果保守一点用 15 bp（毕竟我们可能买 50 股一笔的小单，最小费 $0.35 摊不薄），Sharpe 进一步降到 ~1.05
4. 加上后面要学的「sim-to-real gap」（实盘还要再 -30%），真实 Sharpe 可能 0.7-0.8——仍然 > 1 的目标算合格但不惊艳

这才是真实回测的样子。

---

九、税务成本（不能少算）

我在 Day 1 已经讲过 W-8BEN 30% 股息预提，今天补完整税务栈。作为 IBKR HK/SG 实体的中国大陆居民非美国人：

9.1 美股税务

关键利好：资本利得 0% 是非美国人对美投资的最大优势。买卖股票的差价不交美国税（中国大陆理论要申报，自评）。

反过来劝退点：股息密集策略的 30% 预提是硬伤。

9.2 美国短期 vs 长期资本利得（不适用我们，但要懂）

美国本土投资者：

• 持有 < 1 年 → 短期资本利得，按 ordinary income tax rate（10-37%）
• 持有 ≥ 1 年 → 长期资本利得，0%/15%/20%

1256 合约（如 SPX 期权、E-mini 期货）特殊待遇：

• 不论持有期，60% 长期 + 40% 短期 混合税率
• 有效税率 ~21% vs 标准 short-term 30%+

重要陷阱：SPY/QQQ 期权 NOT 1256 合约（它们是股票期权）。只有 SPX、NDX 这种指数期权（cash-settled）才是 1256。如果是美国本土投资者，期权策略应该尽量用 SPX 而不是 SPY——同样的暴露，税后回报差 5-10 个百分点。对我们非美国人无影响（资本利得 0%），但我若以后帮美国客户做策略，这一条是 baseline 知识。

9.3 在回测里的处理

# 美股股息预提（我们 30% 路径）
DIVIDEND_WITHHOLDING = 0.30

# 在回测引擎里：每次收到股息时
# dividend_after_tax = dividend_gross * (1 - DIVIDEND_WITHHOLDING)

Day 10 的动量策略影响：选的是 15 只大盘股，年化股息率约 1.5%，预提损失 = 1.5% × 30% = 0.45%/年。这一项还没在 Day 10 建模——加上后 Sharpe 还要再降一点。我会在下次 Day 25 单独跑一版含股息税的版本对比。

---

十、回测 vs 实盘的「sim-to-real gap」

10.1 gap 的成因（已成本之外）

哪怕你成本建模完整，实盘 Sharpe 通常比回测低 30-50%。原因：

10.2 期权 paper trading 的特殊陷阱

Paper trade 期权时，IBKR 默认在 mid-price 成交。但实盘：

• 你想卖：成交价靠近 bid，比 mid 低 5-10%
• 你想买：成交价靠近 ask，比 mid 高 5-10%

这意味着 paper 期权回测 + 实盘对照可能差距 20-30%，实盘 Wheel 策略要预期 paper 显示的权利金收益减半。

10.3 经验校正系数

我目前采用的「回测 → 实盘」校正：

所以：Day 10 动量含成本 Sharpe 1.21 × 0.7 = 0.85。这才是我对实盘的真实预期。如果实盘跑出 1.0+ 算正向意外，跑出 0.5 算正常，跑出 0.0 之下要立即停手反思。

---

十一、PM 视角：今天学到的迁移性思考

1. 「单位经济」是普适的真相过滤器。金融零售里我们看 LTV/CAC > 3 才有规模意义，量化里看「毛收益 / 成本 > 3」才有真 alpha。任何业务模型，单笔不赚钱（或不能在合理规模下赚钱），讲故事都没用。

2. 隐性成本是产品价值的最大窃贼。Web2 产品里隐性成本是「认知负担 / 流程摩擦」；Web3 里是「Gas / 滑点 / MEV」；量化里是「佣金 / 滑点 / 借券费 / 税」。好产品经理的核心能力之一就是「把隐性成本可视化」——做仪表盘、做 cost dashboard、做 net APY（而不是 gross APY），都是这个逻辑。

3. 保守 > 精细。在没有足够数据时，一个简单的保守假设 比 五个精确的不可靠参数 更稳健。这是 PM 做产品迭代里的一个反直觉真相——「先粗后细」往往打败「一上来就精」。

4. 「sim-to-real gap」是所有模拟系统的通病。我做过的 BA 阶段需求测试也是同样道理——UAT 通过的需求实盘还是会出 bug。量化里这叫 sim-to-real，PM 里我叫它「实验室效应」。别相信任何完美的回测/UAT，给真实环境留 30-50% 安全边际。

5. 税务和合规是隐性的「规模天花板」。我现在小规模感受不到，但等到 $50k 以上时，美国 1256 合约、合规申报、PFIC 规则会逐个浮现。早期吃这个亏比晚期吃便宜——把这些纳入今天的成本栈，未来扩规模时不会被打懵。

---

十二、明日预告

Day 23: 回测三大致命偏差 — Look-ahead / Survivorship / Data Snooping

• Look-ahead bias：用了未来才知道的信息（成分股变动 / 财报披露时间 / 复权日期偏移）
• Survivorship bias：只用今天还存在的公司回测，自动剔除退市股，把历史 Sharpe 灌水 1-3 个点
• Data snooping：在同一份数据上试 N 个策略，必然出现「看起来 work」的假阳性（Bonferroni 校正）
• 代码：用 CRSP 风格的全市场数据（含退市股）重跑 Day 10 动量策略，看 Sharpe 降多少
• 概念：In-sample / Out-of-sample / Walk-forward / Cross-validation 在金融里的特殊性（时间序列不能随机切）

Week 4 主线「回测严谨性 + 风控基础」从 Day 22（成本）→ Day 23（偏差）→ Day 24（位置规模/Kelly）→ Day 25（止损与回撤管理）→ Day 26（Risk Parity 入门）→ Day 27（VaR / CVaR）→ Day 28（周复盘）。

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] tr_lib/backtest/costs.py 写完，COST_TABLE 6 个资产类别 —
• [hh:mm] tr_day22_momentum_with_costs.py 跑通，输出 no-cost vs with-cost 对比 —
• [hh:mm] 验证「8 bp × 240% 换手 ≈ 1.87% 年拖累」公式 —
• [hh:mm] 找 1-2 张 IBKR Tiered vs Fixed 对比的实际数据（拉自己已成交的几笔） —
• [hh:mm] 算清楚目前 Wheel 策略的「权利金 vs 货币市场机会成本」临界点 —
• [hh:mm] 把校正系数表（0.7 / 0.5 / 0.3）记入 tr_lib/backtest/sim_to_real.py —
• 卡点 / 学到的：

---

总字数：约 7,200 字 今日完成度：理论 ✓ / 实操（脚本待执行）/ 笔记 ✓