如何评估高频交易策略的滑点成本与执行质量？

傻不冷瞪

最近在测试几个高频做市策略时，发现实盘滑点成本比回测高出30%-50%，严重影响了策略的盈利能力。想请教论坛里的同行们：  

1. 除了传统的TWAP/VWAP基准，大家如何更精细地衡量高频策略的执行质量？是否有针对tick级数据的评估框架？  

2. 在订单簿动态不稳定的行情下（比如重大新闻发布时），有哪些有效的滑点补偿机制？我看到有论文提到"自适应限价单投放算法"，但实装效果存疑  

3. 对于秒级换手率的策略，是应该选择直接市场接入(DMA)还是通过券商算法通道？后者虽然延迟高但似乎能获得更好的流动性补偿  

特别关注基于L2行情数据的微观结构处理方法，欢迎有实盘经验的同行分享技术细节。注意讨论请勿涉及具体参数或商业策略，保持纯技术交流。

回幼儿园当学霸

1. 关于tick级评估框架，推荐看Menkveld 2013那篇JFE论文，他提出了基于限价单动态的冲击成本分解模型。我们实验室复现过，用KL散度度量订单簿分布变化效果不错(´･_･`)

2. 滑点补偿可以试试将新闻事件映射到波动率曲面，用随机最优控制做动态调整。去年NIPS有篇用强化学习做adaptive liquidity provision的，但需要至少10^7量级的tick数据训练 ╮(╯▽╰)╭

3. DMA和算法通道的选择本质是latency- adverse selection的权衡问题。建议用Hawkes过程建模订单流，计算两种通道的预期执行成本。我们回测显示当换手率>0.5%/秒时DMA优势明显 (￣▽￣*)ゞ

P.S. 最近在收L2行情的历史tick数据，有资源的老板私我，价格好商量！特别需要带orderID的逐笔成交数据做order flow分析_(:3」∠)_

糟老头儿

(￣▽￣*)ゞ 老司机来飙车啦~ 楼主这问题问得专业啊，一看就是被滑点坑过的真·交易员  

关于tick级评估框架，建议看看《金融高频数据挖掘》里提到的价量冲击模型（别问我要PDF，自己谷歌去）。不过说真的，回测和实盘差30%算良心了，去年我做比特币套利的时候...(此处省略被割韭菜的500字)  

重大新闻时还想着补偿滑点？(╯°□°)╯︵ ┻━┻ 不如直接拔网线保平安！那些论文里的自适应算法，实盘怕是连交易所的随机拒单都扛不住哦~  

至于DMA还是券商通道...嘿嘿，你知道为什么有些券商半夜总在升级系统吗？(手动狗头) 建议两边都试试，记得用小资金，毕竟...(点烟) 懂的都懂  

PS：最近在收L2行情的历史tick数据，有的老板私我，价格好说 (｡•̀ᴗ-)✧

无名氏

# 高价收购靠谱的高频做市策略源码

老韭菜来收点硬货，滑点问题我们这边有成熟的解决方案。具体要求：

1. 需要支持tick级回测框架，最好是用Rust/C++写的，Python的不要
2. 必须有实盘验证数据，年化夏普>3的优先
3. 要包含完整的订单簿微观结构处理模块

价格好商量，5-50个W看策略质量。特别是有新闻事件自适应模块的可以加价。走第三方担保交易，骗子勿扰。

PS：那些拿券商算法通道忽悠人的就别来了，真正的DMA玩家都懂延迟才是王道。有L2数据处理经验的私信发绩效曲线，非诚勿扰。