3. 滑点度量：实现价差、有效价差、Roll模型、协方差法

做市交易里，滑点是个绕不开的话题。说白了，滑点就是你想成交的价格和实际成交价格之间的差距。我刚开始做市的时候，总觉得滑点是个小问题，后来吃过几次亏才明白——滑点控制不好，策略赚的那点钱全给滑点吞了。

今天咱们就聊聊滑点的度量方法。我个人习惯把这四种方法分成两类：一类是直接观测的，比如价差和有效价差；另一类是需要建模推算的，比如Roll模型和协方差法。咱们一个一个来。

3.1 价差（Quoted Spread）

价差是最直观的滑点度量。它就是当前市场上最优卖价和最优买价之间的差值。

公式很简单：

Quoted Spread = Ask Price - Bid Price

但在实际项目中，我们通常用相对价差，因为不同价格的股票，绝对价差没法直接比较：

Relative Spread = (Ask - Bid) / Mid Price

其中 Mid Price = (Ask + Bid) / 2

我记得有一次做美股做市，发现某只股票的价差突然从0.01美元跳到了0.05美元。当时我第一反应是市场出问题了，后来一查，原来是财报发布前的正常波动。嗯，这里要注意：价差突然扩大，往往意味着信息事件或者流动性枯竭。

3.2 有效价差（Effective Spread）

有效价差比报价价差更"真实"。为什么呢？因为报价价差只是挂在那里的价格，实际成交不一定按那个价格走。

有效价差的计算公式：

Effective Spread = 2 * |Trade Price - Mid Price|

这里有个关键点：为什么乘以2？因为实际成交只偏离了中间价的一侧，但我们要把它换算成"全价差"的概念。

举个例子：某股票中间价是100元，你以100.02元买入。那么有效价差就是 2 * |100.02 - 100| = 0.04元。这意味着你实际付出的滑点成本是0.04元，而不是报价价差的0.03元。

我在项目中遇到过这样的情况：报价价差看起来很小，但有效价差却大得惊人。为什么会这样？因为大单成交时，往往会把价格推到报价之外。你想想看，如果你挂100手买单，而最优卖价只有10手，那剩下的90手就得吃更高的价格。

3.3 Roll模型

Roll模型是个很有意思的方法。它不需要看订单簿数据，只需要用成交价格序列就能估算出有效价差。

Roll模型的逻辑是这样的：假设市场是有效的，价格变动主要由两个因素驱动——新信息的到来和买卖价差的反弹。价差反弹会导致价格序列出现负的自相关。

公式：

Spread = 2 * sqrt(-Cov(ΔP_t, ΔP_{t-1}))

其中 ΔP_t 是价格变化量，Cov 是协方差。

注意：如果协方差是正的，那说明Roll模型不适用。这种情况我遇到过几次，通常发生在趋势性很强的市场中。

代码实现：

import numpy as np

def roll_spread(prices):
    """
    使用Roll模型估算有效价差
    prices: 价格序列，numpy array
    """
    # 计算价格变化
    delta_p = np.diff(prices)
    
    # 计算一阶自协方差
    cov = np.cov(delta_p[:-1], delta_p[1:])[0, 1]
    
    # 如果协方差为负，计算价差
    if cov < 0:
        spread = 2 * np.sqrt(-cov)
        return spread
    else:
        # 协方差为正时，Roll模型不适用
        return None

3.4 协方差法

协方差法其实是Roll模型的升级版。它不假设价差是常数，而是允许价差随时间变化。

核心思想：把价格变化分解成两部分——永久性成分（信息冲击）和暂时性成分（价差反弹）。通过分析价格变化的协方差结构，可以分离出这两部分。

具体做法：

1. 计算价格变化的协方差矩阵
2. 对协方差矩阵进行分解
3. 提取价差成分

代码实现：

import numpy as np

def covariance_spread(prices, window=20):
    """
    使用协方差法估算动态价差
    prices: 价格序列
    window: 滚动窗口大小
    """
    spreads = []
    
    for i in range(window, len(prices)):
        # 取窗口内的价格变化
        delta_p = np.diff(prices[i-window:i])
        
        # 计算协方差矩阵
        cov_matrix = np.cov(delta_p)
        
        # 提取价差估计
        # 这里使用简化方法：取协方差矩阵对角线元素的均值
        spread = np.sqrt(np.mean(np.diag(cov_matrix)))
        spreads.append(spread)
    
    return np.array(spreads)

我在项目中用协方差法做过一个有意思的事情：把不同时间尺度的价差估计画在一起，能看出市场的"微观结构"变化。比如，当短期价差和长期价差出现背离时，往往预示着市场即将发生重大变化。

3.5 知识体系总览

下面这张图展示了滑点度量的整体框架。我画这张图的时候，特意把四种方法的关系理清楚了：

这张图把四种方法的关系梳理得很清楚。左边是直接观测法，需要的数据多但结果可靠；右边是模型推断法，数据需求少但假设条件多。我个人建议，如果条件允许，同时用两种方法互相验证。

---

公众号:蓝海资料掘金营，微信deep3321