金融市场基础：多资产类别特性与市场微观结构
各位同学，今天我们来聊聊金融市场的基础设施。说实话，很多做量化交易的人，一上来就撸代码、调参数，却忽略了市场本身的结构。我见过太多人，策略回测跑得飞起，一上实盘就亏得底裤都不剩——原因很简单，他们不懂市场微观结构。
我个人习惯，在开始任何策略设计之前，先花一周时间把交易标的的「脾气」摸清楚。股票、债券、商品、外汇，这四类资产就像四个性格迥异的人，你得知道跟谁打交道。
多资产类别的核心特性
先说说股票。股票市场流动性最好，但波动也大。我记得2015年股灾那会儿，千股跌停，你挂个跌停价都卖不出去——流动性瞬间枯竭。做强化学习策略时，股票的动作空间通常最大，因为标的数量多，但要注意，很多小盘股一天都没几笔成交，你的智能体可能根本学不到有效信号。
债券呢？债券市场是机构玩家的天下。国债流动性不错，但信用债就难说了。我做过一个债券组合策略，发现一个坑：债券的报价往往不连续，很多债券一天就几笔成交。你想想看，强化学习需要大量交易数据来训练，债券市场的数据稀疏性是个大问题。
商品期货，这个我比较熟。商品有明确的交割日期，近月合约和远月合约的价差会随着时间收敛。做跨期套利时，我习惯用主力合约，因为流动性最好。但要注意，商品有涨跌停板，而且夜盘波动特别大——有一次我盯原油夜盘，价格瞬间跳了3%，滑点直接吃掉了我一周的利润。
外汇市场，24小时交易，流动性全球最大。但外汇的报价是点差制，而且不同货币对的点差差异很大。EUR/USD点差可能只有0.1个点，但一些新兴市场货币对，点差能到5个点以上。做外汇策略时，交易成本的控制比方向判断更重要。
核心要点：不同资产类别的流动性、波动性、交易时间、数据频率差异巨大。强化学习策略必须针对资产特性做适配，不能一套代码打天下。
市场微观结构与订单簿
订单簿，说白了就是市场上所有买单和卖单的排队情况。限价单挂在上面等着成交，市价单直接吃掉对手盘。我刚开始做高频策略时，以为订单簿就是简单的价格-数量表格，后来才发现，里面的门道多着呢。
订单簿的深度，决定了你能交易多大的量而不影响价格。举个例子，某股票买一价10元挂了1000手，卖一价10.01元挂了800手。你想买500手，市价单直接吃掉卖一的800手，成交价10.01元。但如果你想买2000手，就得把卖一到卖五全部吃掉，成交均价可能到了10.05元——这就是市场冲击成本。
我个人习惯，在策略里加入一个「订单簿模拟器」。每次智能体决定交易时，先模拟一下当前订单簿的深度，估算实际成交价格。这样做的好处是，策略不会在回测里看起来很完美，一实盘就崩。
实战技巧：做强化学习时，可以把订单簿的「买卖价差」和「深度斜率」作为状态特征输入。这两个特征能很好地反映市场当前的流动性和交易成本。
还有一个概念叫「订单簿的恢复速度」。大单吃掉流动性后，新的限价单多久能补充进来？这决定了市场冲击的持续性。我记得有一次做股指期货，一个大单砸下去，订单簿空了整整3秒才恢复——这3秒里，任何后续交易都会产生巨大的滑点。
交易成本与滑点建模
交易成本，是量化策略的隐形杀手。很多人在回测里假设「按收盘价成交」，或者「按最优价成交」，结果实盘时发现，利润全被手续费和滑点吃掉了。
交易成本主要分三块：
- 显性成本：佣金、印花税、过户费。这些是固定的，容易计算。
- 隐性成本：买卖价差、市场冲击、延迟成本。这些才是大头。
- 机会成本：因为没成交而错过的收益。这个最难量化。
滑点建模，我建议用「永久冲击」和「暂时冲击」两个模型。永久冲击是指你的交易改变了市场均衡价格，暂时冲击是指交易后价格会反弹回来。经典的Almgren-Chriss模型就是干这个的。
下面是一个简单的滑点成本估算函数，我在项目中经常用：
def estimate_slippage(order_size, order_book_depth, volatility):
"""
估算市价单的滑点成本
order_size: 订单数量（股/手）
order_book_depth: 订单簿前5档的总深度
volatility: 近期波动率（标准差）
"""
# 市场冲击系数，经验值0.1-0.5
impact_coeff = 0.25
# 滑点 = 冲击系数 * (订单量/深度) * 波动率
slippage = impact_coeff * (order_size / order_book_depth) * volatility
return slippage嗯，这里要注意：这个函数只适用于流动性较好的市场。如果订单簿深度为0，或者波动率异常高，结果会失真。我曾经在国债期货上用过这个模型，结果发现国债的订单簿深度经常突变，导致滑点估算偏差很大。
避坑指南：千万不要在回测里用「固定滑点」假设。不同时间、不同市场状态下的滑点差异巨大。我建议用历史订单簿数据做滑点回测，或者至少用动态滑点模型。
做强化学习时，交易成本必须作为奖励函数的一部分。我习惯把滑点成本直接扣减到收益率里，让智能体学会「什么时候该交易，什么时候该持有」。你会发现，加入滑点惩罚后，策略的交易频率会明显下降，但夏普比率反而提高了。
知识体系总览
下面这张图，是我整理的多资产交易基础框架。你可以看到，从资产特性到微观结构，再到成本建模，是一条完整的链路。做策略时，每一步都不能跳过。
你看，从资产特性到微观结构，再到成本建模，最后才是强化学习策略设计。这个顺序不能乱。我见过太多人跳过前两步，直接上强化学习，结果策略在模拟环境里跑得挺好，一到真实市场就失灵——因为模拟环境根本没考虑订单簿深度和滑点。
好了，这一章的内容就到这里。记住一句话：不了解市场结构，就别谈量化交易。下一章我们会深入强化学习的核心算法，到时候这些基础知识都会用上。