4、成本归因基础：交易成本分解、冲击成本、滑点成本、佣金与税费

做量化策略，很多人上来就盯着Alpha、夏普比率。但我得说一句大实话：交易成本才是吃掉利润的隐形杀手。尤其是做商品期货，杠杆高、频率快，成本稍微没算准，回测里漂亮的曲线，实盘直接变成心电图。

我个人习惯，在搭建任何策略之前，先把成本模型搭好。说白了，你赚的钱，有一半可能是给交易所和滑点打工的。今天我们就来拆解一下，交易成本到底由哪些部分构成。

4.1 交易成本分解：别小看每一笔

交易成本可以分成两大类：显性成本和隐性成本。显性成本就是你直接付出去的钱，比如佣金、印花税、过户费。隐性成本则更隐蔽——冲击成本、滑点、延迟成本，这些在回测里很容易被忽略。

我记得有一次帮朋友复盘一个螺纹钢的日内策略，回测年化收益30%，实盘跑了两个月只剩8%。一查，问题全出在成本上。回测时我用了固定滑点1跳，但实盘里遇到行情剧烈波动，滑点经常跑到3-4跳。这就是典型的隐性成本没算够。

4.2 冲击成本：你的订单就是市场的噪音

冲击成本，说白了就是你的订单对市场价格造成的影响。你买得越多，价格被你推得越高；你卖得越多，价格被你砸得越低。这个成本在回测里是算不出来的，因为回测假设你的订单不影响市场。

我一般用这个公式估算冲击成本：

# 冲击成本估算模型（基于订单簿深度）
def impact_cost(volume, avg_depth, spread):
    """
    volume: 你的交易量（手）
    avg_depth: 订单簿前5档平均深度（手）
    spread: 当前买卖价差（tick）
    """
    impact_ratio = volume / (avg_depth * 5)  # 超过5档深度就算大单
    cost = impact_ratio * spread * 0.5       # 线性近似
    return min(cost, spread * 2)             # 上限设为2个spread

嗯，这里要注意：冲击成本不是线性的。小单子几乎没影响，但一旦你的单子超过了订单簿第一档的深度，价格就会开始往不利方向移动。我在做铁矿石策略时，发现只要单笔超过50手，冲击成本就开始显著上升。

4.3 滑点成本：你看到的价，不是你成交的价

滑点成本跟冲击成本有点像，但本质不同。滑点是因为延迟和流动性不足导致的成交价格偏离。你下单的时候看到买一价是5000，等你的单子到了交易所，买一可能已经变成5002了。

为什么会这样？因为网络延迟、交易所撮合排队、对手方撤单。尤其是在快市行情下，滑点会急剧放大。

我曾经做过一个测试：在橡胶期货上，用市价单下单100手，统计了1000次交易。结果发现，平均滑点达到1.8个tick，最大滑点达到7个tick。这个数据让我重新审视了策略的止损逻辑——如果止损单触发时滑点太大，止损就变成了摆设。

品种	平均滑点（tick）	最大滑点（tick）	建议回测滑点
螺纹钢	0.8	3	1
铁矿石	1.2	5	1.5
PTA	0.6	2	1
沪铜	1.5	6	2

4.4 佣金与税费：看似小钱，积少成多

佣金和税费是显性成本，相对容易计算。但很多人会忽略一个细节：不同期货公司的佣金标准不一样，而且可以谈。

我个人的习惯是，在策略开发阶段就按交易所标准的1.5倍来算佣金。为什么？因为实盘时你拿到的佣金可能比交易所标准高，而且还有各种杂费（比如交割费、仓单费）。

商品期货的主要费用包括：

• 交易手续费： 按成交金额的万分之几收取，不同品种差异很大。比如螺纹钢是万分之一，沪铜是万分之零点五。
• 印花税： 商品期货目前没有印花税，但股指期货有。
• 交割费： 如果你持仓进入交割月，需要缴纳交割费。对于投机策略，建议在交割月前平仓。
• 仓储费/持仓费： 部分品种有隔夜持仓费，比如原油、燃料油。

# 佣金与税费计算示例
def calc_trade_cost(price, volume, commission_rate=0.0001):
    """
    price: 成交价格
    volume: 成交量（手）
    commission_rate: 手续费率（默认万分之一）
    """
    turnover = price * volume * 10  # 假设每手10吨
    commission = turnover * commission_rate
    # 商品期货无印花税
    total_cost = commission
    return total_cost

4.5 综合成本模型：把一切串起来

好了，现在我们把所有成本串成一个完整的模型。我个人习惯在策略回测中，直接用一个函数来计算每笔交易的总成本：

def total_cost_model(price, volume, side, market_depth, spread, latency_ms):
    """
    综合交易成本模型
    side: 'buy' or 'sell'
    market_depth: 订单簿前5档平均深度
    spread: 当前价差（tick）
    latency_ms: 网络延迟（毫秒）
    """
    # 1. 显性成本
    commission = price * volume * 10 * 0.0001  # 万分之一手续费
    tax = 0  # 商品期货无印花税
    
    # 2. 冲击成本
    impact_ratio = volume / (market_depth * 5)
    impact = impact_ratio * spread * 0.5
    impact = min(impact, spread * 2)
    
    # 3. 滑点成本（基于延迟和流动性）
    slippage_base = 0.5 * spread  # 基础滑点
    latency_factor = latency_ms / 100  # 每100ms延迟增加0.5个tick滑点
    slippage = slippage_base + latency_factor * 0.5 * spread
    
    # 4. 总成本（以价格单位表示）
    total_cost_per_unit = commission / (volume * 10) + impact + slippage
    return total_cost_per_unit

这个模型虽然简单，但已经能覆盖大部分场景。你想想看，如果回测时连这些成本都没算进去，那出来的结果基本就是自欺欺人。

最后说一句：成本归因不是一次性的工作。随着市场环境变化，流动性、波动率、佣金政策都会变。我每季度都会重新评估一次成本模型，看看有没有需要调整的地方。毕竟，赚到的钱，只有装进口袋的才是真的。

---