第 19 课：执行系统 - 从信号到真实成交

如果你把“行情价格”当成“成交价格”，你训练出来的不是交易系统，而是幻觉。

一个常见的致命误会

很多策略回测看起来很美，是因为默认了一个不可能成立的前提：

只要出现信号，我总能在理想价格成交（比如 K 线 Close）。

一旦进入实盘，你会立刻遇到三个现实：滑点、延迟、部分成交/不成交。这些不是“优化项”，而是决定策略能否落地的生死线。

本章将带你深入理解什么是真实成交数据（Real Execution Data），以及为什么它是执行系统（Execution Agent）的地基。

19.1 核心定义

所谓的“真实成交数据”，并不是你从 K 线图上看到的显示价格，而是：

核心逻辑：如果你在那一瞬间真实下达了订单，你最终在什么价格、成交了多少数量、以及经历了多久的延迟。

这是理论回测与实盘交易之间最重要的分水岭。

19.2 真实成交的四大构成要素

要准确模拟真实交易，必须考虑以下四个关键维度：

19.2.1 成交价格（Execution Price）

真实成交价通常与 K 线价格（OHLC）存在显著差异。

• 差异化：5 分钟 K 线的收盘价（Close）只是最后的一笔成交记录，并不代表你的大额订单能以此价全部成交。
• 拆分性：在大额交易中，你的订单可能会被拆分成多笔，分别在不同的微小价位上成交，最终呈现一个加权平均价。

19.2.2 滑点（Slippage）

滑点是理论成交价与实际成交价之间的偏差。它是量化交易中最主要的隐形成本，主要来源于：

• 流动性深度：买卖盘口的深度不足以支撑订单量。
• 市场冲击：你自己的下单行为改变了短期供需，导致价格向不利方向移动。
• 行情波动：在快速波动的行情中，价格瞬息万变。

19.2.3 成交概率与延迟（Probability & Latency）

在真实市场中，挂单并不意味着一定会成交：

• 市价单 (Market Order)：追求“即时成交”，代价是往往需要承担更大的滑点。
• 限价单 (Limit Order)：追求“价格确定”，但面临以下风险：
  • 完全不成交：价格从未触达。
  • 部分成交：排在你前面的单子太多，轮到你时流动性已耗尽。

19.2.4 摩擦成本与交易规则

除了价格本身，你还必须支付法定的“入场费”：

• 显性成本：手续费（Commissions）、印花税、过户费。
• 规则限制：最小变动价位（Tick Size）、涨跌停板限制、特定的撮合规则（如价格优先、时间优先）。

19.3 策略视角：为何高频趋势策略对此极度敏感

对于采用 5 分钟趋势 + 高频交易 逻辑的策略而言，真实成交数据的重要性被放大了数倍。

19.3.1 误差的长期累积效应

如果你每天的交易频率在几十到几百笔之间，意味着哪怕每笔仅有 0.01% 的成交价偏差，在复利和高频的影响下，长期的回测曲线也会发生根本性的扭曲。

19.3.2 “K 线收盘价成交”的幻觉

如果你在训练 AI Agent 或回测时简单使用“K 线 Close 价”作为成交价，模型会学到极其危险的逻辑：

• 误判：“一根 K 线结束时，我总能在收盘价瞬间成交。”
• 错觉：“价格突破后，我总能以最优的突破价买入。”

现实逻辑：在现实中，你在当前 K 线结束观察到信号后，最快也只能在 下一根 K 线 的起始处下单。在行情剧烈波动时，你几乎永远无法以观察到的 Close 价成交。

19.4 典型陷阱：缺乏真实数据导致的实战脱节

当系统性地高估信号质量时，策略（特别是强化学习 RL 模型）会产生一系列致命的偏差：

19.4.1 偏好“不可实现”的入场时机

Agent 会演化出一种对“刚好收盘突破”信号的病态偏好。在模拟世界中，突破点是完美的入场价；但在现实中，由于下一根 K 线往往伴随跳空（Gap）或剧烈滑点，Agent 学会的是一种现实世界永远买不到的好时机。

19.4.2 沦为“手续费收割机”

在无滑点和低摩擦的假设下，AI 会认为“多做一笔 = 多赚一笔”，从而疯狂提高交易频率。然而在实盘中，高频交易往往是成本放大器，最终导致线上表现与模拟结果完全脱钩。

19.4.3 错误的因果推断

最危险的情况是 RL 学到了错误的因果关系。例如：

• 错误推论：“当指标达到阈值且刚收盘时买入，必然盈利。”
• 真实因果：这仅仅是一个被理想化成交假设放大的统计假象，而非真正的市场获利逻辑。

19.5 数据双维度：市场级环境 vs. 策略执行表现

要获取真实的成交数据，首先需要明确你到底需要哪一类数据。通常，我们可以将其分为两个维度：

• 维度 A：市场真实成交环境数据（公共环境）：这类数据回答的是“如果在当时那个市场环境下下单，一般会发生什么？”
• 维度 B：策略在真实市场中的成交数据（私有表现）：这类数据回答的是“当我的 Agent 在真实市场中下单时，具体发生了什么？”

核心策略：如果你要训练“执行型”或“在线 RL Agent”，最终目标一定是获取维度 B 数据。维度 A 仅能作为前期算法开发和冷启动阶段的近似。

19.6 标准化数据模型

19.6.1 为什么需要内部统一格式

当你对接多个券商或交易所时，会立即遇到一个问题：每家使用不同的符号体系。

同一只苹果公司股票：
- Interactive Brokers: AAPL (SMART)
- Alpaca: AAPL
- 港股腾讯: 0700 (IBKR) vs 00700 (港交所)
- A股贵州茅台: 600519 (Wind) vs 600519.SH (通达信)

如果你的系统内部直接使用券商原始符号，一旦切换执行通道或增加新市场，整个信号链路都要改。

19.6.2 Canonical Symbol 设计

核心原则：系统内部使用统一的 SYMBOL.EXCHANGE 格式，在边界处做转换。

内部标准格式:
  AAPL.NASDAQ    → 苹果
  0700.HKEX      → 腾讯
  600519.SSE     → 贵州茅台

每个交易通道实现一个 Normalizer:
  IBNormalizer:     AAPL.NASDAQ ↔ AAPL (SMART)
  AlpacaNormalizer: AAPL.NASDAQ ↔ AAPL
  FutuNormalizer:   0700.HKEX   ↔ 00700.HK

这种设计让核心策略逻辑与具体券商完全解耦。增加新的执行通道时，只需实现一个新的 Normalizer，不需要修改任何策略代码。

19.6.3 符号解析陷阱

看似简单的"股票代码"，在生产环境中充满意外。

防御措施：对每个标的维护一个 instrument_registry，包含上市日期、退市日期、公司行为历史、交易时段等元数据。信号生成前先验证标的状态。

19.7 获取途径：如何获取高保真交易数据？

19.7.1 数据源的层次

Yahoo Finance 够用来学习，但不够用来赚钱。

不同阶段对数据的要求截然不同：

Yahoo Finance 提供的日线数据足以完成本课程的所有练习和回测。但一旦进入生产环境，你需要机构级数据源（如 Databento、交易所直接数据馈送）来获取实时 Level-1/Level-2 行情。数据精度的差异直接决定了滑点估算和成交模拟的准确性。

19.7.2 第一类：可购买或通过接口获取的「市场级数据」

这类数据是"市场事实"，反映了当时市场的整体流动性。

1. Level-2 / Order Book 数据（最为关键）：
   • 内容：包含每一档买卖盘的价格与数量、毫秒级逐笔成交（Tick/Trade）记录。
   • 用途：用于估算市价单的平均滑点、限价单的成交概率以及构建成交模拟器（Execution Simulator）。
   • 来源：交易所官方（最权威但昂贵）、专业数据商（如 Refinitiv）、或部分高级券商 API。
2. 逐笔成交数据（Tick Data）：
   • 虽然看不到盘口排队情况，但能看到每一笔真实的成交价格和成交量，精准度远高于 K 线。
3. 模拟交易环境（Paper Trading）：
   • 警告：多数模拟交易环境的滑点过于理想，且不考虑你的订单对市场的冲击。它只能作为过渡，不可过度依赖。

19.7.3 第二类：必须"由你亲自产生"的真实成交数据

这是唯一能真实反映“你的 Agent + 市场”互动的数据，包含了订单的完整生命周期：

• 全量日志：下单时间、订单类型、期望价、实际成交价（可能多笔）、成交延迟、部分成交/未成交记录、手续费等。

19.8 残酷真相：为什么核心数据无法通过购买获得？

很多开发者会问：“我能不能不实际交易，直接买到这种带滑点的真实数据？”

核心逻辑：答案是否定的。

原因在于：滑点并不是单纯的市场属性，而是“你的行为 + 市场反馈”的共同产物。 你的下单方式（市价/限价）、订单大小、下单时机，都会在盘口产生不同的化学反应。不存在一个“通用的、替你成交过的”真实数据集。

19.9 进化路线：从模拟器到实盘反馈的三个阶段

对于追求实战效果的开发者，推荐遵循以下工程路线：

1. 阶段 1：构建执行模拟器
   • 利用 Level-2/Tick 数据构建一个“偏保守”的模拟器。
   • 目标：淘汰 80% 在理想假设下盈利、但在保守假设下亏损的策略。
2. 阶段 2：小资金真实交易（冷启动）
   • 以极小仓位进入实盘，不为赚钱，只为采集全量日志。
   • 目标：拿到真实的成交失败、极端滑点和延迟样本。
3. 阶段 3：数据闭环校正
   • 用实盘产生的 B 类数据反向校验阶段 1 的模拟器，使模拟环境越来越接近你的真实执行表现。

19.10 实战建议：针对 5 分钟高频策略的现实方案

结合 5 分钟趋势策略的特性，我给出的最现实建议如下：

• 宁愿高估风险：在构建模型时，宁愿高估滑点，低估成交概率。
• RL 训练分离：初期让 RL Agent 先学习“执行逻辑”（例如：下多大、是否追价、何时放弃），而不是急于学习“预测方向”。
• 尽早入场：一旦策略在“保守模拟器”中表现稳定，应尽早启动小资金实盘。

19.11 总结

显示价 + 滑点 + 概率延迟 + 交易摩擦 = 真实成交数据

只有将这些细节全部纳入考量，避开“理想化成交”的陷阱，量化策略（尤其是 AI 驱动的策略）的回测结果才具备真正的实战参考价值。从“行情数据”向“成交数据”的跨越，是专业量化交易者的必经之路。

19.12 执行通道选择

对于中小规模量化基金，Interactive Brokers (IB) 是事实上的标准选择。

Alpaca 和模拟盘是很好的学习工具和原型验证平台，但它们不是生产终点。当你准备投入真实资金时，IB 的多市场覆盖、原生算法交易和真实 TCA 数据是中小团队最务实的选择。

19.13 多智能体视角

• Execution Agent：把"信号"翻译成可成交的订单（拆单/挂单/追价/撤单），并持续度量执行质量（滑点、成交率、延迟）。
• Risk Agent：把"能成交"变成"值得成交"，对高滑点/低流动性/异常延迟触发降仓或拒单。
• Data/Telemetry Agent：沉淀执行数据闭环（订单→成交→成本→PnL），为后续的回放、归因、在线学习提供素材。

本课交付物

完成本课后，你将获得：

1. 执行系统的关键概念框架：成交价、滑点、延迟、成交率、摩擦成本
2. 数据闭环的采集清单：知道实盘必须记录什么，才能反哺执行与 RL
3. 一条可落地的演进路径：保守模拟器 → 小资金实盘采样 → 反向校准模拟器

本课要点回顾

• 真实成交数据 = 成交价 + 滑点 + 概率/延迟 + 交易规则/摩擦成本
• 用 K 线 Close 当成交价会系统性高估策略可实现性
• A 类数据（市场环境）只能近似，B 类数据（你的实盘日志）才可用于校准与进化

延伸阅读

• 背景知识：交易所与订单簿机制 - 理解限价单/市价单的真实撮合语义
• 背景知识：执行模拟器实现 - 4 级执行模拟器的代码实现
• 背景知识：Tick 级回测框架 - 事件驱动回测与队列位置模拟
• FIX 协议入门 - FIX 4.4 消息结构与 QuickFIX 实现
• 附录 A：实盘交易记录标准指南 - 你应该记录哪些字段来形成闭环

下一课预告

第 20 课：生产运维

当系统跑进真实市场，问题不再是“策略对不对”，而是“系统有没有在正确运行”：数据管道健康吗？PnL 是否异常？回撤是否触发熔断？下一课我们把这套系统真正“养起来”。