上一篇写到，预测对价格方向，不等于交易能赚钱。主动成交要付执行成本，挂单等成交又可能筛出对自己不利的行情。
顺着这个问题往下想，我还有一个疑问：如果把手续费算进去，回测里也只让一部分挂单成交，是不是就离真实收益很近了？
后来发现，“一部分”还不够。成交的是哪些订单，以什么价格、多少数量成交，以及成交之后价格怎么走，都需要各自的依据。执行感知回测对我来说，就是把这些假设从收益曲线背后拿出来检查。
预测之后，我还要选一次怎么成交#
换一组盘口，后面的数字都从这里出发，价格单位是 USDT/BTC：
1Best Bid = 100,000
2Best Ask = 100,010
3Mid = 100,005模型预测未来 10 秒 Mid 上涨 5 bps，换成价格约为 50 USDT。这里完整 Spread 是 10 USDT，相对 Mid 约 1 bp；Half-Spread 是 5 USDT，约 0.5 bp。
看起来预测空间比 Spread 宽裕。如果在 Ask 买入，单看入场就比 Mid 多付 5 USDT；如果在 Bid 挂买单并成交，则比当时 Mid 少付 5 USDT。两者的成交价相差 10 USDT，但后者要等卖方来。
这里的“上涨 5 bps”如果只是模型的点预测，还带着预测误差。即便为了讨论先假设它准确，也只能确定终点的 Mid，不能确定中途有没有足够的卖单来到 Bid。起点和终点相同的两段行情，可以经过完全不同的成交路径，挂单得到的结果也会不同。
我最初容易把“预测涨幅够不够”和“挂单能不能成交”合成一道判断。其实，即使这次预测完全兑现，Bid 上的买单也可能一直没成交；即使价格没有上涨，买单也可能先被卖方打中。
图里 Maker 成交价为 100,000，Mid 仍然可以是 100,005。只要这笔卖单没有耗尽最佳 Bid，且 Ask 没变，成交后盘口仍是 100,000／100,010。最近成交价与盘口中点可以同时不同，这和订单簿那篇里的价格定义是一致的。
当然，Taker 也有盘口变化、延迟和深度不足的问题。上面的 Ask 买入只假设订单足够小，抵达时该档仍有足够数量；它不能保证任意数量都按这个价格成交，更不能保证平仓收益。
成交把哪些信号留了下来#
前文用了一个构造例子，我把它压缩成表格：每个信号都预测上涨，正确与否按相同的未来窗口判断，每单数量相同，成交均视为整单成交。
| 信号结果 | 信号数 | 成交数 |
|---|---|---|
| 预测正确 | 60 | 10 |
| 预测错误 | 40 | 30 |
| 合计 | 100 | 40 |
全量准确率是 60%，成交子集只有 25%。这组数字只是说明筛选机制，不是对 BTC 的实证估计；准确率也还没有计入涨跌幅度和费用。
为了把这个问题和收益接上，我把信号时刻记为 \(t_s\)，固定预测窗口为 \(H\)，定义方向调整后的参考收益：
$$ R = s\frac{m_{t_s+H}-m_{t_s}}{m_{t_s}} $$其中 \(m\) 是 Mid，买入信号 \(s=+1\)，卖出信号 \(s=-1\)。这里的 \(R\) 衡量信号之后的行情，还没有放入成交价。Filled 表示该信号对应的订单在预定有效期内获得成交，于是可能有：
$$ E[R\mid\mathrm{Filled}] \neq E[R] $$成交改变了观察收益时的条件。 不是给原始预测收益乘一个成交率，就自动得到了可实现收益；部分成交时，还得考虑成交数量如何与后续行情关联。
如果只统计被保留信号的参考收益，把未成交记为零、成交数量固定，那么平均值可以写成成交概率乘以成交条件下的平均收益。这个乘法里需要的是 \(E[R\mid\mathrm{Filled}]\)，并不是全量的 \(E[R]\)。它仍然只是信号层面的统计，变成交易收益还要接上实际入场时刻和成交价。前面的表格正好说明，替换掉这个条件会怎样改变判断。
还有一种时间上的错位：预测的是从信号出现开始的 10 秒，订单却在第 9 秒才成交。原先预期的价格变化可能已经发生得差不多了，剩余持仓机会也变了。我会同时保留信号时间和成交时间，而不是用成交后的表现悄悄替换原来的预测标签。
为什么有人愿意主动卖给 Bid 上的我？如果他认为旧报价偏高，等大家更新报价以后可能卖得更低，那么现在支付 Spread 换取及时成交就有意义。信息也有时效性，执行速度会影响它能换到多少收益。但普通调仓、现金需求同样会产生主动卖单，不能仅凭交易方向断定对方有信息优势。
我也得把库存单独想一遍。买单成交会增加多头敞口；连续成交可能触发仓位上限，改变后续报价，甚至迫使策略主动减仓。库存带来的价格风险和清仓成本，不能全部归到信息不对称上。
买得便宜，为什么后续走势仍可能不利#
我第一次看到 Markout 时，容易把它理解成“成交后的收益”。这个说法少了参照物，也少了是否真的卖出这一层。
Fill 是一笔实际成交，有时间、价格、方向和数量。Mark 是用于估值的参考价格，这里选同一市场的 Mid。Markout 则是在成交后固定时间窗口，比较参考价格与某个起点的差异。不同资料的起点、符号和归一化方式可能不同，横向比较前要先对齐定义。
记成交时刻为 \(t_f\)，成交价为 \(p_f\)，买入取 \(s=+1\)，卖出取 \(s=-1\)。本文用下面这个 Trade-to-Mid 口径，正值表示后续 Mid 对成交方有利：
$$ M_{\mathrm{trade}}(\Delta)=s\frac{m_{t_f+\Delta}-p_f}{p_f}\times10^4\quad\text{bps} $$窗口从成交时刻开始，可以分别取 1s、10s、60s。它和前面从信号时刻开始的 10 秒预测窗口不是同一个时钟：挂单等了 3 秒才成交，就不能把两个终点当成同一时刻。
接着用一笔 1 BTC 买入拆数字。100,000 成交，成交时 Mid 为 100,005，10 秒后 Mid 为 100,002。先按每 BTC 的价格差分解：
$$ m_{t_f+10s}-p_f=(m_{t_f}-p_f)+(m_{t_f+10s}-m_{t_f})=5+(-3)=2 $$初始成交价相对 Mid 的优势是 +5 USDT，成交后 Mid 的变化是 −3 USDT，合起来仍有 +2 USDT。成交价有优势，与成交后走势不利，可以同时成立。
这一笔 10 秒 Trade-to-Mid Markout 为 \(2/100{,}000\times10^4=+0.2\) bps。若改看从成交时 Mid 出发的 Mid-to-Mid，则是：
$$ M_{\mathrm{mid}}(10s)=\frac{100{,}002-100{,}005}{100{,}005}\times10^4\approx-0.3000\quad\text{bps} $$两个比例的分母不同，不能直接拿它和以成交价为分母的初始优势相加。前面的价格差分解是精确的；如果要在 bps 中相加，就得统一分母。
卖出方向也可以顺手核对一下：若在 100,010 卖出，之后 Mid 降到 100,002，价格差原本是 −8，乘上卖出的符号 −1，Markout 就变成正值。这样一来，买卖两边都能用“正值对成交方有利”来读，避免把买单和卖单直接混在一起求平均，抵消了方向。
这个 +2 USDT 只是按 Mid 估值的毛收益。如果此时卖出，要面对实际 Bid 和可用深度，随后再扣费用。Markout 既适用于 Maker，也适用于 Taker；它能描述成交质量，却不是已经落袋的平仓收益，也不能单靠一个负值证明对手掌握了私有信息。
如果 10 秒后盘口是 Bid 99,997／Ask 100,007，Mid 同样为 100,002。此时若深度足够，按 Bid 主动卖出，1 BTC 的往返毛收益反而是 −3 USDT。按 Mid 看有 +2，按可执行价格平仓却为负，并没有矛盾。为了比较报价好坏，我会看 Markout；为了判断策略挣钱没有，我还要看真实退出方式。这也解释了为什么不能把一组 Markout 均值直接当成策略收益曲线。
IEX 的执行质量分析也使用成交后固定窗口的 Trade-to-Mid Markout，不过它讨论的是美股特定订单类型，并采用自己的归一化口径。我借用的是测量思路，没有把其中的统计结论搬到 BTC。
历史价格碰到了，为什么还轮不到我#
如果回测把下面这个判断直接当作买单全部成交，隐藏的假设就比较强了：
1if candle.low <= limit_buy_price:
2 filled = True这只是待检查的简化规则。OHLCV 里的一根 K 线没有告诉我：低点发生时订单是否已到交易所，该价位成交了多少，以及我的单前面还有多少量。总成交量也不能替代某一个价位、某一段时间的可成交数量。
假设按价格优先、同价时间优先撮合，100,000 前面有 3 BTC，我挂买 1 BTC。随后只有 2 BTC 主动卖到这一档，没有撤单或其他事件。历史上确实在 100,000 成交了，但消耗的全是前方队列，我仍然一笔没买到。如果卖出量是 3.4 BTC，则轮到我的只有 0.4 BTC，不能记成整单成交。
我起初把触价和穿价放在一起，后来觉得这里值得区分。触及挂单价，只证明该价位发生过交易；严格穿过挂单价，是更强的成交证据。
比如同一市场的主动卖单已经成交到 99,999，而我的 100,000 买单此前已有效入簿、持续存续，并按价格优先参与连续撮合，那么更高价买单应当先被满足。但这仍以撮合规则、订单资格和事件顺序为前提；别的市场的低点、集合竞价价格，或者订单抵达前的穿价都不能拿来套用。回放加入新订单后，历史成交路径是否还能保持，也仍是一项假设。
即使拿到了逐档深度 L2，队列也不一定能复原。L2 主要提供每个价位的聚合数量；同样减少 1 BTC，撤掉的是我前面的 A，还是后面的 E，对我意义不同。
图中初始顺序是 A、B、C、我、D、E，每笔 1 BTC。A 撤单后，前方剩 2 BTC，随后主动卖出 3 BTC，我全部成交；E 撤单后，前方仍有 3 BTC，同样卖出 3 BTC，恰好只吃完前方，我没有成交。两种情况下，该价位总量都先从 6 变成 5，再变成 2 BTC。即使结合这笔成交量，也还缺少撤单位置。
L3 的逐笔订单信息能缩小这个缺口。例如 Coinbase 官方文档中，L2 更新给出价位数量，Full／L3 则有订单标识以及新增、成交、撤销等事件。不过“有 L3”也不等于知道全部真实队列：仍需完整快照和无缺失的事件序列，正确处理修改订单的优先级，并受限于可见订单范围和具体撮合规则。
查 HftBacktest 的成交模型文档时，我才把“缺信息”与“怎么补假设”联系起来。它给出的保守队列模型不让撤单或减量推动自己的位置，只用该价位的成交推进队列；概率模型则按队列位置估计减量落在前方或后方的概率。概率分配来自模型，不是恢复出了历史真相。
这份文档还提醒了回放的边界：模拟订单不会改变历史深度和成交。即使模型支持部分成交，也不代表能重建吃单后的市场反应。订单足够小、冲击可以忽略，是这类回放常用的前提；数量变大时，需要另行处理冲击，不能靠调整队列参数掩盖。
我会怎样检查成交假设#
想到这里，我对“回测已经考虑成交率”的要求变具体了。一个总成交率，解释不了模型究竟在哪些订单上判断错了。
| 检查项 | 我想确认的问题 |
|---|---|
| 成交订单比例 | 有过成交的订单数／有效提交订单数，是否把部分成交算入？ |
| 成交量比例 | 成交总数量／提交总数量，同一标的下是否大量只成交一小部分？ |
| 各窗口 Markout | 1s、10s、60s 的条件均值和分布如何，按笔还是按量加权？ |
| 实际平仓 Net PnL | 按真实买卖价格配对后，扣除费用及适用的持仓成本还有多少？ |
| 假设敏感性 | 换队列模型、增加下单和撤单延迟后，收益判断是否改变？ |
撤单重挂会让“订单数”的分母变化，统计时也得固定口径。成交后的观察窗不足、行情缺失，不能悄悄记为零收益；同样不能只留下能算出 60 秒 Markout 的顺利样本。
如果有实盘日志可用于校准，我会按相近的信号强度、盘口深度、排队条件和订单大小比较，再看不同延迟下的成交时间与数量。总体成交率一样，仍可能是模型漏掉了好成交、补进了坏成交，刚好数量抵消。
未成交订单也要留下记录。只保留成交日志，能分析已成交的质量，却看不见模型把多少订单错误地判成未成交。一次提交到最后撤销的过程，至少应当能对应上订单何时被接受、每次部分成交及剩余数量；本地发出撤单请求，也不代表交易所已经停止撮合。
对于分批成交，我倾向于从每一笔 Fill 的实际时间和价格计算 Markout，再按明确的权重聚合。不能把第一笔成交时间当作整单时间，也不能用最后一笔价格替代整单价格。数量不同的两笔成交，按笔平均与按量平均本来就回答不同的问题。
例如一个订单成交 0.1 BTC，另一个成交 1 BTC，即使两笔 Markout 一正一负、数值恰好相反，按笔均值为零也不意味着这 1.1 BTC 的估值变化为零。只有把每笔的数量和价格基准接回去，才能算出金额。比较不同回测时，我会先确认这些统计是否用了同一套权重。
延迟本身也不只是“价格加一点滑点”。行情到达策略时已经多旧、订单何时真正入簿、撤单何时生效，会影响队列与风险暴露。尤其不能用下单之后才出现的整根 K 线低点，倒过来决定更早的执行选择。
还有一个我容易顺手接受的说法：成交率提高，总收益就会更高。
在一个受控的玩具实验里，这可以成立：原有成交保持不变，新增成交的期望净收益固定为正，各笔互不影响，也没有资金或仓位约束，那么新增成交确实增加累计预期收益。
但真实策略不满足这些条件。新增成交可能集中在下跌之前，还会占用资金、增加库存，改变后面的报价与平仓。所以保守队列模型虽然降低成交机会，却未必给出收益下界；乐观成交假设也未必给出收益上界。我会同时看成交质量和收益的变化，不能拿成交率给回测结果排好坏。
如果稍微增加延迟，或者换一个同样合理的队列假设，净收益就从正变负，我会把它理解为当前结论依赖执行假设，还缺少证据。反过来，多组假设下都盈利能提高信心，也不能代替校准：几组模型可能共享同一个遗漏，例如都没有考虑自己的订单对盘口的影响。
校准也不能变成对着同一段收益调参数。更合适的做法，是用一段日志检查成交误差，在另一个时间段继续验证。市场活跃程度变了，原先合理的排队概率可能失效；如果只挑最终赚钱的一组参数，执行模型同样会过拟合。
我会把预测模型和执行参数的版本一起记录下来。否则一次收益改善，可能来自信号变好，也可能只是成交判断放宽了。把这两种变化混在同一条曲线里，后面即使发现实盘与回测不一致，也很难追溯差异从哪里开始。
回到最初那个 BTC 信号#
再看未来 10 秒上涨 5 bps 的预测，我现在会沿着这样一条概念链检查它：
预测 → 下单选择 → 成交筛选 → 成交质量 → 实际收益。
这是一条理解上的依赖关系，不是严格的运行时顺序。策略持仓期间还会继续预测、撤单和下单，反馈会回到前面。
SOXL 那篇让我把主动成交量和价格冲击分开看；这一篇又让我把价格预测和可实现收益分开看。两次都涉及订单簿如何承接交易，但回答的问题不同。
把它放回量化交易的系统框架，Alpha 预测只交出了一部分答案。预测质量不保证可执行的 Alpha，因为价格、等待时间和数量共同决定能拿到什么头寸；成交改变条件收益分布，全量信号的表现不能直接代替成交子集；执行模型也是需要校准的模型，队列和延迟假设值得和预测模型一起接受检验。
这里的构造例子还不能给队列参数定值。但至少再看到一条漂亮的回测曲线时，我知道该追问哪一层假设，而不只是继续调整预测模型。