1. 课程导入

在量化交易系统中，执行算法（Execution Algorithm）承担着将投资决策转化为真实成交的关键职责。无论是TWAP、VWAP、POV还是IS（Implementation Shortfall）类算法，其最终效果不仅取决于算法逻辑本身，还受到市场微观结构、订单簿动态、延迟、冲击成本等多重因素影响。然而，实盘验证成本高、风险大、样本有限，因此回放仿真与效果评估成为算法研发迭代中不可或缺的一环。本课程将带领学员从零构建一套可落地的执行算法回放仿真与评估体系。

一、学习目标：从“能跑”到“可评估、可优化”

本课程的学习目标分为四个层次，层层递进：

• 理解原理：掌握回放仿真的核心机制，包括历史行情回放、订单簿重建、撮合逻辑与滑点建模。
• 搭建系统：能够独立设计并实现一个支持多算法接入的回放仿真引擎。
• 评估效果：熟练运用IS、VWAP偏差、成交率、市场冲击等指标对执行算法进行多维评估。
• 驱动优化：基于评估结果定位算法缺陷，完成参数调优与策略迭代。

二、核心原理：回放仿真到底在模拟什么？

执行算法回放仿真的本质，是在历史行情数据基础上，模拟“如果当时按照某算法执行，会发生什么”。其核心原理可概括为三个关键环节：

1. 行情回放：按时间顺序重放历史逐笔成交、委托队列快照或Level-2行情，重建市场状态。
2. 订单撮合：根据算法生成的子单，结合订单簿状态与撮合规则，判断成交价格与成交量。
3. 成本归因：将成交结果与基准（如到达价、VWAP）对比，分解滑点、冲击、机会成本等。

其中，撮合逻辑的保真度直接决定仿真可信度。常见的撮合模型包括：

撮合模型	核心假设	适用场景	保真度
简单穿越模型	子单价格穿越对手价即全部成交	快速原型验证	低
队列位置模型	根据委托队列位置估算成交概率	限价单执行评估	中
逐笔重建模型	基于逐笔委托与成交重建订单簿	高精度回放	高
概率冲击模型	按参与率与市场深度估算冲击成本	大单执行模拟	中高

三、整体知识框架与实战路线图

本课程共30章，围绕“数据—引擎—算法—评估—优化”五层结构展开。下图展示了从原始行情到算法优化的完整数据链路与模块关系：

实战路线图按七个阶段推进：环境搭建 → 数据接入 → 引擎开发 → 算法接入 → 指标计算 → 报告生成 → 调优迭代。每个阶段都配有可运行的代码示例与配置模板，确保学员能够边学边练。

四、典型场景与常见误区

回放仿真在以下场景中价值尤为突出：

• 算法选型：在相同历史行情下对比TWAP与VWAP的执行差异，量化选择最优算法。
• 参数调优：调整POV参与率、TWAP切片间隔，观察IS变化趋势。
• 极端行情复盘：回放闪崩、涨停等场景，评估算法在压力下的表现。
• 合规与归因：为交易执行质量提供可解释的量化报告。

五、环境准备与首个可运行片段

在进入后续章节前，建议先准备好基础环境。以下命令用于创建虚拟环境并安装核心依赖：

python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
pip install pandas numpy matplotlib pyarrow

一个最小的回放循环骨架如下，后续章节将在此基础上逐步扩展：

import pandas as pd

def replay(ticks: pd.DataFrame, algo, initial_qty: int):
    """ticks: 含 timestamp, price, volume 的逐笔数据"""
    remaining = initial_qty
    fills = []
    for _, row in ticks.iterrows():
        order = algo.on_tick(row, remaining)
        if order is None:
            continue
        fill_qty = min(order.qty, remaining)
        fills.append({
            "timestamp": row["timestamp"],
            "price": row["price"],
            "qty": fill_qty
        })
        remaining -= fill_qty
        if remaining == 0:
            break
    return pd.DataFrame(fills)