金融市场基础：股票、期货、外汇等资产类型，交易机制、订单类型、市场数据特征
量化回测框架的构建，其底层逻辑必须建立在对金融市场运行机制的深刻理解之上。无论是股票、期货还是外汇，其交易机制、订单撮合规则、数据生成方式都存在本质差异。一个在股票市场表现优异的策略，直接移植到期货市场可能因保证金制度和T+0规则而失效；一个基于日线收盘价设计的信号，在Tick级数据回测时可能因微观结构噪声而面目全非。因此，本章将系统梳理三大主流资产类别的核心属性、交易机制与数据特征，为后续回测引擎的撮合逻辑、滑点模型和资金管理模块奠定认知基础。
上图展示了三大资产类别在交易机制上的核心差异。从回测框架设计的角度看，这些差异直接决定了撮合引擎的复杂度、数据存储的粒度以及绩效归因的准确性。下面我们将逐一深入剖析。
2.1 股票市场：T+1与涨跌停约束下的回测设计
核心原理
股票市场是典型的订单驱动市场，交易规则的核心约束包括：T+1交割制度（当日买入不可当日卖出）、涨跌停限制（主板±10%，创业板/科创板±20%）、竞价撮合机制（集合竞价+连续竞价）。这些规则对回测系统的影响是结构性的：策略必须在T+1约束下管理持仓周期，信号触发时若价格触及涨跌停板，订单可能无法成交，回测引擎必须模拟这种流动性缺失。
订单类型与撮合逻辑
| 订单类型 | 撮合规则 | 回测处理要点 |
|---|---|---|
| 市价单 | 以对手方最优价格成交 | 需模拟滑点，通常按盘口价差的一定比例 |
| 限价单 | 价格优先、时间优先 | 需判断是否穿越盘口，未成交部分如何处理 |
| 止损单 | 触发后转为市价单 | 需模拟触发价格与成交价格的偏差 |
| 冰山单 | 分笔暴露 | 回测中通常简化为普通限价单 |
案例拆解：涨跌停场景下的回测失真
某量化策略在2024年2月对某AI概念股发出买入信号，信号价格为涨停价。回测引擎若直接按涨停价成交，将严重高估策略收益。实际场景中，涨停板封单量可能只有几千手，而策略信号量可能达到数万手，导致大部分订单无法成交。更合理的处理方式是：检查涨停时的封单量/成交量的比例，若封单量小于信号量的10%，则判定为无法成交，或按次日开盘价成交并增加冲击成本。这种细节处理，正是回测框架与实盘差异的关键来源。
2.2 期货市场：保证金、双向交易与合约连续性问题
核心原理
期货市场采用保证金交易（通常5%-15%），具有双向交易和T+0特征。其数据特征与股票有本质区别：期货合约有到期日，价格序列存在主力合约切换问题。回测框架必须处理合约的展期（Roll）逻辑，否则价格跳空会被误判为策略信号。
订单类型与强平机制
- FAK（Fill and Kill）：立即成交剩余撤销，适合部分成交场景
- FOK（Fill or Kill）：全部成交否则撤销，适合大单执行
- 逐日盯市：每日结算盈亏，回测需模拟保证金追加与强平
案例拆解：主力合约切换的陷阱
某CTA策略在螺纹钢期货上回测，使用连续主力合约数据。2024年5月，主力合约从RB2410切换至RB2501，切换日价格从3600跳空至3650。策略误判为突破信号而开多，实际是合约价差而非市场趋势。正确的处理方式是：使用复权连续合约（如后复权法），或在切换日暂停信号。回测框架应内置合约切换检测模块，记录每次切换的基差影响。
2.3 外汇市场：24小时交易与报价驱动机制
核心原理
外汇市场是典型的报价驱动市场（做市商制度），无中央交易所，交易通过银行间网络进行。其数据特征为Tick级报价流，买卖价差（Spread）是主要交易成本。外汇市场无涨跌停限制，波动剧烈时流动性可能瞬间枯竭。
数据特征与回测挑战
| 特征 | 影响 | 回测处理 |
|---|---|---|
| 24小时交易 | 隔夜利息（Swap） | 需计算持仓过夜的利息收支 |
| 报价驱动 | 点差可变 | 需使用买卖价差模型，而非单一价格 |
| 高杠杆 | 爆仓风险 | 需严格模拟净值回撤与强平线 |
| 非中心化 | 数据源不一致 | 需多源数据交叉验证 |
案例拆解：点差扩大导致的滑点
在非农数据公布时，EUR/USD点差从常规的0.8点扩大至15点。策略在数据公布前设置了限价单，回测中若按固定点差计算，订单会以较好价格成交；但实际中，限价单可能因点差扩大而无法成交，或成交在远差于预期的价格。回测框架应支持动态点差模型，根据历史波动率或事件日历调整点差。
2.4 市场数据特征与回测引擎的适配
数据粒度与存储
回测框架需要处理不同粒度的数据：Tick级（逐笔成交）、分钟级（1m/5m/15m）、日线级。不同策略对数据粒度要求不同：高频策略需要Tick级，而中低频策略使用日线即可。数据存储需考虑压缩算法和索引优化，以加速回测时的数据读取。
数据清洗与对齐
- 除权除息处理：股票需前复权/后复权，避免价格跳空
- 停牌处理：停牌期间无交易数据，需标记并跳过
- 时间戳对齐：不同市场时区不同，需统一为UTC或交易所本地时间
- 异常值过滤：错误Tick数据（如价格突变）需用Winsorize或中位数滤波
案例拆解：数据对齐错误导致的策略失效
某跨市场套利策略同时使用A股和港股数据，A股收盘时间为15:00（北京时间），港股收盘为16:00（北京时间）。若回测引擎未做时间对齐，将导致信号计算时使用不同截止时间的数据，产生虚假套利机会。正确的做法是：以较晚收盘的市场为基准，截取同时段数据，或使用同步时间戳的Bar数据。
2.5 总结复盘：回测框架设计的市场适配要点
| 维度 | 股票 | 期货 | 外汇 |
|---|---|---|---|
| 撮合模型 | 订单簿+涨跌停 | 订单簿+强平 | 报价驱动+点差 |
| 交易成本 | 佣金+印花税+滑点 | 手续费+滑点+保证金利息 | 点差+隔夜利息 |
| 数据频率 | Tick/分钟/日线 | Tick/分钟/日线 | Tick/分钟 |
| 关键风险 | T+1约束、停牌 | 合约切换、强平 | 点差扩大、流动性枯竭 |
| 回测引擎要求 | 持仓时间校验 | 保证金模拟 | 双边报价模型 |
构建量化回测框架时，必须将上述市场特征内化为引擎的底层设计参数。一个健壮的回测系统，应当支持通过配置文件切换不同市场的规则模块，而非为每个市场单独开发一套引擎。这种抽象设计，能够显著提升策略研发效率，并降低因市场规则理解偏差导致的回测失真风险。