1. 课程导入与问题界定

在量化交易与程序化策略开发中，我们经常遇到这样一种落差：回测里某个信号看起来相当漂亮，胜率、盈亏比、夏普比率都不错，可一旦放到真实盘口里跑，收益就被"吃掉"了一大截，甚至由盈转亏。造成这种落差的原因很多，但最容易被低估、也最容易被"回测假设"掩盖的一个，就是买卖价差。本课程要讨论的核心问题，正是：当买卖价差成为不可回避的交易成本约束时，我们该如何筛选信号，才能让"纸面有效"变成"实盘可用"。

先把概念界定清楚。买卖价差（bid-ask spread）指某一时刻盘口上最优买价与最优卖价之间的差额。若记最优买价为 Bid、最优卖价为 Ask，则价差 S = Ask − Bid，相对价差常写作 s = S / Mid，其中 Mid = (Bid + Ask) / 2。这里必须统一一个参照约定，本课程全程采用：以中间价 Mid 为基准，买入按 Ask 成交、卖出按 Bid 成交。也就是说，任何一次"买入再卖出"的往返，天然要付出约一个价差的成本；若只做单边开仓，则开仓瞬间就承担了半个价差的浮亏。这个约定会贯穿后续所有图示与计算，切换参照系时会明确说明。

为什么价差会成为信号筛选的"隐形门槛"？关键在于它改变了信号的盈亏结构。一个信号预测未来价格会上涨 Δ，若 Δ 小于价差 S，那么即便方向判断完全正确，扣掉往返成本后依然可能不赚钱。换句话说，价差给每一个信号设定了一条"最低盈利门槛"：信号的预期毛收益必须显著大于交易成本，才具备被保留的资格。这就把传统的"预测准不准"问题，升级成了"预测的幅度够不够覆盖成本"的问题。

上图把这一矛盾直观地摆了出来：同样是"看涨"信号，A 的预期涨幅落在价差区间之内，扣掉成本后净收益为负；B 的预期涨幅远大于价差，扣成本后仍有可观净收益。信号筛选的第一层任务，就是把 A 类信号从候选池里剔除，而不是等到实盘亏损了才回头怀疑模型。

但问题远不止"幅度够不够"这么简单。价差本身是动态变化的：流动性好的时段价差可能只有一两个最小变动价位，开盘、收盘、重大消息发布前后价差会显著放大；不同标的的价差水平也差异巨大，大盘蓝筹与冷门小盘股的相对价差可能相差数倍。这意味着，同一个信号在不同时刻、不同标的上的"成本门槛"是不同的。若用固定阈值一刀切，要么在低流动性时段放行了不该放行的信号，要么在高流动性时段误杀了本可盈利的信号。因此，信号筛选必须与价差的状态联动，而不是静态判断。

由此可以归纳出本节要界定的核心矛盾：信号的有效性依赖于预测幅度，而预测幅度能否转化为净收益，取决于当时的价差成本；价差又是时变的、标的相关的。三者交织，使得"筛信号"不能只看预测准确率，而必须同时考虑幅度、成本与状态。这也是本课程区别于普通"因子有效性分析"的关键所在——我们筛选的不是"会涨的信号"，而是"涨得足够多、且成本可控的信号"。

明确矛盾之后，学习目标就可以落地了。完成本课程后，你应当能够：其一，量化一个信号在给定价差下的净收益与盈亏平衡点，而不是停留在定性判断；其二，设计带成本约束的筛选规则，包括幅度门槛、价差状态过滤与信号分级；其三，验证筛选前后的组合表现差异，并能解释差异来自哪里；其四，排查实盘与回测背离时，判断问题是否出在价差假设上。

整体框架上，课程将沿着"成本刻画 → 信号度量 → 约束筛选 → 回测验证 → 实盘校准"的主线推进。先建立价差成本的量化口径（含往返成本、滑点与价差的区分），再讨论如何度量信号的预期幅度与不确定性，随后进入带约束的筛选规则设计，最后用回测与实盘数据做闭环校准。每一环都会给出可操作的参数与判断依据，而不是泛泛而谈。

作为实战任务的起点，本节先给出一个可立即动手的小练习：选取你熟悉的某一标的，取一段历史盘口或高频行情数据，统计其相对价差 s 的分布（均值、分位数、开盘/收盘时段的差异），再任取一个你手头的看涨信号，计算其平均预期涨幅 Δ̄，比较 Δ̄ 与 s 的均值及高分位数。若 Δ̄ 连价差的高分位数都覆盖不了，这个信号在实盘中大概率是"看着有效、做着亏钱"。这个练习不需要复杂工具，一张表、几列数据即可完成，却能让你在进入后续章节前，先对"成本门槛"建立真实的体感。

需要强调的是，本课程不追求"消除价差"——价差是市场流动性的价格，无法被策略消灭；我们要做的是在价差约束下做出更聪明的取舍：放弃那些幅度不足的信号，保留那些扣成本后仍有优势的信号，并在价差状态恶化时主动降频或收手。理解了这一点，后面的量化口径、筛选规则与验证方法才有落脚点。