3. 盘口快照频率与插值偏差

盘口量化回测里有一类偏差非常隐蔽：策略代码没有错，成交逻辑也没有错，但回测出来的收益曲线就是比实盘"顺滑"得多。追查下去，问题往往出在数据层——快照间隔过大，而回测引擎为了让价格序列"连续"，在相邻快照之间做了线性插值。插值本身不是错，错在把插值出来的价格当成了真实可成交的价格路径。

一、快照间隔为什么会产生偏差

盘口数据（Level-1 或 Level-2 快照）本质上是离散采样。交易所或行情源按固定频率推送快照，常见的有 3 秒一笔（部分 A 股 Level-1 快照）、500 毫秒一笔（部分期货行情）、甚至逐笔重建的 tick 数据。无论频率多高，两次快照之间发生的一切——价格跳动、挂单撤单、瞬时成交——都没有被记录。

回测引擎面对两个快照之间的时间空档，通常有三种处理方式：

• 前值填充（ffill）：用上一笔快照的价格一直延续到下一笔快照。价格路径是阶梯状的，不会凭空产生中间价，但会低估波动、延迟信号触发。
• 线性插值（linear interpolation）：在相邻快照的中间价之间画一条直线，按时间比例生成中间价格。价格路径变成斜线，看起来"连续"，但这条斜线上的每一个点都是虚构的。
• 不填充：只在快照时刻判断信号，中间不产生任何价格点。最保守，但可能漏掉快照之间的真实机会。

偏差主要来自第二种。线性插值假设价格在两次快照之间匀速变化，而真实市场是跳跃的、有方向的、带噪声的。插值出来的斜线会系统性地"平滑"掉价格的真实波动结构，导致回测中基于价格穿越、均线交叉、止损触发的判断出现两类错误：虚假触发（插值路径穿过了某个阈值，但真实价格从未到达）和触发延迟或漏触发（真实价格在快照间隙穿过了阈值又回来，插值路径没有体现）。

二、识别插值偏差的三个检查点

要判断一份回测结果是否被插值污染，可以从数据层和信号层分别检查。

检查点一：快照间隔分布。统计相邻快照的时间差，画出直方图。如果存在大量间隔超过策略信号周期的情况（例如策略用 1 分钟均线，但快照间隔达到 5 秒以上且不均匀），插值的影响就会被放大。特别要关注间隔的不均匀性——行情活跃时间隔短、清淡时间隔长，插值在清淡时段生成的虚假路径占比更高。

检查点二：插值点占比。在回测的价格序列中，标记哪些点是原始快照、哪些是插值生成。如果插值点占比超过 50%，说明大部分价格路径是虚构的，任何基于逐点价格的计算（收益率、波动率、最大回撤）都不可信。

检查点三：信号触发点与快照时刻的对齐。把回测中所有开平仓信号的触发时间列出来，检查它们落在原始快照时刻还是插值区间内。如果大量信号触发在插值区间，且这些信号在"仅用快照时刻判断"的对照回测中消失，就基本可以确认是插值引入的虚假信号。

上图展示了一个典型场景：真实价格在快照之间是阶梯跳跃的（深蓝实线），而线性插值把它拉成了斜线（红色虚线）。在标注位置，插值路径穿过了信号阈值，但真实快照从未到达该价位——这就是一次虚假触发。如果策略是"价格上穿阈值开多"，回测会记录一笔盈利或亏损交易，而实盘中这笔交易根本不会发生。

三、处理方案：从"填平"转向"尊重离散"

处理插值偏差的核心原则是：回测的决策时刻必须与真实可观测时刻对齐。具体落地有四种做法，按保守程度递增。

方案 A：关闭插值，仅用快照时刻决策。把回测引擎的插值开关关掉，信号判断只在原始快照时间戳上进行。这是最直接、最不容易出错的做法。代价是如果快照间隔较大，策略可能错过快照之间的机会，回测结果偏保守。对于中低频策略（持仓周期分钟级以上），这个代价通常可以接受。

方案 B：前值填充 + 快照时刻触发。价格序列用 ffill 延续，但信号判断和成交撮合都锚定在快照时刻。这样既保持了时间轴的连续性（便于计算持仓时间、资金曲线），又不会在虚构价格上做决策。注意：用 ffill 后的价格计算浮动盈亏是可以的，但不能用它触发交易信号。

# 示例：仅用原始快照时刻判断信号（伪代码）
snapshots = load_snapshots("level1_20240102.csv")  # 含 timestamp, bid, ask, last
snapshots = snapshots.sort_values("timestamp").reset_index(drop=True)

signals = []
for i in range(1, len(snapshots)):
    prev_mid = (snapshots.bid[i-1] + snapshots.ask[i-1]) / 2
    curr_mid = (snapshots.bid[i] + snapshots.ask[i]) / 2
    # 只在快照时刻比较，不生成中间点
    if prev_mid < threshold <= curr_mid:
        signals.append({
            "time": snapshots.timestamp[i],
            "type": "cross_up",
            "price": snapshots.ask[i]  # 用卖一价模拟买入
        })

方案 C：提高数据频率或改用逐笔数据。如果策略确实依赖快照之间的价格变化（例如日内高频、盘口套利），3 秒快照本身就不够用，应该换用逐笔成交（tick-by-tick）或 Level-2 逐笔委托数据重建盘口。这是从数据源层面解决问题，成本最高但最彻底。

方案 D：插值仅用于可视化，不用于回测。如果团队需要平滑的价格曲线做展示或报告，可以保留插值，但必须在回测引擎中把插值序列和决策序列分离——决策用原始快照，展示用插值曲线，两者不混用。

四、一个可复用的排查清单

在实际排障中，可以按下面的顺序快速定位问题，避免在错误的层面上反复调参：

需要强调的是，插值偏差不是"数据质量问题"这么简单，它会系统性地改变策略的收益分布。线性插值倾向于让价格路径更平滑、更"趋势化"，这会利好趋势跟踪类策略、利空均值回归类策略——因为平滑后的路径减少了假突破，也减少了回归机会。所以同一份插值数据，对不同类型策略的偏差方向可能相反。排障时不能只看"回测收益是否偏高"，而要看"信号触发结构是否被改变"。把快照时刻、插值区间、信号触发点三者的对齐关系画出来，偏差就无处藏身了。