4. 盘口策略对手续费与返佣结构的压力测试

费率结构建模：把手续费与返佣拆成可扫描的参数

盘口策略的净收益对费率极其敏感，因为单笔毛利往往只有 1~2 个最小报价单位。压力测试的第一步不是跑策略，而是把"手续费 + 返佣"抽象成一组可独立扫描的参数，并明确它们作用在成交的哪一侧。

本例采用如下费率模型（示例参数，非实测）：

• taker 费率 f_t：主动吃单成交时按成交金额比例收取，基准 0.02%（2 bp）。
• maker 费率 f_m：被动挂单成交时收取，基准 0.00%，即零费。
• maker 返佣 r_m：被动成交后按成交金额返还，基准 +0.01%（1 bp），即净收 1 bp。
• 单笔净费率：主动腿 -f_t，被动腿 r_m - f_m。一次完整往返（一主一被）的净费率 = r_m - f_m - f_t。

基准情景下往返净费率为 0.01% - 0% - 0.02% = -0.01%，即每往返一次净付出 1 bp。这个数字必须与策略的平均单笔毛利对比，才能判断生存空间。

策略侧的关键耦合：换手频率决定费率侵蚀总量

单笔净费率只是"单价"，真正决定净收益的是费率 × 换手次数。同一策略在费率上调后，除了单笔成本上升，还可能因为信号阈值相对变差而改变成交节奏，因此必须同时记录换手频率，否则会误判策略的生存能力。

本例用一个最小可运行的盘口策略回放框架来量化这一点。策略逻辑固定：当买一价与卖一价之差（点差）大于阈值时，在买一价挂被动买单、在卖一价挂被动卖单；成交后立即用主动单平掉库存。这样每完成一次"被动开仓 + 主动平仓"就构成一次往返，便于把费率直接映射到每笔盈亏。

import numpy as np

# ---------- 费率情景定义（示例参数） ----------
SCENARIOS = {
    "基准":        {"f_t": 0.0002, "f_m": 0.0,    "r_m": 0.0001},
    "taker上调":   {"f_t": 0.0003, "f_m": 0.0,    "r_m": 0.0001},
    "taker大幅上调":{"f_t": 0.0005, "f_m": 0.0,    "r_m": 0.0001},
    "返佣取消":    {"f_t": 0.0002, "f_m": 0.0,    "r_m": 0.0},
    "返佣转负":    {"f_t": 0.0002, "f_m": 0.0,    "r_m": -0.00005},
    "最不利组合":  {"f_t": 0.0005, "f_m": 0.0,    "r_m": 0.0},
}

def run_strategy(snapshots, fee, spread_threshold=0.02, max_rounds=200):
    """snapshots: list of dict(bid, ask, mid)
    返回：往返次数、毛收益、净收益、平均单笔毛利"""
    gross = 0.0
    rounds = 0
    for s in snapshots:
        if rounds >= max_rounds:
            break
        bid, ask = s["bid"], s["ask"]
        spread = ask - bid
        if spread <= spread_threshold:
            continue
        # 被动腿：买一价买入，卖一价卖出（各成交一半库存，简化为一次往返）
        # 毛收益 = 点差（以中间价为基准的比例）
        mid = (bid + ask) / 2
        gross_pnl = spread / mid          # 单次往返毛收益率
        # 净费率：被动腿收入 r_m - f_m，主动腿支出 f_t
        net_fee = (fee["r_m"] - fee["f_m"]) - fee["f_t"]
        net_pnl = gross_pnl + net_fee
        gross += gross_pnl
        rounds += 1
        # 记录单笔净收益用于后续统计
        s["_net"] = net_pnl
    return rounds, gross, gross + rounds * ((fee["r_m"] - fee["f_m"]) - fee["f_t"])

# ---------- 构造示例行情切片（非实测，仅用于演示） ----------
rng = np.random.default_rng(42)
snapshots = []
for _ in range(500):
    mid = 100.0 + rng.normal(0, 0.05)
    half_spread = abs(rng.normal(0.015, 0.008))
    snapshots.append({"bid": mid - half_spread, "ask": mid + half_spread, "mid": mid})

# ---------- 扫描 ----------
print(f"{'情景':<12}{'往返次数':>8}{'毛收益(bp)':>12}{'净收益(bp)':>12}{'单笔净(bp)':>12}")
for name, fee in SCENARIOS.items():
    rounds, gross, net = run_strategy(snapshots, fee)
    per = (net / rounds * 1e4) if rounds else 0
    print(f"{name:<12}{rounds:>8}{gross*1e4:>12.2f}{net*1e4:>12.2f}{per:>12.2f}")

运行这段代码会得到一张按情景排列的对照表。关键判读点有三个：

1. 往返次数是否变化：本例策略的入场条件只依赖点差，不依赖费率，所以往返次数在各情景下应保持一致。如果实际策略的入场阈值包含费率或预期收益，往返次数会随费率上升而下降——这本身就是"策略自我收缩"的信号，必须单独记录。
2. 单笔净收益是否转负：当 单笔净(bp) < 0 时，策略在该费率下每做一笔都在亏钱，属于"结构性死亡"，不是靠提高换手能救回来的。
3. 净收益对费率的弹性：比较"基准"与"最不利组合"的净收益差额，除以费率差额，得到每 1 bp 费率变化对应的净收益变化，用于判断策略的费率敏感度。

生存能力判定：用盈亏平衡费率反推安全边际

比"跑几个情景看结果"更有决策价值的是：直接求出盈亏平衡的 taker 费率，即令单笔净收益为零时的 f_t。由 gross_pnl + (r_m − f_m) − f_t = 0 可得：

f_t* = gross_pnl + r_m − f_m

把基准情景下的平均单笔毛利代入，就能得到策略能承受的 taker 费率上限。当前费率与 f_t* 之间的差距就是安全边际。若安全边际小于 1 bp，说明费率只要微调就会击穿策略，属于高风险暴露。

交付物：费率压力测试记录表

为了让结论可复核、可对比，建议每次压力测试都填写一张固定字段的记录表。字段只保留与费率决策直接相关的项，避免引入无关的管理指标。

完成这张表后，策略在费率上调情景下的生存能力就有了可比较的量化结论：不是"感觉费率高了会亏"，而是"当 taker 费率超过 0.028% 时，该策略的单笔净收益转负，且提高入场阈值无法挽回"。这个结论可以直接用于决定是否调整策略的成交方式（例如减少主动腿、改为双边被动成交），或是否需要在费率谈判中争取返佣。