评估点差假设需要哪些数据？
什么是点差假设
“点差假设”是指在计算、回测、预测或示例中所使用的买卖价差（bid–ask spread）所代表的交易成本的明确预期。点差并非单一数值：它取决于报价的定义方式（买价与卖价）、测量时间以及交易执行方式的假设。
要判断你的假设是否合理，你需要具备以下数据：(1) 精确定义点差概念；(2) 能够复现你所使用的点差计算方法；(3) 检查该点差行为是否在特定用途下足够稳定。
所需的核心输入
通常你需要四组输入数据：点差定义、价格/报价数据、执行假设，以及与点差相互作用的任何成本。
- 点差定义与测量规则
明确你所指的点差类型：
- 原始点差（Raw spread）：根据测量时刻的买价和卖价直接计算得出。
- 有效点差（Effective spread）：在考虑执行时机和订单条件后实际经历的点差。
- 建模点差（Modeled spread）：通过某种转换（例如平均值或规则）估算出的点差。
若无明确定义，后续比较将产生歧义。
- 用于推导点差的报价或价格数据
收集构成你点差假设基础的买价和卖价序列（或等效字段）。对每个序列，需记录：
- 交易品种标识，
- 报价时间戳，
- 数据是逐笔（tick-level）、聚合还是采样数据。
-
时效性与执行对齐
点差数据应与你计算中的“时间”相匹配。若你假设在特定时间点入场，则点差数据应基于与该入场时间同步的报价推导。时间戳错位可能导致系统性偏差。 -
影响实际点差的执行与交易成本假设
即使你已假设了点差，实际成本仍可能因执行细节而变化。需记录的数据包括：
- 交易是否假设在报价价格上即时成交，或存在延迟；
- 订单类型是否为市价单或限价单；
- 你是否将其他交易成本（如佣金或费用）与点差合并建模。
数据来源：数据从何而来
你还需为进入点差假设的每一个变量提供来源信息（provenance）——即其来源和预期用途的证据。
关键来源信息包括：
- 数据来源类型：经纪商提供的报价、交易所/交易场所数据，或数据供应商的流。
- 数据处理透明度：该数据流是原始数据，还是已被过滤/清洗。
- 采样策略：报价是否完整，或是否存在填补的空缺。
- 时间一致性：数据流格式或流动性条件是否随时间发生变化。
如果点差假设基于一种数据流，而你的评估使用另一种，则无法可靠验证该假设。
在信任假设前进行时效性与质量检查
由于点差可能快速变化，你应进行质量检查，以确认该假设并非建立在数据异常之上。
关键检查项目包括：
- 数据完整性：检查是否存在缺失的买/卖价点或长时间空缺。
- 时间戳完整性：确认时间戳单调递增，并正确处理时区。
- 异常值处理策略：说明如何处理极端值（例如是否设上限、排除或保留）。
- 粒度兼容性：确保点差序列的粒度与你的使用方式匹配（按交易、按K线、按日等）。
即使平均点差看似合理，若数据集隐藏了流动性枯竭时期，点差假设仍可能失效。
验证方法或示例：使用可比时期进行验证
评估点差假设的一种实用方法是：将假设的点差行为与独立但可比时期的实际观察行为进行比较。
例如，如果你假设一个恒定的平均点差，你需要一个数据集来展示：
- 相关时间段内观察到的点差分布，
- 点差超过你假设值的时间比例，
- 点差波动率是否在特定市场状态下增加。
如果你假设了一个随时间变化的点差规则，则需验证：当使用与原始假设相同的定义和时间戳对齐方式时，该规则能否复现实际观察到的点差。
需考虑的局限性与失败模式
至少一个关键局限性至关重要：点差假设可能因你的数据或模型未捕捉到的条件而被打破。
常见的失败模式包括：
- 流动性驱动的点差扩大：当流动性下降时，点差可能突然扩大。