作者：CryptoPunk
許多加密交易者都經歷過同一種落差：回測裡看起來穩定賺錢，但真正下場後卻發現殖利率迅速縮水，甚至從獲利變成虧損。問題往往不在“方向看錯了”，而在交易成本被低估了，尤其是滑點。
在牛熊切換更快、波動更劇烈、盤口更碎片化的加密市場裡，滑點不是無關緊要的小數點，而是決定策略能否活下來的現實門檻。一次2 bps、3 bps 的偏差，放在高換手策略裡，足以把紙面上的alpha 全部吃掉。
本文基於BTC/USDT 與ETH/USDT 的長期回測，試著回答一個很實際的問題：滑點到底會在多大程度上侵蝕策略效益，以及哪些策略最容易死在滑點上。
1. 引言：為什麼滑點總被低估
交易者低估滑點，通常有三個原因。
第一，很多回測預設用收盤價、開盤價甚至中間價成交，天然樂觀。 第二，很多人只算手續費，不算滑點，更不算開倉和平倉的雙邊滑點。 第三，很多人預設滑點是固定值，但真實市場的滑點會隨著波動、成交量、下單規模和流動性狀態一起變化。
這也是為什麼很多策略在Excel 或回測框架裡看起來不錯，一上實盤就變形。獲利沒有那麼厚，成本卻比想像中高很多。
2. 研究方法：BTC/ETH 回測設計
這次研究維持了目前專案裡的策略和滑點框架不變，只擴展了時間範圍與結果輸出。
- 資產：`BTCUSDT`、`ETHUSDT`
- 數據：Binance Vision 公開現貨`1m` Kline
- 樣本區間：`2020-01-01` 至`2025-12-31`
- 運行日期：`2026-03-15`
- 說明：在`2026-03-15` 實際檢查時，Binance Vision 公開現貨`1m` 數據對`2026-01` 之後返回`404`，因此本文以最新可獲得日期`2025-12-31` 為樣本終點
- 執行規則：訊號在目前bar 收盤生成，下一根bar 開盤成交
為了讓結果更容易復現，本文所使用的核心執行參數如下：
| 參數 | 設定 |
|---|---|
| 初始本金 | `100,000 USDT` |
| 預設手續費率 | `0.05%` 單邊，約`5 bps` |
| 往返手續費 | 約`10 bps`，未含滑點 |
| 下單模式 | 依帳戶權益比例下單 |
| 預設單次下單規模 | `15%` 帳戶權益 |
| 槓桿 | `1x` |
| 是否允許雙向 | 允許 |
策略分為三類：
- 低頻：`20/50` 均線趨勢跟隨，`1H`
- 中頻：`RSI + MA` 過濾，`15min`
- 高頻近似：短週期均值回歸，`5min`
滑點模型則包括：
- 固定bps：`1 / 3 / 5 / 10 / 20 bps`
- 波動率相關滑點
- 成交量衝擊滑點
- 雙邊不對稱滑點
- 極端行情懲罰項
本文的核心結論主要基於「`extreme_volume_impact` + 手續費」的參考場景，因為它更接近真實交易裡「波動放大+ 雙邊成本」的狀態。
3. 回測結果：先看最重要的幾組
如果只看毛收益，不少策略都還能講故事；但一旦把手續費和滑點加進去，故事很快就結束了。
最典型的例子是`BTC` 高頻均值回歸：
- 不計成本時，淨利為`84,534`
- 只算手續費後，淨利變為`-99,168`
- 再加上滑點後，淨利進一步惡化到`-99,896`
- 該策略共交易`36,008` 筆，手續費`66,456`，滑點成本`46,966`
也就是說，它的問題甚至不是“滑點稍微有點高”，而是策略的單筆優勢根本不夠厚，成本一疊加就被徹底抹平。
另一邊，`ETH` 低頻趨勢策略是本次樣本中少數能在成本後仍保住正收益的組合：
- 不計成本時，淨利`48,948`
- 只算手續費後，淨利`23,664`
- 加上滑點後，淨利仍有`13,463`
這說明滑點不是讓所有策略都變差，而是在篩選哪些策略的優勢夠厚，哪些只是「回測裡看起來賺錢」。
為了更直觀地看清成本侵蝕，先看一張核心結果總表。下表中的「手續費+滑點」採用本文的參考場景`extreme_volume_impact`。
| 資產 | 策略 | 毛收益淨利 | 只算手續費淨利 | 手續費+滑點淨利 | 手續費成本 | 滑點成本 | 交易數 |
|---|---|---|---|---|---|---|---|
| BTC | 低頻趨勢 | 10,557 | -8,617 | -14,898 | 19,009 | 7,118 | 1,268 |
| BTC | 中頻RSI+MA | 169 | 94 | 60 | 75 | 35 | 5 |
| BTC | 高頻均值回歸 | 84,534 | -99,168 | -99,896 | 66,456 | 46,966 | 36,008 |
| ETH | 低頻趨勢 | 48,948 | 23,664 | 13,463 | 22,322 | 10,238 | 1,238 |
| ETH | 中頻RSI+MA | 5 | -175 | -260 | 180 | 84 | 12 |
| ETH | 高頻均值回歸 | -29,338 | -99,665 | -99,934 | 39,020 | 60,551 | 31,421 |
這張圖對比了不同滑點模型下的淨利表現。固定bps 只是成本壓力的起點，當滑點開始和波動、成交量衝擊、極端行情連動時，策略效益會明顯下沉。對高頻策略而言，模型一旦從“固定滑點”升級到“動態滑點”，利潤往往不是變薄，而是直接消失。
從不同滑點模型的收益對比可以看到，固定bps 只是最保守的起點；當滑點開始和波動、成交量衝擊、極端行情連動時，許多原本勉強能活的策略很快就會跌破盈虧平衡線。
4. 滑點對收益的侵蝕
滑點最可怕的地方，不只是“減少一點收益”，而是它經常把策略從盈利區直接打進虧損區。
本次實驗裡，共辨識出`54` 個「毛收益為正，但淨收益為負」的脆弱案例；僅模型對比這一個維度裡，就有`40` 個這樣的組合。
最典型的翻車案例包括：
- `BTC` 低頻趨勢：毛收益`10,557`，只算手續費後就變成`-8,617`，加滑點後變成`-14,898`
- `ETH` 中頻RSI+MA：毛收益僅`4.53`，加手續費後直接轉負，再加滑點後虧損進一步擴大
- `BTC` 高頻均值回歸：紙面賺錢非常明顯，但成本後幾乎歸零
這也是為什麼「回測獲利但實盤虧損」在加密市場如此常見。很多策略的問題不是方向邏輯錯了，而是從一開始就建立在「成交成本幾乎不存在」的假設上。
上圖是`BTC` 高頻平均值迴歸策略的淨值比較。藍線是不計成本時的回測淨值，綠線是加入手續費與滑點後的真實淨值。前者看起來像一條可以不斷複利的曲線，後者則幾乎被持續摩擦到接近清零。
成本結構也說明了問題所在。以參考滑點模型為例：
- `BTC` 高頻策略的滑點成本相當於毛收益的`347%`
- 手續費成本則相當於毛收益的`491%`
- `BTC` 低頻趨勢中，滑點成本約佔毛收益的`63%`
- `ETH` 低頻趨勢中，滑點成本約佔毛收益的`22%`
這意味著低頻策略更多是在“利潤被壓縮”，而高頻策略則是在“利潤被直接吞沒”。
如果再把收益、Sharpe 和回撤放在一起看，成本對策略畫像的改寫會更明顯：
| 資產 | 策略 | 場景 | 淨利潤 | Sharpe | 最大回撤 |
|---|---|---|---|---|---|
| BTC | 低頻趨勢 | 無成本 | 10,557 | 0.23 | -13.99% |
| BTC | 低頻趨勢 | 手續費+滑點 | -14,898 | -0.25 | -24.32% |
| BTC | 高頻均值回歸 | 無成本 | 84,534 | 1.22 | -7.33% |
| BTC | 高頻均值回歸 | 手續費+滑點 | -99,896 | -13.10 | -99.90% |
| ETH | 低頻趨勢 | 無成本 | 48,948 | 0.62 | -22.08% |
| ETH | 低頻趨勢 | 手續費+滑點 | 13,463 | 0.24 | -25.22% |
| ETH | 高頻均值回歸 | 無成本 | -29,338 | -0.47 | -36.72% |
| ETH | 高頻均值回歸 | 手續費+滑點 | -99,934 | -11.35 | -99.93% |
5. 高頻策略為何最容易被滑點殺死
高頻策略最容易被滑點殺死，不是因為它一定方向判斷差，而是因為它的獲利結構太薄。
高頻策略通常有三個共同點：
- 單筆利潤薄
- 交易次數極高
- 對成交價格極度敏感
本次回測中，參考滑點模型下三類策略的平均累積滑點成本分別為：
- 高頻：`53,758`
- 低頻：`8,678`
- 中頻：`59`
也就是說，滑點的主要打擊面高度集中在高換手策略。
從交易頻率維度來看，參考滑點模型下三類策略的平均畫像如下：
| 頻率 | 平均淨利潤 | 平均累計滑點成本 | 平均realized slippage | 平均交易數 |
|---|---|---|---|---|
| 高頻 | -99,915 | 53,758 | 5.65 bps | 33,714 |
| 低頻 | -718 | 8,678 | 2.08 bps | 1,253 |
| 中頻 | -100 | 59 | 2.32 bps | 9 |
這張圖展示了不同頻率策略的「淨利侵蝕量」。高頻策略幾乎是斷崖式地高於中低頻，說明在加密市場裡，滑點的打擊面高度集中在高換手策略。很多高頻系統不是賺不到錢，而是賺得不夠多，抵不過頻繁交易帶來的持續摩擦。
更重要的是，滑點與交易頻率並不是簡單的線性關係，它會在高波動和大訂單下出現「加速侵蝕」。
以參考模型下的高頻策略為例，高波動狀態相對低波動狀態的單筆滑點成本平均值放大倍率為：
- `BTC`：`2.33x`
- `ETH`：`3.99x`
下單規模放大時，這種侵蝕會更明顯：
- `BTC` 高頻策略的平均realized slippage 從`2.24 bps` 上升到`5.70 bps`
- `ETH` 高頻策略則從`3.40 bps` 上升到`16.34 bps`
圖解：這張圖展示了不同下單規模下的累計滑點損耗。曲線並不是一條平滑直線，而更接近凸性抬升。尤其是ETH 高頻策略，隨著部位從5% 提升到35%，滑點惡化得非常快。
這張圖非常重要。它說明了一個許多交易者在回測時忽略的現實：部位不是簡單放大，滑點往往是凸性放大的。策略在小資金下能跑通，不代表放大規模後依然成立。
6. BTC vs ETH 的差異
很多交易者會直覺認為BTC 比較“貴”，所以滑點應該會更高。但從真實回測結果來看，情況更細。
如果看總滑點損失，請參考滑點模型下：
- `BTC` 平均累積滑點成本：`18,039`
- `ETH` 平均累積滑點成本：`23,624`
如果看單位成交的realized slippage bps，ETH 的成本壓力更明顯：
- `BTC` 平均realized slippage：`2.57 bps`
- `ETH` 平均realized slippage：`4.13 bps`
拆到不同策略來看，ETH 在每一類策略裡的滑點bps 都高於BTC：
- 高頻：`BTC 3.53 bps` vs `ETH 7.76 bps`
- 低頻：`BTC 1.87 bps` vs `ETH 2.29 bps`
- 中頻：`BTC 2.31 bps` vs `ETH 2.34 bps`
把BTC 和ETH 放在同一張表裡看，會比較容易理解差異：
| 維度 | BTC | ETH |
|---|---|---|
| 參考場景平均淨利潤 | -38,245 | -28,910 |
| 平均累計滑點成本 | 18,039 | 23,624 |
| 平均realized slippage | 2.57 bps | 4.13 bps |
| 高頻realized slippage | 3.53 bps | 7.76 bps |
| 低頻realized slippage | 1.87 bps | 2.29 bps |
| 中頻realized slippage | 2.31 bps | 2.34 bps |
圖解：這張圖看的是絕對美元口徑下的累積滑點成本。 ETH 在這次樣本中的總滑點損耗高於BTC，說明即便不是所有時段都比BTC 更“難做”，但從長期執行成本角度看，ETH 對流動性摩擦更敏感。
這背後的含義很直接：BTC 在絕對成交額和策略換手上不一定總是更差，但如果從「單位流動性成本」角度看，ETH 更容易受到滑點侵蝕，尤其是在高頻和高波動場景下。
圖解：這張圖提供了一個相對正面的參考。 ETH 低頻趨勢策略在無滑點時表現更強，加入手續費和滑點之後利潤明顯被壓縮，但仍保留正收益。這說明滑點並不是讓所有策略都失效，而是在篩選哪些策略的優勢夠厚，哪些策略只是建立在理想成交假設上。
這也是為什麼`ETH` 低頻趨勢策略雖然仍能獲利，但利潤相較無滑點版本已經明顯被壓縮。它說明ETH 不是不能做，而是更需要為執行成本留足安全墊。
7. 結論：滑點不是小誤差，而是策略生死線
這次回測給出的結論很明確。
第一，滑點並不是回測裡一個可有可無的修飾參數，而是決定策略是否真實可交易的關鍵變數。 第二，很多回測獲利但實盤虧損，並不是因為策略突然失效，而是因為紙面回測預設了過於理想的成交條件。 第三，高頻策略最容易被滑點殺死，因為它本質上是用極高換手換取極薄的單筆優勢。 第四，ETH 的單位滑點壓力整體高於BTC，尤其在高波動和高換手場景下更明顯。 第五，下單規模越大，滑點侵蝕往往越不是線性成長，而更像凸性放大。
對於加密交易者來說，真正該問的問題不是“這個策略回測能賺多少”，而是：
- 在雙邊手續費之後，它還剩多少？
- 在合理滑點之後，它還剩多少？
- 在高波動日和低流動性時段，它還活不活得下去？
- 資金放大之後，它會不會從賺錢變成虧錢？
如果這些問題沒有回答，所謂的高收益回測，大機率只是把最關鍵的成本假設藏了起來。
