之前做加密货币量化回测时，我一直把重点放在策略逻辑上，比如调整指标参数、优化买卖条件、测试不同周期的数据。刚开始回测结果看起来不错，但实际运行模拟交易后，效果却和预期有一些差距。

后来检查整个流程时，我发现一个容易被忽略的问题：回测里的订单成交太理想化了。对于依赖Tick数据的短周期策略来说，交易延迟和撮合延迟会直接影响最终结果。

如果忽略这些时间因素，很多策略在历史数据里表现很好，但换到更接近真实交易的环境中，结果可能会出现较大变化。

Tick数据回测中的延迟问题

使用加密货币api获取Tick数据时，每一条记录通常包含价格、成交量以及时间戳等信息。相比普通K线，Tick数据能够记录更细的市场变化，因此很多短周期策略都会基于这类数据进行测试。

但真实交易并不是产生信号后立即完成成交。

从策略发出交易指令，到订单最终成交，中间会经过多个环节：

这些时间差在长周期策略中影响有限，但对于秒级甚至毫秒级策略来说，几十毫秒的变化可能就会改变成交价格。

我之前测试一个短周期策略时，回测曲线表现比较理想，后来加入延迟模拟后，结果明显降低。检查数据后发现，原来的回测默认订单立即成交，而真实市场并不会一直提供理想成交价格。

交易延迟和撮合延迟的设置方式

交易延迟主要模拟订单从策略系统发送到交易市场所需要的时间。比如策略在10:00:00产生买入信号，如果设置100毫秒交易延迟，那么订单实际进入市场的时间应该接近10:00:00.100。

撮合延迟则代表订单进入市场后，等待成交的时间。

这两个参数虽然都和时间有关，但作用并不一样。在回测系统中分开设置，可以更准确地模拟真实交易过程。

不同策略可以参考下面的范围：

实际使用时，并不存在一个适合所有场景的固定参数。服务器位置、网络环境、交易接口响应速度以及市场流动性都会影响最终结果。

Tick数据处理不能只关注价格

高频回测除了延迟设置，Tick数据本身的处理方式也非常重要。

同一时间范围内可能产生多笔成交，如果只按照价格排序，可能会改变原始成交顺序，导致回测结果偏差。我的处理方式通常是保留原始时间戳，并按照成交时间、价格、成交量等字段进行处理，让数据顺序尽可能接近真实市场。

在实时行情测试中，我使用 AllTick API 的 WebSocket 接口获取Tick数据，再将数据接入自己的回测流程。下面是一个简单的Python订阅示例：

import websocket
import json
from datetime import datetime
def on_message(ws, message):
    data = json.loads(message)
    symbol = data.get("symbol")
    price = data.get("price")
    timestamp = data.get("timestamp")
    if timestamp:
        trade_time = datetime.fromtimestamp(timestamp / 1000)
        print(
            "symbol:",
            symbol,
            "price:",
            price,
            "time:",
            trade_time
        )
def on_open(ws):
    request = {
        "action": "subscribe",
        "symbol": "BTCUSDT",
        "type": "tick"
    }
    ws.send(json.dumps(request))
ws = websocket.WebSocketApp(
    "wss://api.alltick.co/ws",
    on_open=on_open,
    on_message=on_message
)
ws.run_forever()

获取到实时Tick数据后，可以根据自己的回测框架加入不同延迟参数，再观察策略在不同执行环境下的变化。

不要把延迟设置成理想状态

很多人在刚开始做高频回测时，会习惯把延迟设置得非常低，希望看到策略在最佳环境下的表现。但如果实际运行环境无法达到对应速度，这样的测试结果参考价值并不高。比如本地电脑运行策略，却模拟极低延迟服务器环境，最终得到的结果可能只是理论状态。

我的习惯是设置多个延迟区间进行测试，比如几十毫秒、几百毫秒，然后观察策略对于执行速度变化是否敏感。如果一个策略对几十毫秒的变化非常敏感，说明它对于交易执行环境依赖较高，后续需要进一步优化。

我的实际感受

使用加密货币api的Tick数据做高频回测，本质是在尽可能还原真实市场。策略逻辑只是其中一部分，数据时间、订单执行过程以及成交机制同样会影响结果。

很多回测表现不错的策略，实际运行后效果变化较大，并不一定是策略本身的问题，而是测试阶段忽略了交易过程中的细节。

加入交易延迟和撮合延迟之后，回测结果可能没有之前那么理想，但数据会更加接近真实交易环境，也更方便判断策略是否具备实际参考价值。