订单类型与执行

订单是给券商的指令。新手容易被术语淹没——市价、限价、止损、收盘市价——但在系统化交易中，你通常用 `set_target_weights` 表达*意图*，再由基础设施把它翻译成具体订单。

真正重要的四种订单

收盘市价单值得特别关注，因为它最接近实验室的模拟方式。收盘集合竞价通常是美股全天流动性最好的时刻——往往占到全天成交量的约十分之一——所以基于日收盘信号并提交 MOC 订单的策略，恰好是在深度最佳时成交。这是少见的「现实做法同时也是方便做法」的情形。

Quant Buffet 在代码中如何执行

def on_day(engine, dt):
    # 目标 60% SPY、40% TLT —— 引擎自动买卖以达到该权重
    engine.set_target_weights(dt, {"SPY": 0.6, "TLT": 0.4})

• 以日收盘价作为调仓参考价。
• 滑点 2 bps：买入略贵、卖出略便宜。
• 佣金 5 bps，按每笔成交额收取。
• 先卖后买，确保买入时现金充足。
• 权重被下限截断为 0 —— 负权重变成 0（仅做多）。
• 权重之和超过 1.0 时会按比例缩放，因此你无法意外使用杠杆。
• 目标权重未变时整笔调仓被跳过，所以每日调用的策略并不会每日付费。

一次完整的调仓计算

初始 10 万美元现金。SPY 收于 500 美元，TLT 收于 90 美元，目标 60/40。

这次调仓的总摩擦约为 10 万美元上的 62 美元，即约 6.2 bps，一次性成本约 0.06%——可以忽略。但如果你的信号每天都完全翻转呢？

真实示例：换手率如何吃掉一个好信号

算术非常直白：在实验室模型下，每次完整往返约耗 14 bps（卖出与买入各承担 5 bps 佣金 + 2 bps 滑点）。250 次约等于每年 3.5%，且尚未计税。许多已发表的均值回归 edge 毛收益仅值每年 2%–4%——也就是说，仅执行成本就足以吞掉整个信号。每当日频策略表现疲弱，先检查换手率，再怀疑想法本身。

# 降低换手率的廉价做法：只在变化足够大时才调仓
state = {"weights": {}}

def on_day(engine, dt):
    target = compute_weights(dt)   # 你的信号
    current = state["weights"]     # 上一次设定的目标权重

    keys = set(target) | set(current)
    drift = sum(abs(target.get(s, 0.0) - current.get(s, 0.0)) for s in keys)
    if drift < 0.05:               # 总偏移小于 5%
        return                     # 直接跳过本次调仓

    state["weights"] = dict(target)
    engine.set_target_weights(dt, target)

仅做多的权重算术