EARLY EXIT · COST MODELS

早退、手续费与滑点：把成交假设调到接近真实的水平

只按「到期结算」回测，等于假设你永远能持有到最后一天。Optopsy 提供三个早退参数、一整套手续费结构和四种滑点模型，让假设更接近现实——但也更容易配错。

看三个早退参数手续费结构四种滑点模式

符号有约束：stop_loss 必须负数，take_profit 必须正数，max_hold_days 必须正整数。
exit_type 有优先级：同一天多条件触发时，止损 > 止盈 > 最长持有。
滑点默认是 mid：最乐观的一种；做敏感性分析时至少要跑一次 spread。
fill_ratio 方向反直觉：0.0 偏向不利一端，1.0 偏向有利一端且官方明确说不现实。

买卖价两端bid 与 ask 构成价格区间

mid / spread中点成交 vs 不利一侧成交（更保守）

liquidity按成交量动态决定落在区间内的位置

per_leg腿数越多，越向不利一侧偏移

依据官方参数文档的滑点表与 optopsy/pricing.py 绘制；非官方图，不代表真实成交结果。

EARLY EXIT RULES

Optopsy 早退参数说明：符号约束、触发条件与优先级

Optopsy 的早退逻辑实现方式是：在入场到计划出场之间扫描中间报价日，找到最先满足条件的日期就提前平仓。

参数	类型 / 约束	触发条件	对结果的影响	适用场景	注意点
`stop_loss`	float 或 None；必须为负数	未实现盈亏小于等于该阈值时提前平仓	截断单笔亏损幅度，通常会降低尾部亏损也削掉部分反弹	给卖方策略加保护	写成 `-0.50` 表示亏损 50% 时平仓；写成正数会被校验拒绝
`take_profit`	float 或 None；必须为正数	未实现盈亏大于等于该阈值时提前平仓	锁定利润，同时可能错过后续更大涨幅	卖方策略的常见做法（如赚到 50% 就平）	写成 `0.50`；写 50 会被拒绝
`max_hold_days`	int 或 None；必须为正整数	持有自然日数达到阈值时平仓，不看盈亏	控制资金占用周期，让交易笔数更均匀	想让持仓周期可控、避免长期占用	用自然日而不是交易日计数
三者的关系	可单独或同时启用	按优先级取先触发的那个	同时启用时结果由最先触发的那一个决定	组合出更细的持仓管理规则	优先级固定为 stop_loss > take_profit > max_hold

依据官方 parameters 文档的早退参数说明与 optopsy/exits.py 的阈值判断实现整理。

exit_type 的四个取值（raw=True 时出现在输出列里）：stop_loss 触发止损；take_profit 触发止盈；max_hold 达到最长持有；expiration 表示没有触发早退、按计划出场。用 trades['exit_type'].value_counts() 一眼就能看出你的规则实际是哪一条在起作用。

CONFIGURE

Optopsy 怎么配早退规则并验证：三步方法

写法取自官方 examples 文档的 Early Exit Examples 一节；本站未在 Python 3.12+ 环境实跑。

从单一规则开始

import optopsy as op

trades = op.short_puts(
    data,
    max_entry_dte=45,
    exit_dte=0,
    take_profit=0.50,
    raw=True,
)

先只加一个止盈规则。要判断某条规则是否真的生效，raw=True 是必需的——分组统计里看不到 exit_type。

预期输出：逐笔明细里出现 exit_type 列

看每种出场原因的占比

print(trades["exit_type"].value_counts())

如果全是 expiration，说明你的阈值一次都没触发——可能是阈值太远，或数据里中间报价太少。这是判断「规则有没有起作用」的最快方式。

预期输出：四类取值各自的数量分布

对比不同出场原因下的收益分布

print(trades.groupby("exit_type")["pct_change"].describe())

这一步能看出止盈是不是真的锁住了收益、止损是不是真的截断了尾部。注意样本量：某一类的笔数太少时，它的均值不稳定。

预期输出：按出场原因分组的收益率统计

同时启用两条规则时确认优先级

trades = op.short_puts(
    data,
    max_entry_dte=45,
    stop_loss=-1.0,
    take_profit=0.50,
    max_hold_days=21,
    raw=True,
)
print(trades["exit_type"].value_counts())

官方明确：同一天多个条件同时满足时，优先级固定为止损 > 止盈 > 最长持有。启用多条规则后，exit_type 的分布会告诉你实际是哪条在主导。

预期输出：max_hold 与 expiration 的比例通常反映你的持仓周期设置

多腿策略的额外要求

四腿这类多腿策略做早退时，要求所有腿在同一个中间日期都有报价，先算出合计的未实现盈亏再判断阈值。如果某条腿当天没有报价，那天就不能作为早退候选日——这会让多腿策略的早退触发比单腿更少。

日历 / 对角的默认不同

普通策略的 exit_dte 默认是 0（持有到期），而日历与对角默认是 7。这两类策略的 DTE 参数结构也不同（用 front_dte_* / back_dte_*），换策略时要重新确认。

COMMISSION

Optopsy 手续费设置：四种字段与 float 简写的关系

手续费在开仓与平仓两侧都会计算。库支持两种写法：一个浮点数，或者一个完整的费用结构对象。

字段 / 写法	类型	默认	含义	适用场景	注意点
`commission=0.65`	float	—	简写：等价于 `per_contract=0.65`	只按张数收佣金的券商	最常用；但无法表达固定费用
`per_contract`	float	0.0	每张期权合约的费用	主流券商的美式期权计费方式	四腿策略一张组合里有四张合约，费用会累加
`per_share`	float	0.0	每股费用	Covered / 领口类含股票腿的策略	股票腿按股计费，与期权腿不同
`base_fee`	float	0.0	每笔交易的固定费用	有固定平台费的券商	开仓与平仓各收一次
`min_fee`	float	0.0	每笔交易的最低费用	有最低收费门槛的券商	当按比例算出的费用低于它时，按它收
不设置	None	默认不收费	回测结果不含任何交易成本	只做策略结构对比时	这是最容易高估收益的默认值，做结论前务必至少加一次手续费

依据官方 parameters 文档的 Commission 一节与 optopsy/pricing.py 的佣金计算函数整理。

为什么这件事重要：手续费与滑点是期权回测里最容易让结果变好看的两处「静默假设」。默认既不收佣金、又用中间价成交，等于假设你在一个无摩擦市场里交易。本站不提供任何收益结论，但要提醒：任何未设置成本的对比，都只能说明策略结构差异，不能说明能否盈利。

SLIPPAGE MODELS

Optopsy 滑点模式说明：四种模式的方向、公式与默认值

滑点决定「用买卖价之间的哪个价格成交」。默认的 mid 是最乐观的一种。

模式	买入成交价	卖出成交价	趋势方向	额外参数	适用场景	注意点
`mid`（默认）	买卖价中点	买卖价中点	最乐观	无	先跑通流程、做结构对比	假设你能精确在中间价成交，现实中不一定
`spread`	买入侧不利一端（ask）	卖出侧不利一端（bid）	更保守	无	做保守情形的敏感性分析	作为保守上界很有用，但可能过于悲观
`liquidity`	按成交量动态决定	按成交量动态决定	介于中间与保守之间	`fill_ratio`、`reference_volume`	想把流动性差异纳入考虑	需要数据里有 `volume` 或 `open_interest` 列，否则不可用
`per_leg`	随腿数增加向不利方向偏移	随腿数增加向不利方向偏移	腿越多越保守	`fill_ratio`、`per_leg_slippage`	多腿策略、不想依赖成交量数据时	不需要 `volume` 列；所有腿使用同一个有效比率

依据官方 parameters 文档的滑点表与 optopsy/pricing.py 的成交价计算函数整理。

fill_ratio 的方向反直觉（官方表格里只带过一句）：0.0 表示不利一端——买入按卖价、卖出按买价；0.5 是默认的中点；1.0 表示有利一端——买入按买价、卖出按卖价，官方明确标注这一档不现实。所以调这个参数时，想更保守应该调小，不是调大。

`fill_ratio`（配合 `per_leg`）	1 腿时有效比率	2 腿	3 腿	4 腿	换算成「保留多少价差优势」
0.25	0.250	0.323	0.396	0.469	1 腿约 75%，2 腿约 68%，3 腿约 60%，4 腿约 53%
0.50（默认起点）	0.500	0.573	0.646	0.719	腿数越多越向不利一端靠
0.80	0.800	0.873	0.946	1.000（封顶）	四腿时已达到最保守档

公式与数字出自官方 parameters 文档：effective_ratio = min(fill_ratio + per_leg_slippage × (num_legs − 1), 1.0)，默认 per_leg_slippage=0.073；官方给出的示例是 fill_ratio=0.25 那一行。

另外两个默认值：reference_volume=1000（liquidity 模式下判断「什么算流动性好」的成交量阈值，官方按标的分档建议 500–1000 / 1000–2000 / 5000+），以及 per_leg_slippage=0.073（per_leg 模式下每多一条腿增加的偏移量）。

DEFAULTS AND TROUBLESHOOTING

Optopsy 默认值总表与成本类六种常见问题

先记住默认值，才知道你「什么都没设」的时候实际在假设什么。

参数	默认值	默认值的含义	想更保守该往哪调
`max_entry_dte`	`90`	入场剩余到期日不超过 90 天	调小以获得更短周期的样本
`exit_dte`	`0`（日历/对角逐默认 `7`）	持有到期	调大以提前出场
`min_bid_ask`	`0.05`	只要买卖价差不低于 5 美分就保留	调大以只保留流动性更好的合约
`dte_interval`	`7`	按 7 天为一档分组	改成 14 或 30 得到更粗的分组
`delta_interval`	`0.05`	按 0.05 的 Delta 宽度分组	调大以合并分组、提升每组的样本量
`slippage`	`'mid'`	按中间价成交（最乐观）	改成 `'spread'` 得到保守上界
`fill_ratio`	`0.5`	中间位置	调小（方向反直觉）
`reference_volume`	`1000`	1000 张视为流动性分界	按标的调大（如 SPX 用 5000）
`commission`	`None`	不收任何费用	至少设成你的券商真实费率
`raw`	`False`	返回分组统计而非逐笔明细	想看 `exit_type` 时必须设为 `True`
`drop_nan`	`True`	丢弃结果里的缺失行	一般保持默认

全部默认值出自官方 parameters 文档的 Default Values Reference 两段代码块。

现象	原因	怎么确认	处置
报参数类型错误（如 `stop_loss`）	符号或类型不符合约束：止盈必须正、止损必须负、持有天数必须正整数	读报错里的字段名与约束说明	按符号要求改写，不要用 `abs()` 绕过
设了 `liquidity` 但报缺列	数据里没有 `volume` 也没有 `open_interest`	检查数据列名	补列，或改用 `per_leg`（它不依赖成交量）
滑点调大后结果反而变好	`fill_ratio` 方向理解反了	对照本页的 `fill_ratio` 说明	想保守就调小 fill_ratio
加了手续费后交易笔数变了	手续费影响的是 P&L 与权益，正常情况下不应改变选股	对比加费用前后的 `trade_log` 笔数	若笔数变化，说明模拟层因资金不足截断了后续交易（ruin 截断），需要检查 `capital` 设置
早退一次都没触发	阈值太远，或中间报价日不足，或多腿策略存在腿缺报价的日期	`exit_type` 的取值分布	放宽阈值；多腿策略先确认每条腿的数据覆盖
多腿策略早退很少	要求所有腿在同一日期都有报价	单独检查每条腿的报价日期覆盖	放宽 `min_bid_ask` 或换流动性更好的标的

依据官方参数文档的约束说明与本项目对 exits.py / pricing.py 的核验整理。

看完整报错排查回到模拟与绩效

FAQ

Optopsy 早退与成本常见问题

stop_loss 为什么要写负数？

因为它的语义是「未实现盈亏跌到或低于这个值」。官方参数文档明确要求它是负数（如 -0.50 表示亏损 50%），写正数会被 Pydantic 校验直接拒绝。同理 take_profit 必须正数，max_hold_days 必须是正整数。

同一天同时触发止损和止盈会怎样？

不可能同时发生（一个是亏损、一个是盈利），但同日可能同时满足止盈与最长持有。官方规定优先级为止损 > 止盈 > 最长持有，取优先级最高的那个，并写入 exit_type 列。

默认不设手续费会有什么影响？

回测结果完全不含交易成本，这会系统性高估收益，尤其是高频、多腿的策略（四腿策略一次要付四张合约的费用，开平仓两侧都要付）。做任何结论前至少要把你的券商真实费率填进 commission。

mid、spread、liquidity、per_leg 该选哪个？

mid 是默认值也是最乐观的，适合先跑通流程；spread 是最保守的，适合做敏感性上界；liquidity 想按成交量模拟但需要数据里有 volume 或 open_interest；per_leg 适合多腿策略且不需要成交量数据。实务上建议至少同时跑 mid 与 spread 看区间。

fill_ratio 越大越好还是越小越好？

方向是反的：0.0 表示不利一端成交（买在卖价、卖在买价），1.0 表示有利一端成交且官方明确标注不现实。所以想让假设更保守，应该调小这个值，而不是调大。

per_leg 的有效比率是怎么算的？

公式是 effective_ratio = min(fill_ratio + per_leg_slippage × (num_legs − 1), 1.0)，默认 per_leg_slippage=0.073，并且所有腿使用同一个有效比率（官方称为包价定价）。官方给出的示例是 fill_ratio=0.25 时，1 腿 0.250、2 腿 0.323、3 腿 0.396、4 腿 0.469。

加了这些参数之后回测结果算不算靠谱？

更接近现实，但仍然是一组简化假设。官方免责声明明确说明回测未考虑全部现实因素（流动性约束、执行滑点、指派风险、市场变化等），历史结果不代表未来。本站不提供任何收益判断或投资建议。