作 者：老余捞鱼
原创不易，转载请标明出处及原作者。
文中示例仅用于技术讨论，不构成任何操作建议。
量化策略开发应以学习和技术交流为目的。
本号不荐股、不卖课、不承诺收益。
市场有风险，请合法合规投资。
本文约 3400 字 | 预计阅读 5-8 分钟
· · ·
你有没有想过，真正给你赚钱的，其实是你睡觉的那段时间？这个事听起来反常识，但数据不会骗人。
我把标普500 ETF，也就是 SPY 的每日收益，拆成了两段来看。
第一段叫隔夜。就是你今天收盘的时候在竞价阶段建仓，然后一直拿到第二天开盘竞价平仓。中间隔着交易所关门的十七个半小时，你没看盘，没操作，账户就放在那里。
第二段叫日内。就是你开盘的时候建仓，收盘的时候平仓。这段时间交易所是开门营业的，有成交量、有新闻、有价格发现，股票市场的整套机器都在跑。
从 1993 年 1 月到 2026 年 8 月，整整 8,437 个交易日，33 年。
我直接说结果，你可能会愣了一下。
日内这段，夏普比率只有 0.128，年化收益 0.79%，算下来一天平均 79 个基点。33 年下来，几乎等于零。
隔夜这段呢？年化 10.05%，夏普 0.957。而你们最熟悉的建仓持有策略，年化 10.91%，夏普 0.784。
也就是说，这 33 年里，SPY 涨出来的那些钱，几乎全是在夜里到账的。你白天盯的那六个半小时，基本上是在陪跑。
这个发现本身不新鲜，在学术文献里躺了二十多年，而且一直在起作用。真正有意思的是，你想拿它做点什么的时候，会发生什么。这个问题的答案，是一个精确到小数点的数字，我放在后面说。
一个很容易踩的坑
在回测之前，有个细节必须先说清楚。搞错了这个，你可能连方向都能看反。
除息日，股票分红的时候，开盘价会自动往下掉一个股息的量。如果你直接用原始价格算隔夜收益，除息日那天，你就把整份股息从隔夜窗口里扣掉了，但没有任何地方把它补回来。结果就是隔夜序列被系统性地低估了，日内序列把差额吃进去。
对 SPY 来说，这个误差每年大约 1.96 个百分点。用错误算法算出来是 8.09%，真实数字是 10.05%。差将近两个点，但结论方向没变。
但对另一只 ETF，也就是 TLT，就是那个长期国债 ETF，用错误算法算出来的隔夜收益是每年负 3.00%。修正之后，是正 0.40%。
符号直接反了。
你要是拿原始价格去算债券基金的隔夜溢价，你会自信满满地写一篇报告说”久期资产的隔夜收益是负的”，然后绞尽脑汁去解释一个根本不存在的东西。
正确做法是用当天的复权因子把开盘价调整到同一基准，然后做个简单的验证，用这个断言检查。
import numpy as np
import pandas as pd
# ========== 假设 df 已存在，包含 'Open', 'Close', 'Adj Close' 列 ==========
# 计算复权因子（当日调整比例）
f = df["Adj Close"] / df["Close"] # 当天的总收益因子
# 调整后的价格（复权口径）
aO = df["Open"] * f # 调整后开盘价
aC = df["Adj Close"] # 调整后收盘价（已复权）
# 三种收益率
on = aO / aC.shift(1) - 1 # 隔夜收益率（前收 → 今开）
it = aC / aO - 1 # 日内收益率（今开 → 今收）
tot = aC / aC.shift(1) - 1 # 全日总收益率（前收 → 今收）
# 验证收益率分解恒等式： (1+on)*(1+it) == 1+tot
assert np.abs((1 + on) * (1 + it) - (1 + tot)).max() < 1e-10, "收益率分解不成立"最后那行断言很重要。两个收益拆出来，要么能完美合并回去，要么就说明算错了，中间没有第三种可能。每次做这种拆解，我都会加上这个检查，不然报出来的数字我自己不踏实。
真实的回测是什么样
很多量化爱好者拿到隔夜收益序列，第一反应是直接复利成一条曲线，然后说，回测结果很好。但这一步省略了一个最要命的东西，8,437 次往返交易，每一笔都要付价差。
真正的回测，必须让交易成本老老实实出现。
我的做法是把每根日线拆成两根，一根在九点半用复权开盘价，一根在下午四点用复权收盘价。然后在每个四点那根进，每个九点半那根出。这样 vectorbt 会生成 8,437 条真实的成交记录，每一笔都扣手续费。
import pandas as pd
import numpy as np
import vectorbt as vbt
# ========== 假设 raw 是字典，键为标的代码，值为原始 OHLC DataFrame ==========
def interleave(t):
"""
将指定标的的调整后开盘价和收盘价交错排列为时间序列，
开盘价标记在当日 9:30，收盘价标记在当日 16:00。
"""
df = raw[t][["Open", "Close", "Adj Close"]].dropna()
f = df["Adj Close"] / df["Close"]
# 调整后开盘价，时间戳设为 9:30
o = pd.Series(
(df["Open"] * f).values,
index=df.index + pd.Timedelta(hours=9, minutes=30)
)
# 调整后收盘价，时间戳设为 16:00
cl = pd.Series(
df["Adj Close"].values,
index=df.index + pd.Timedelta(hours=16)
)
return pd.concat([o, cl]).sort_index()
# 示例：使用 SPY 数据
px = interleave("SPY")
# 生成交易信号（收盘竞价进场，开盘竞价出场）
is_close = px.index.hour == 16
entries = pd.Series(is_close, index=px.index) # 收盘进场
exits = pd.Series(~is_close, index=px.index) # 开盘出场
entries.iloc[-1] = False # 最后一天不留悬空单
# 使用 vectorbt 构建并评估投资组合
pf = vbt.Portfolio.from_signals(
close=px,
entries=entries,
exits=exits,
init_cash=100_000,
fees=0.00005, # 万0.5手续费
freq="12H" # 12小时频率，用于绩效计算
)
# 查看绩效统计（可选）
print(pf.stats())这个策略零参数，没有回看窗口，没有阈值，没有任何东西需要调优，所以也不存在过拟合。关于它的所有问题，最后都归结到一个变量，就是成本。
每边半个基点，结果惊掉下巴
从 10 万美元起步，策略最终账户里有 106 万。听起来不错对吧？但你猜它光手续费就付了多少？接近 38 万。
这是在每边只收半个基点的前提下算的。半个基点是什么概念？就是 0.005% 手续费就能吃掉你一笔交易的一边。如果你不是机构，竞价执行基本拿不到这个价格。
这个数字说明了一件事，就是一个夏普更高、回撤更小的策略，账户里最后只剩下三分之一。而那个什么都不做的建仓持有策略，最后账户里有 320 万。差距就是这么大。
你可能会想，那这套策略的核心优势到底在哪？答案可能跟你想的不一样。
平均每笔赚钱的夜，赚 0.408%。平均每笔亏钱的夜，亏 0.433%。亏的比赚的大。
这套策略能赢，靠的是亏的次数少、赚的次数多。胜率 55.1%，盈亏比 1.12，一年下来总共 252 个夜晚，慢慢积累出这个优势。
所以它不是那种能抓住大行情的策略，它是薄利多销型的，高频收割，每个夜晚只赚一点点。
另外，它也绝对不是什么低风险策略。最差的一个夜晚亏了 10.46%，2020 年 3 月有一段近乎垂直的 30% 下杀，2002 年到 2003 年有一段 36% 的回撤。
你持有隔夜，就是在持有跳空风险。跳空风险，就是这个策略被付钱的原因。
决定一切的，是一个数字
因为这个策略每天固定交易一次，盈亏平衡的成本可以直接算出来，就是隔夜平均收益，换算成基点。
4.02 个基点，往返。
注意，这个成本没有任何办法摊薄。你没法通过减少交易次数来降低成本，因为每天交易一次就是这个策略的定义，不是你选的参数。
把这个成本变一变，结果是这样的。
零成本的时候，夏普 1.15，建仓持有是 0.78，而且策略的回撤比建仓持有少 35%。一个基点往返的时候，策略还是赢。两个基点，就不赢了。四个基点，直接归零。
这就是”成本受限”的策略。你看到的优势能不能装进你口袋，取决于你的执行成本能不能控制在 4.02 个基点以内。这不是调参数能解决的问题，是你找哪家券商、用什么方式下单决定的。
它还没有消失
对任何一个二十年前就存在的异象，大家第一个问题往往是，这个东西还存在，早就被套利没了吧？
我把 SPY 的隔夜收益按五年一档拆开看了一下。六个档，每一档都是正的。最差的是 2000 年到 2004 年，那是科技泡沫破裂那段时间。最近三档全部处于或高于全样本均值。
这个效应在最近这些年反而更稳定了，不是更弱了。
这个持续性本身就是一个信号。错误定价一旦被发现，大家都会来套利，套着套着就没了。但风险补偿不一样，总得有人承担那个风险。这笔交易不会消解它自己的成因，因为风险本身是真实存在的。
我还试了另一个优化方向，失败了
我试了另外一个思路是这样的。风险转移的逻辑认为，交易商在下跌交易日结束后，手里会积累更多卖不掉的仓位，所以跌日之后的隔夜溢价应该更高。同时，如果只在跌日之后做，交易的频率能砍一半，这对成本敏感的策略来说很有吸引力。
结果呢？跌日之后隔夜收益 4.405 个基点，涨日之后是 3.689 个基点，差 0.716 个基点，t 统计量只有 0.49。
统计学上，这等于没有。
更宽范围的 ETF 测试里，连方向都不一致。
我还是把这个结果报出来，因为这种事被悄悄丢掉是最亏的。下一个想做这个方向的人，应该直接搜到这个结果，而不是用稍微不同的阈值再试一遍然后失望。
观点总结
我不会直接拿本文描述的内容当策略用。在散户的竞价执行成本下，这个发现只能算一项研究，不是可以直接上线的策略。
但它能改变你已经在跑的东西的执行方式。
如果你手里有类似 SPY 的仓位，而且是你自己在决定什么时候再平衡，这个拆解告诉你一件事，日内那六个半小时是风险所在，收益几乎不在那里。
所以，把再平衡的时间挪到收盘，而不是开盘。这是免费的，不多占用任何换手，因为反正你本来就要动。
这才是这个发现真正有价值的用法，而且任何人都能用，不挑资金量。
顺便说，这个结论也重新定义了一下什么叫长期持有多头仓位。你并不是因为”拥有市场”而被付钱，你是因为”没法在下午四点到次日九点半之间卖掉它”而被付钱。剩下的一切，都是带着 15.2% 标准差的噪声。
#隔夜效应 #日内效应 #标普500 #SPY #量化回测 #风险溢价 #跳空风险 #总收益 #交易成本 #除息日 #数据陷阱 #vectorbt
Be First to Comment