資金費率扼殺你的槓桿：為什麼 PnL×50x 是虛構的

假設你優化了一個策略。回測顯示 PnL +55%，MaxDD -0.9%。你計算 MaxLev：$\lfloor 50 / 0.9 \rfloor = 55\times$。相乘：$55\% \times 55 = +3025\%$。兩年三千個百分點。你已經在腦海中挑選蘭博基尼了。

三個月後在實盤中，你的資金低於起始值。策略完全按照回測執行——相同的入場、相同的出場、相同的回撤。但你每天都在虧錢。持續不斷。

原因：資金費率。你的回測沒有考慮到的隱形費用——或者計算方式不正確。

資金費率如何運作

在加密貨幣交易所，永續合約（perpetual swaps）沒有到期日。為了使期貨價格錨定於現貨價格，交易所使用資金費率機制——多頭和空頭之間的定期支付。

Binance/Bybit 的機制：

• 資金費率每 8 小時支付一次（00:00、08:00、16:00 UTC）
• 資金費率由期貨價格與現貨價格之間的差異決定
• 如果資金費率為正——多頭向空頭支付
• 如果為負——空頭向多頭支付
• 典型費率：每 8 小時 $\pm 0.01\%$（極端情況下可達 $\pm 0.5\%$）

單次支付公式：

$\text{Funding cost} = \text{Position size} \times \text{Funding rate}$

在槓桿 $L$ 和資本 $C$ 的情況下：

$\text{Funding cost} = C \times L \times \text{Rate}$

為什麼回測在槓桿問題上說謊

標準的 MaxLev（最大槓桿）指標是槓桿的理論上限，在此槓桿下回撤不超過目標水平：

$\text{MaxLev} = \left\lfloor \frac{\text{Target DD}}{\text{MaxDD}} \right\rfloor$

該公式沒有考慮依賴於槓桿的成本。在 1 倍槓桿下，資金費率是微不足道的費用。在 58 倍——這是一場災難。

線性成本 vs 二次成本

交易手續費（maker/taker fees）是線性的——它們與交易量成正比，不依賴於槓桿。資金費率相對於倉位大小也是線性的，但按單位資本重新計算時，它們與槓桿成正比增長：

$\text{Funding cost per capital} = L \times \text{Rate} \times \text{Frequency}$

在持倉期 $H$ 天和每天 3 次支付的情況下：

$\text{Total funding} = L \times \text{Rate} \times 3 \times H$

重新計算：考慮資金費率的策略示例

作為示例，考慮三個具有不同風險特徵的假設策略。參數：永續合約，25 個月測試期，典型資金費率為每 8 小時 0.01%。

原始結果（不考慮資金費率）

計算資金費率成本

def funding_cost(
    leverage: float,
    trading_time_pct: float,
    test_days: int = 750,  # 25 个月
    funding_rate: float = 0.0001,  # 每 8 小时 0.01%
    payments_per_day: int = 3,
) -> float:
    """
    计算累计资金费率成本占资本的百分比。

    Returns:
        资金费率成本占初始资本的百分比
    """
    active_days = test_days * trading_time_pct
    daily_cost = funding_rate * payments_per_day * leverage
    total_cost = daily_cost * active_days
    return total_cost * 100  # 百分比

計算：

a_funding = funding_cost(55, 0.15, 750)

b_funding = funding_cost(66, 0.05, 750)

c_funding = funding_cost(3, 0.45, 750)

考慮資金費率後的結果

乍一看似乎可以接受：資金費率吞噬了最終 PnL@ML 的 3-6%。但這是平均資金費率。讓我們看看在費率升高時會發生什麼。

資金費率不是常數

典型的 0.01% 資金費率是中位數。實際上費率會波動：

在 55 倍槓桿和牛市（0.03%）下：一天的多頭持倉僅資金費率就消耗資本的 4.95%。

每活躍日 PnL vs 每日資金費率

這是關鍵計算——策略日收益與日成本的對比：

a_pnl_per_day = 55 * 55 / 112.5  # PnL@ML / 活跃天数 = 26.9%/天



b_pnl_per_day = 25 * 66 / 37.5  # = 44.0%/天

從這些數字看，資金費率似乎不是關鍵。但這些是平均值。問題在別處。

真正的問題：回撤期間的資金費率

資金費率在倉位持有期間持續累積——包括回撤期。例如：0.9% 的最大回撤（策略 A）在 55 倍槓桿下變為：

$\text{Effective DD} = 0.9\% \times 55 = 49.5\%$

這已經處於清算的邊緣。現在加上資金費率：

$\text{DD with funding} = 49.3\% + \text{accumulated funding during DD period}$

如果回撤持續 3 天，資金費率為 0.01%：

$\text{Funding over 3 days} = 0.0001 \times 3 \times 55 \times 3 = 4.95\%$

總計：$49.5\% + 4.95\% = 54.45\%$——在標準 50% 維持保證金下已經爆倉。

考慮資金費率的安全槓桿公式

$L_{safe} = \frac{\text{Target DD} - \text{Funding buffer}}{|\text{MaxDD}|}$

其中 Funding buffer 是典型回撤持續期間的預期資金費率：

$\text{Funding buffer} = \text{Rate} \times 3 \times L \times \text{DD duration (days)}$

這是一個遞迴方程（funding buffer 依賴於 $L$）。解為：

$L_{safe} = \frac{\text{Target DD}}{|\text{MaxDD}| + \text{Rate} \times 3 \times \text{DD duration}}$

def safe_leverage(
    max_dd_pct: float,
    target_dd_pct: float = 50.0,
    funding_rate: float = 0.0001,
    dd_duration_days: float = 3.0,
) -> float:
    """
    考虑回撤期间资金费率成本的安全杠杆。
    """
    denominator = max_dd_pct / 100 + funding_rate * 3 * dd_duration_days
    return target_dd_pct / 100 / denominator

a_safe = safe_leverage(0.9, 50.0, 0.0001, 3.0)

a_safe_high = safe_leverage(0.9, 50.0, 0.0003, 3.0)

**結論：**在典型資金費率下，策略 A 的安全槓桿是 50 倍，而非 55 倍。在資金費率升高時——42 倍。PnL@ML 的差異：

• 天真計算：$55\% \times 55 = +3025\%$
• 含資金費率（0.01%）：$55\% \times 50 - 165\% = +2585\%$
• 含資金費率（0.03%）：$55\% \times 42 - 400\% = +1910\%$

將資金費率實際整合到回測中

在回測中計入資金費率不是可選項——而是必須的。以下是最小化實現：

import pandas as pd
import numpy as np

def load_funding_rates(symbol: str) -> pd.DataFrame:
    """从数据仓库加载历史资金费率。"""
    path = f"warehouse/data/{symbol}/funding/"
    return df  # 列：[timestamp, rate]

def apply_funding_to_trades(trades, funding_rates, leverage: int = 1):
    """
    从每笔交易的 PnL 中扣除真实的资金费率成本。
    """
    for trade in trades:
        mask = (
            (funding_rates.index >= trade.entry_time) &
            (funding_rates.index <= trade.exit_time)
        )
        payments = funding_rates.loc[mask, 'rate']

        direction = 1 if trade.side == 'long' else -1
        total_funding = payments.sum() * direction * leverage

        trade.pnl_pct -= total_funding * 100

    return trades

在一個完善的回測引擎中，資金費率會自動載入並應用到每筆交易中。這提供了真實的畫面——通常比人們期望的更不樂觀。

現實的槓桿範圍

以下示例展示了資金費率在不同 MaxDD 水平下如何影響安全槓桿：

**關鍵發現：**對於低迴撤策略（策略 A、B），資金費率顯著降低有效槓桿。對於高回撤策略（策略 C），資金費率的影響最小——因為槓桿本來就限制在 3 倍。

最小化資金費率影響的策略

1. 對沖中性倉位

資金費率由期貨價格與現貨價格之間的差異決定。如果你的策略允許通過現貨進行對沖——資金費率就被中和了：

• 多頭期貨 + 空頭現貨 = 0 資金費率淨敞口
• 但是：在加密貨幣中做空現貨受限（需要保證金賬戶或借貸）

2. 轉移到資金費率較低的交易所

不同交易所對同一資產有不同的資金費率。監控資金費率套利本身就是一個獨立策略，在文章跨交易所資金費率套利中有詳細描述。

3. 入場時機選擇

資金費率在固定時間支付（00:00、08:00、16:00 UTC）。如果交易在支付前一分鐘平倉——資金費率不會被扣除。這是微觀最佳化，但在 58 倍槓桿下，一次跳過支付節省 0.58% 是可觀的。

4. 動態槓桿

不使用固定槓桿，而是使用自適應槓桿：

$L_{dynamic} = L_{base} \times \frac{\text{Rate}_{median}}{\max(\text{Rate}_{current}, \text{Rate}_{median})}$

當資金費率升高時，槓桿自動降低，限制成本。

將資金費率整合到流水線中的建議

資金費率必須成為回測流水線的必要組成部分：

• 為每個交易對載入歷史資金費率
• 根據持倉期間的實際資金費率調整每筆交易
• 使用含 funding buffer 的公式計算 MaxLev
• 在報告中同時顯示兩個數字：不含資金費率的 PnL@ML 和含資金費率的 PnL@ML

**實用法則：**如果策略在 0.03% 資金費率下不再盈利（這在牛市中佔 20-30% 的時間）——它還沒有準備好在高槓杆下投入實盤。將槓桿降低到即使在最壞資金費率場景下策略仍然盈利的水平。

結論

資金費率是槓桿稅。就像真正的稅一樣，小額時不易察覺，大額時具有毀滅性。

三條規則：

1. **始終在計算 PnL@ML 時考慮資金費率。**不含資金費率的公式是營銷，不是交易。載入歷史資金費率，從每筆交易中扣除真實成本。

2. 使用安全槓桿公式：

$L_{safe} = \frac{\text{Target DD}}{|\text{MaxDD}| + \text{Rate} \times 3 \times \text{DD duration}}$

3. **在 3 倍資金費率下測試。**如果策略在 0.03% 資金費率下仍然盈利（而不僅僅是 0.01%）——它是穩健的。如果不是——降低槓桿。

50-60 倍槓桿下漂亮的 PnL 數字是一種令人愉快的幻覺。資金費率是冰冷的現實。兩者之間的差距，就是回測和真實交易賬戶之間的距離。

關於高槓杆下回撤數學和波動率拖累的更多內容——請參閱我們的文章虧損與利潤的不對稱性。關於如何獲得經資金費率調整後結果的置信區間——回測的蒙特卡洛自助法。

有用連結

1. Binance — Funding Rate History
2. Binance — Introduction to Funding Rates
3. Bybit — Understanding Funding Rates
4. Deribit Insights — The Hidden Cost of Perpetual Swaps
5. Lopez de Prado — Advances in Financial Machine Learning, Chapter 14: Backtest Statistics
6. Kevin Davey — Building Winning Algorithmic Trading Systems: Transaction Costs

引用

@article{soloviov2026fundingratesleverage,
  author = {Soloviov, Eugen},
  title = {Funding Rates Kill Your Leverage: Why PnL×50x Is a Fiction},
  year = {2026},
  url = {https://marketmaker.cc/ru/blog/post/funding-rates-kill-leverage},
  version = {0.1.0},
  description = {Binance/Bybit 上的资金费率如何将高杠杆下漂亮的回测结果变成确定的亏损。公式、真实策略的重新计算，以及资金费率不吞噬利润的最大杠杆倍数。}
}