隐性成本与市场冲击模型 — 交易成本与市场冲击

上海陆家嘴一家头部量化私募的执行部门，资深交易员主持晨会。策略：中证500 + 中证1000 小盘股统计套利，纸面 Sharpe 2.2，毛 AUM RMB 20 亿，年化换手 1000%。L1 显性成本建模规范：ETF 端 ~8 bp round-trip，单只小盘股端 ~12 bp。投资经理推动上线。交易员调出昨日 TCA 报告。中证1000 单只股票 fills 的实施差额 (IS) 平均值：47 bp。交易员立即把上线暂停，问一个问题：「你用的冲击模型是什么？平方根还是线性？Y 取多少？前置 Q/V 估算用什么模型？」投资经理答不上来——回测用的是「不论订单大小，平均 5 bp」这种平铺式滑点假设。假设滑点 5 bp 与实际 IS 47 bp 之间的 42 bp 差距——这就是 L1 条目漏掉的隐性成本。本课教成本建模的概念核心：实施差额作为综合结果指标、临时-加-永久冲击拆解、平方根 (经验) 和线性 (分析) 两种函数形式构成的实务工具包。

经验对照

L1 的条目成本与订单规模相对 ADV 的比例无关。在大盘股 ETF 上 1 千元和 1 亿元每元监管费、每元佣金、每股 TAF 都相同。市场冲击恰恰相反——交易 0.01% ADV 冲击成本几乎为零，10% ADV 50-200 bp，30% ADV 200-500 bp。隐性成本 (implicit transaction cost)——不出现在交易回单上、但出现在到达价与实际成交均价之差里的成本部分——对任何超过 ~0.5% ADV 的订单都是机构交易的主导。L1 的 bid-ask spread (买卖价差) 仍然贡献——它现在是下面四向 IS 拆解的一项。

实施差额框架

Perold 1988（"The Implementation Shortfall: Paper Versus Reality"，Journal of Portfolio Management 14(3)）把 IS 定义为纸面组合收益与实际组合收益的差。买入 $Q$ 股的单笔交易：

IS_{bp} = \text{sign} \times \frac{\bar{P}_{fill} - P_{arrival}}{P_{arrival}} \times 10000

其中 $\bar{P}_{fill}$ 是成交量加权平均成交价， $P_{arrival}$ 是交易决策到达瞬间的价（通常是决策时点的中价）。正 bp = 买方成本；负 = 改善。卖单翻号。标准引用：Perold 1988 'The Implementation Shortfall: Paper Versus Reality'。

IS 是每一个可信 TCA 系统的标准结果指标。Inline-code 列表：拆解为四个可加分量——按此严格顺序：

1. spread cost                          — 半 价差 每笔 穿越 (来自 L1)
2. temporary impact                     — 价格 反向 移动；停止 交易 后 反转
3. permanent impact                     — 价格 反向 移动；不 反转
4. opportunity cost / timing risk       — 订单 执行 期间 价格 漂移

法则：临时 = 反转部分；永久 = 非反转部分；反转在交易后 5min / 30min / 1day 横向上测量。订单完成后 T 分钟 / 小时 / 天，测量价格。冲击的反转部分是临时分量；非反转部分是永久分量。标准实务横向：5min、30min、1day。典型大盘股订单显示 ~2/3 冲击在 30 分钟内反转、~1/3 在 1 天后仍存。临时冲击付给订单簿；永久冲击付给从你的流推断信息的其他知情交易者；机会成本以肥尾形式出现，不在均值里。

平方根法则

经验主力公式。来自几十年买方 TCA 数据加上学术研究（Almgren et al 2005、Lillo-Farmer-Mantegna 2003、Bouchaud-Farmer-Lillo 2018）收敛到一个经验规律。对于 0.01% 到 ~30% ADV 范围内的订单，bp 计冲击随订单规模相对 ADV 的平方根线性变化。

\text{impact}_{bp} \approx Y \times \sigma \times \sqrt{Q / V}

其中 $\sigma$ 是日收益波动率 (bp 计)， $Q$ 是订单规模 (股数)， $V$ 是 ADV (股数)， $Y$ 是股票特定常数，典型范围 0.3-1.5。有效范围：0.01% ≤ Q/V ≤ 30%。 $Y$ 依赖板块、方向、时段、流动性 regime。多数实务者每股每季度用一个 $Y$ 。

经验依据：(i) Donier-Bonart-Bouchaud 的潜在订单簿模型；(ii) Bouchaud-Gefen-Potters 的传播子模型；(iii) Kyle 1985 信息不对称扩展。

有效范围限制。低于 0.01% 价差和噪声底主导。高于 30% 冲击变超线性。Q/V > 100% 模型不适用，需要 multi-day 切单。

线性冲击替代

Almgren-Chriss 2000 成本模型推导 (L3) 用线性拆解：

\text{impact}_{bp} = \eta \times (Q / V) \times (1 / T) + \gamma \times (Q / V)

其中 $\eta$ 是临时冲击系数 (单位：bps × time)， $\gamma$ 是永久冲击系数 (单位：bps)， $T$ 是总执行时长。 $\eta \times (Q/V) \times (1/T)$ 项是临时冲击； $\gamma \times (Q/V)$ 项是永久冲击。

线性的用处：让 Almgren-Chriss 分析上可解——闭式解。线性模型经验上是错的（真实冲击次线性）。实务调和法则：在回测和 TCA 里用平方根做成本估计；只在优化推导里用线性。线性 AC 模型的定性结论——前置加权计划——在冲击函数形式变化下稳健；精确计划不稳健。

Fenced Python 代码

4.5.1 撮合模拟器暴露 compute_impact(order, bar, params)：

import numpy as np

# implicit-cost decomposition — square-root model headline; linear for AC compatibility
def compute_impact(order, bar, params):
    """L2 冲击：平方根 主力 + 线性 AC 兼容"""
    Q = order["shares"]
    V = bar["adv"]
    sigma = bar["daily_sigma_bp"]
    Y = params["Y"]
    qv = Q / V
    impact_sqrt = Y * sigma * np.sqrt(qv)
    temporary_impact_bp = (2.0 / 3.0) * impact_sqrt
    permanent_impact_bp = (1.0 / 3.0) * impact_sqrt
    T = params.get("T", 1.0)
    opportunity_cost_bp = sigma * np.sqrt(T) * params.get("timing_risk_mult", 0.1)
    total_impact_bp_linear = params["eta"] * qv / T + params["gamma"] * qv
    return {
        "temporary_impact_bp": temporary_impact_bp,
        "permanent_impact_bp": permanent_impact_bp,
        "opportunity_cost_bp": opportunity_cost_bp,
        "total_impact_bp": impact_sqrt,
        "total_impact_bp_linear": total_impact_bp_linear,
    }

Two (两个) 冲击计算算例（Markdown 表）

把平方根法则套到两个基准情形：

case	ticker	shares Q	ADV V	Q/V	σ	predicted impact	decision
(a)	`600519` 贵州茅台 single-name	200,000	500,000	40%	250 bp	`0.8 × 250 × sqrt(0.4)` ≈ 126 bp	must slice across days
(b)	`510300` 沪深300 ETF	200,000	10M	2%	150 bp	`0.6 × 150 × sqrt(0.02)` ≈ 13 bp	one-bar OK with VWAP

情形 (a)：CN A 股买入 200,000 股 600519 贵州茅台，当日 ADV 500,000 股 (Q/V = 40%)，日波动 $\sigma$ = 250 bp， $Y = 0.8$ 。平方根预测： $0.8 \times 250 \times \sqrt{0.4} \approx 126$ bp。订单必须切到多天——按 5 天每天 8% 参与，每日 Q/V = 8%，每日冲击 ~57 bp。

情形 (b)：买入 200,000 股 510300 沪深300 ETF，ADV ~10M (Q/V ~2%)， $\sigma$ = 150 bp， $Y = 0.6$ 。平方根预测 ~13 bp。可用 VWAP 在单日完成。

Inline-code 列表：参与率决策规则

生产端执行台用的 Q/V 阈值桶。这些规则钉在明汯、幻方、灵均、衍复的每个交易员屏幕上。

1. Q/V ≤ 0.5%       — trade aggressively in one bar; impact ≤ 5 bp
2. 0.5% < Q/V ≤ 5%  — trade across the day with VWAP / participation algorithm (4.5.3)
3. 5% < Q/V ≤ 30%   — trade across one day with explicit Almgren-Chriss schedule (4.5.3);
                      flag to risk if Q/V > 15%
4. Q/V > 30%        — trade over multiple days; flag in advance to risk; consider OTC block trade

跨引用——VWAP、Almgren-Chriss、OTC block——锚定到 L3 (AC 推导) 和 4.5.3 (算法目录)。风控参与：单只股票 Q/V > 15% 的单日交易要求合规 + 风控预批。

撮合模拟器集成实务

Q/V 必须用前置日成交量估计——用 20 日中位数。日 $\sigma$ 同样必须是前置估计。 $Y$ 必须每季度从 TCA 数据重新拟合——跨 regime 切换不刷新 $Y$ 是最常见的冲击建模错误。CN 端特殊微结构：A 股单只股票通常 $Y$ 偏高 (0.6-1.5)，因为有效价差更宽 + 订单簿深度较浅 + 10% 日内涨跌停机制压缩极端波动。10% / 20% 涨跌停 (ST 5%) 作为单 session 永久冲击实现的上限——一旦名字撞到涨停 / 跌停，订单簿锁定到下一 session；这把冲击分布从上面截断。CN T+1 结算约束意味着 session 内开仓的交易只能在下一 session 平仓。

容量预告

隐性成本是策略容量真正住的地方。AUM 翻倍冲击乘 $\sqrt{2} \approx 1.41$ 倍。中证500 指数增强类策略容量典型 RMB 50-200 亿；中证1000 单只股票统计套利容量 RMB 5-20 亿。2020-2022 年间中证500 指数增强 + 量化私募指数容量塌方就是典型 CN 容量案例。

Formula Explorer

\text{impact}_{bp} = Y \cdot \sigma \cdot \sqrt{Q/V}

冲击的平方根法则。 $Y$ 在 0.3-1.5 范围、 $\sigma$ 日 bp、 $Q/V$ 参与比例。

练习

Exercise

你在 600519 贵州茅台上做 1 日执行规划。用 square-root law $impact_{bp} \approx Y \times \sigma \times \sqrt{Q/V}$ ，取 $Y = 1.0$ 。做四个计算并报告。

(i) Q/V = 1%、 $\sigma$ = 200 bp 时，计算预测冲击 bp；说明落入哪个 participation-rate decision-rule 桶。

(ii) 同 (i) 但 Q/V = 10%；说明落入哪个桶；说明是否需要跨日执行。

(iii) 对 (i) 和 (ii)，假设 2/3 临时 + 1/3 永久比例，给出交易后反转拆分：分别报告临时 + 永久 bp 分量。

(iv) 对情形 (ii)，假设到达价 100.00、平均成交价 100.85 (买方正号约定)，计算实施差额；指出 IS 拆解里哪一项主导。

把所有四个答案放在一张表里。

提示

(i)：

1.0 \times 200 \times \sqrt{0.01} = 20

bp；桶 0.5% < Q/V ≤ 5%。(ii)：

1.0 \times 200 \times \sqrt{0.10} \approx 63.2

bp；桶 5% < Q/V ≤ 30%。

提示

(iii)：平方根总值按 2/3 + 1/3 拆。(iv)：IS = (100.85 − 100.00)/100 × 10000 = 85 bp；预测冲击 ~63 占 85 大部分——冲击主导。

实务对照：更深一层

CN 端 TCA 实务再看几个细节。一是 forward 估计的来源：日成交量预测在头部私募里通常用「过去 20 日中位数 + 周内日历效应调整 + 上一日实盘成交量加权」的组合特征，简单的 trailing average 在月初、节后会偏。二是 $Y$ 的稳定性：流动性好的核心宽基 ETF (510300、510500、510050、159915 等) 的 $Y$ 在不同 regime 下相对稳定，而中证1000、中证全指 small-cap 的 $Y$ 在 2020 抱团时低、2022 流动性枯竭时高，跨度可达 1.5-2 倍——这就是为什么每季度的 $Y$ 刷新一定要走 sector 桶而不是单标的拟合。三是临时 / 永久比例：A 股由于 T+1 结算 + 涨跌停截断 + 散户主导的微结构，反转通常比 US 大盘股更慢更小——经验上 2/3 临时 + 1/3 永久的 split 在 A 股不一定适用；高频实盘 TCA 显示某些名字的反转比例更接近 1/2 临时 + 1/2 永久。四是隐性成本的一部分在 CN 端来自 bid-ask spread (买卖价差) 的有效价差超出，是 L1 的延伸——把实务中的总 transaction cost (交易成本) 拆成显性部分 (L1 的报价半价差 + 监管 + 印花税) 和隐性部分 (L2 的超额滑点 + 临时冲击 + 永久冲击 + 时间风险)，会计层把两边都扣到 PnL。

衔接 L3

隐性成本规模相关且随机；你用 $Y$ 、 $\sigma$ 、ADV 参数化成本函数。L2 给了你平方根法则作为成本估计的真理，给了你线性冲击作为优化可解的形式。L3 在线性拆解上推导 Almgren-Chriss 最优执行计划——给定冲击 vs 时间风险的权衡，固定时窗内分析上最优的交易计划是什么？L3 推出的闭式 cosh 轨迹是应用 quant 金融里少见的干净分析解；它是每一个主要买方和卖方交易台执行管理系统的通用语言。定性答案：前置加权计划以平衡冲击与时间风险。精确答案来自把均值-方差目标函数对计划求偏导设为零；你会在 L3 里手算这一步，并把闭式 cosh 计划与 TWAP 的形状对比，理解为什么风险厌恶程度的提高把交易计划向时窗起点推。L3 之后到 L4，把 L1+L2+L3 的成本栈整合到 4.5.1 五层引擎里，得到 成本感知 Sharpe 和容量两个上线评审的头条数字。

已涵盖组件

Inline-code listing of the FOUR IS 分量。
implementation shortfall KaTeX 块，含 Perold 1988 引用。
square-root law KaTeX 块，含有效范围。
linear impact 拆解 KaTeX 块。
Fenced Python compute_impact(order, bar, params)。
Two (两个) 冲击算例 Markdown 表。
Inline-code listing of the FOUR 参与率决策规则。
FormulaExplorer——平方根法则。
Exercise——600519 上 $Y = 1.0$ 、 $\sigma = 200$ bp 在 Q/V = 1% 和 10% 两档的四个子任务。
Two 递进 Hint。