交易执行与成本 on 云栖

交易成本分解：佣金、印花税、价差与冲击

Mon, 01 Jan 0001 00:00:00 +0000

成本模型是回测与实盘之间最大的鸿沟制造者：几乎每一个「回测很美、实盘很惨」的故事，成本都扮演了主要凶手。本篇把成本拆到最小单元，给出可直接进回测引擎的模型参数。

显性成本：可查账的部分

A 股股票的费用清单（费率随监管调整，用前核对最新）：

项目	量级	方向
佣金	万 1–万 3（量化专用席位可谈）	双边
印花税	0.05%（2023 年减半后）	卖出单边
过户费	0.001%	双边
融资利率（若加杠杆）	年化 5%–8%	持有期

ETF 场内交易免印花税——高频调仓场景用 ETF 替代个股篮子有真实的成本优势。期货的成本结构完全不同：无印花税、佣金极低（按手），主要成本是展期成本与基差（见衍生品）——「成本」必须按品种重新定义，不能复用股票的参数。

价差成本：half-spread 的会计

市价单（吃单方）立即付出半个买卖价差：你要买 → 成交在 ask（卖一）而非中间价。half-spread = (ask − bid)/2。A 股的典型量级：沪深 300 成分股 1–3bp；中证 1000 成分 3–8bp；微盘股与流动性差的票 20bp+。

三个工程要点：

价差随波动率与流动性动态变化——成本模型里的 spread 不该是常数：spread ≈ a + b × σ_d（与日内波动正相关），开盘与尾盘时段价差系统性更宽（时段分档）；
限价单是「负价差」的期权：排队成交赚 half-spread，但承担不成交与逆向选择风险（排到了往往因为价格在往坏处走，见市场结构）——执行算法的进出场本质是在这个期权上做价；
回测的简化阶梯：用「日线 high-low 的 1/4」估计 spread（Roll/Corwin-Schultz 类代理），或直接用 L2 快照的真实价差（有数据时，见数据类型）。

冲击成本：你推动价格的部分

下单量超过盘口深度时，你自己推动价格——这是大资金与小资金成本结构的分水岭。行业标准近似是平方根模型：

冲击成本 ≈ k × σ_d × √(Q / ADV)

Q=订单量、ADV=日均成交额、σ_d=日波动率、k≈0.5–1（经验系数，按市场与执行方式校准）。它给出的量级直觉：

流动性好的票（ADV 10 亿）买 1000 万：Q/ADV = 0.1%，冲击 ≈ 0.5 × 2% × √0.001 ≈ 3bp——可忽略；
冷门票（ADV 2000 万）买 500 万：Q/ADV = 25%，冲击 ≈ 0.5 × 3% × 0.5 ≈ 75bp——一个中频信号的半条命。

平方根模型的来源是 Kyle 模型一脉的市场微观结构理论（冲击 ∝ 订单量的平方根而非线性，见市场冲击与 Kyle 模型）。校准方法：用自己的成交流水回归——每笔成交的「决策价 vs 成交价」差额对 √(Q/ADV) 回归，斜率就是你的 k（这就是 TCA 的核心动作，见TCA ）。

滑点与机会成本：两个会计科目

滑点（slippage）：决策价（信号价）与实际成交均价的差额 = half-spread + 冲击 + 时效损耗（从决策到下单期间价格移动）——它是执行质量的综合仪表，但拆开才能归因（「时效损耗大」要提速，「冲击大」要拆单）。回测里应显式记录「决策价 → 假设成交价」的模拟滑点，实盘后用真实滑点对照（影子偏离的执行维度，见事中风控）。

机会成本（opportunity cost）：想成交没成交、价格走掉的部分。执行算法的时间权衡本质就是「冲击成本 ↑ vs 机会成本 ↓」：拆得越慢冲击越小、但错过行情越多——Almgren-Chriss 理论正是求这个权衡的最优轨迹（见执行算法）。机会成本最阴险的形态：止损单在跌停板挂不上——回测里这是「止损生效、小亏离场」，实盘里是「无法出场、亏满全程」（不可成交状态建模见回测框架设计）。

成本模型的完整参数卡（回测引擎配置示例）

1
2
3
4
5
6


commission: 0.0002 # 双边
stamp_tax: 0.0005 # 卖出
transfer_fee: 0.00001 # 双边
half_spread: {method: dynamic, base_bp: 4, vol_coef: 0.15} # 基础+波动联动
impact: {model: sqrt, k: 0.7, participation_cap: 0.08} # 参与率上限
min_fill_note: 跌停卖单/涨停买单不成交，顺延处理

成本压力测试是上线门槛（成本 ×2 后策略是否仍成立，见回测偏差的清单）——因为成本参数的校准误差永远存在，策略必须对它的不确定性稳健。

关联阅读：冲击的理论根基市场冲击与 Kyle 模型；成本的实测TCA ；降低成本的算法执行算法。

执行算法：TWAP、VWAP 与最优执行

Mon, 01 Jan 0001 00:00:00 +0000

调仓一个 50 只股票的组合，若全部「决策瞬间市价单打进去」，冲击成本会吃掉当月超额的一大块。执行算法的使命：在不放弃行情的前提下，把大单对价格的扰动降到最小。本篇从三个经典算法讲到最优执行理论。

TWAP：时间均匀切片

机制：把总单量在 T 时间内均分（或按预设时间表切 N 片）执行。例：1 亿的买单在全天 240 分钟切成 240 片，每分钟约 42 万。

优点：实现最简单、执行确定（不依赖行情预测）、对「不想被看出执行节奏」的朴素防御；
缺点：无视真实成交分布——开盘与尾盘的成交量是均值的数倍，中午死水；「时间均匀」意味着在死水时段硬推价格，在放量时段反而吃不满流动性；
适用：无可靠成交量预测时；小单；或作为基准（其他算法和它比）。

VWAP：跟随成交量分布

机制：按历史/实时的分钟成交量分布分配切片（开盘 30 分钟成交占 12% → 分 12% 的量），目标是让成交均价贴近当日 VWAP。

优点：在流动性厚的时段多交易、薄的时段少交易——同样完成订单，价格扰动小得多（分布形状见下图示）；
关键工程：成交量分布的预测——用近 20 日同星期几的分钟分布平均（周内效应明显），盘中按实时成交量修正剩余计划（在线更新）。预测越准，贴 VWAP 越紧；
评价口径：实现差额 = 成交均价 − 当日 VWAP（负为优）。注意 VWAP 算法的悖论：如果所有人都贴 VWAP，你的参与本身就是 VWAP 的一部分——基准与你自己的行为不独立（大资金执行者的经典困境）。

POV / Participation of Volume：控制参与率

机制：保持自己的下单量为市场实时成交量的固定比例（如 ≤ 8%）：市场放量就多成交、缩量就等待。

优点：把冲击成本的「参与率」直接控住（平方根模型的 Q/ADV 输入被实时管理，见交易成本）；
风险：极端情形下永远执行不完（缩量行情挂一天）——必须有时间上限与价格容忍带（超时后切换激进模式或放弃）。

冰山单与隐蔽交易

冰山单（Iceberg）：大单只露出小份额（如总量 100 万股每次只挂 5 万），成交一批补一批。它防的是被其他参与者探测到执行意图——市场上存在「抢单者」（监测到大买单就抢先囤货抬价，见做市与博弈）。冰山的破解也是高频策略的常规玩法（统计部分成交的补单节奏推测隐藏总量）——所以现代冰山会加随机化（露单量、补单时机随机）。

隐蔽性的代价：完成时间不确定、可能错过行情——隐蔽性与时效是此消彼长的一对。大单执行的博弈本质：对手在猜你，你在猜对手猜你——这是微观结构研究的现实版（Kyle 模型的知情交易者视角，见市场冲击与 Kyle 模型）。

Almgren-Chriss：执行的最优控制理论

Almgren-Chriss（2000）把执行问题数学化，是整个执行算法领域的理论地基。问题设定：总量 X、时间 T，把执行轨迹 x(t) 分解为两部分成本：

冲击成本：与执行速度成正比（执行越快每份越贵）——急性成本；
时变风险：未执行的持仓暴露在波动下——慢性成本（拖着不执行，行情风险累积）。

核心结论：最优轨迹是「风险厌恶驱动的指数衰减」——风险厌恶高（怕行情）→ 快速线性执行；风险厌恶低（只在意成本）→ 缓慢的前重后轻轨迹。TWAP/VWAP 都是它参数化后的特例：执行算法的选择本质上是「你为这笔执行设定的风险厌恶系数」的选择。

实践含义：

执行参数要按信号衰减速度设定：信号半衰期 5 天的调仓可以慢（3 天执行完），半衰期 1 天的必须快（30 分钟）——执行时间表是信号的函数，全局统一的执行模板是常见浪费（衰减见因子检验）；
风险厌恶系数是可优化的参数：用历史数据回测不同激进度的实现差额分布，按组合的风险预算选点（与仓位 sizing 同构的权衡）；
执行优化与组合优化的联合（前沿话题）：把执行成本写进组合优化的目标（换手惩罚项），让「要不要调仓」与「怎么调仓」一次求解（见约束优化的成本项）。

A 股场景的执行要点预览

涨跌停与集合竞价改变了执行算法的边界条件：跌停无法卖（算法要含「无法成交预案」）、集合竞价是「一次性大量撮合」的机会与陷阱（见A 股执行实务的专门展开）；T+1 让日内执行没有回旋的二次入场（错了要等到明天）——执行参数整体上要比美股保守。

关联阅读：成本模型的参数交易成本；执行的实测与追责TCA ；微观结构的地基订单簿与 Level-2 。

流动性分析与大单拆分

Mon, 01 Jan 0001 00:00:00 +0000

流动性是「以合理价格快速进出」的能力——它平时像空气（感觉不到），枯竭时是唯一重要的事（2024 年 2 月小微盘、2020 年 3 月全球，见经典复盘）。本篇讲流动性的度量体系与大单进出的工程。

流动性的四个维度

维度	问的问题	度量
宽度（tightness）	进出的价差多大	买卖价差、有效价差（成交价 − 中间价）
深度（depth）	当前价位能吃多少量	盘口各档挂单量、Amihud 非流动性（\|r\|/成交额）
弹性（resilience）	被打穿后价格多快恢复	订单簿恢复时间（L2 可测）
及时性（timeliness）	多快能完成一笔大单	大单完成时间、市场冲击函数

四个维度不共线：有的票价差窄但深度浅（小盘「能买 100 手」）、有的深但弹性差（打穿后价格不回来）。组合的流动性画像要四个维度一起看——尤其弹性，它是危机时「能不能等回来」的度量。

超越 ADV：更细的流动性度量

ADV（日均成交额）是最常用的标尺（容量估算的底数，见再平衡与容量），但它有四个盲区，各有补丁：

ADV 平滑了极端：用「近 20 日 ADV 的中位数」或「分位数」替代均值——均值被个别放量大日抬高；
ADV 不含成交集中度：用「分钟成交的基尼系数/Top5% 分钟占比」度量分布——成交量集中在开盘尾盘的票，可执行窗口比 ADV 暗示的窄得多；
ADV 是全日的，你的执行是瞬时的：可用性口径是「分钟级 ADV」（ADV/240 起步）叠加参与率上限（见执行算法的 POV）；
换手结构：散户主导的票（A 股多数）换手高但「真实承接力」低——大单会撞上散户挂单薄簿；机构票反之。换手质量可从「大单成交占比」（L2 数据可算）估计。

组合层面的流动性红线（写进限额，见事前风控）：单票市值 / ADV ≤ 20（约 3 日内可按 10% 参与率清仓）——这条线在 2024 年 2 月把幸存者与受难者分开：被清洗的组合普遍持有「市值/ADV > 50」的微盘票，平时看着活跃、踩踏时连续跌停。

大单拆分：执行的时间工程

拿到一个 2% 净值的调仓任务，在一只 ADV 3 亿的票上（名义 2400 万，Q/ADV = 8%）——直接执行冲击约 20–40bp，拆分执行可压到一半以下。工程决策依次是：

第一层：时间分布。VWAP 轨迹（跟随成交量分布）为默认，信号衰减快则前倾（Almgren-Chriss 的风险厌恶参数，见执行算法）。

第二层：单笔形态。每个时间片内部：限价单挂被动（赚价差但可能不成交）vs 对手价主动（确定但付价差）——按片内的紧急度混合；大笔数的小单（拆到「与散户单不可分」的尺寸）降低被探测概率，但要平衡交易所的申报速率限制与通道负载。

第三层：信息隐蔽。冰山单 + 随机化（露单量、节奏抖动）+ 多价位同时挂（不总在一个价位排队，降低模式可识别性）。隐蔽的对手是「抢单者」：他们监测持续的买单流并提前囤货——检测自己是否被盯上的信号：被动挂单的成交突然加速 + 价差同步走宽（有人在抽干对面流动性）。

第四层：跨日执行。单日完不成的大调仓：跨 2–3 日执行引入「执行期暴露」（没建完仓的部分错过行情）——这正是「机会成本」的大额形态（见交易成本）。组合调仓的整体规划：按「信号衰减速度 × 各票流动性」排执行优先级——衰减快的信号 + 流动性好的票先执行，让最易逝的 alpha 优先落地。

流动性的情景视角：压力时的流动性

平时与压力时的流动性差一个数量级以上（成交量缩水 50%–80%、价差 ×3–10、深度近乎消失）。三个情景纪律：

压力流动性测试：限额与容量按「压力日成交额 = 平日 30%」的口径复算——平时的 5% 参与率在压力日是 15%+（冲击超线性放大，冲击模型的 √Q/ADV 里 ADV 要用压力值，见交易成本）；
「可清仓时清仓」的触发预设计：流动性枯竭的早期信号（成交量连续萎缩 + 价差持续走宽）触发降仓——等跌停排队时决策已不可能（事中监控的执行维度，见事中风控）；
组合构建时就回避流动性悬崖：小市值策略的「退市悬崖」、信用债的「询价市场」（无连续报价，压力时 bid 消失）——流动性风险的最优管理发生在买入之前（盈利质量之外的第二重红旗）。

关联阅读：度量的微观基础订单簿与 Level-2 ；冲击的理论市场冲击与 Kyle 模型；实测闭环TCA 。

交易前与交易后分析（TCA）

Mon, 01 Jan 0001 00:00:00 +0000

TCA（Transaction Cost Analysis）是执行质量的「审计闭环」：**Pre-trade 回答「这单预计花多少、值不值」，Post-trade 回答「实际花了多少、花在哪」。**没有 TCA 的执行是盲飞——你可能年复一年地为某个固定的执行坏习惯付 2% 的年化。

成本基准：先定义「应该是多少」

评价执行必须先选参照价，不同基准回答不同问题：

基准	定义	回答的问题
决策价（Arrival）	信号生成时的价格	信号到成交损失了多少 alpha（策略视角最重要）
当日 VWAP	当日成交量加权均价	相对市场的执行水平（执行算法的 KPI）
开盘价 / 前收	时点价	特定执行窗口的表现
Implementation Shortfall	决策价 → 成交均价全差额	总执行成本（含价差+冲击+延时）

**Implementation Shortfall（实现差额）**是总账口径：IS = (成交均价 − 决策价)/决策价 × 方向。Perold (1988) 的原始框架把它定义为「纸面组合收益 vs 实际组合收益之差」——一切执行损耗的总和。它也是压力测试与容量估算的成本口径（见交易成本）。

基准选择的陷阱：用 VWAP 当基准的执行团队，永远可以通过「在成交清淡的时段慢慢磨」获得漂亮的 VWAP 达成率，同时把决策价口径的损耗做得一塌糊涂（拖执行期间行情跑了）——基准即激励，选错基准就是选错了被优化的东西。策略绩效归因永远看决策价口径。

Pre-trade Analysis：下单前的三问

成本预测：该单在该票的预期成本（半价差 + 冲击模型 k·σ√(Q/ADV) + 预计延时损耗）——阈值化的应用：预测成本 > 信号预期 alpha 的 50% → 降低该单优先级或放弃。有的交易不值得做——这是 pre-trade 最有价值的输出，一个算例：调仓要买某中盘股 200 万（ADV 8000 万），半价差 5bp、冲击 ≈ 0.8×2%×√0.025 ≈ 25bp、延时预估 5bp → 总成本 ≈ 35bp；信号预期 3 日 alpha 45bp → 50bp 阈值边缘，降级为「限价单耐心挂」或分两日执行；
可行性检查：参与率约束（Q ≤ 8% × ADV）、流动性窗口（该票的可执行时段）、涨跌停距离（距跌停 < 1% 的卖单要有预案）；
执行计划生成：时间表（VWAP 轨迹）、单型（被动/主动混合）、隐蔽参数——把 Almgren-Chriss 的风险厌恶系数按信号衰减设定（见执行算法）。

机构场景里 pre-trade 是每单必做的自动步骤；个人量化的最小版本是一张「成本预警表」——调仓前扫描所有订单，标红预测成本 > 30bp 的单子人工过目。

Post-trade Analysis：执行质量的解剖

成交回报落地后，把 IS 分解为四个成分（每成分对应一个责任主体）：

1
2
3
4
5


实现差额 IS
├── 价差成本：中间价 → 对手价（市场的买卖价差，结构性成本，见[Bid-Ask Spread](/quant/bid-ask-spread/)）
├── 延时成本：决策价 → 到单时中间价（信号处理+下单延迟，工程问题）
├── 冲击成本：到单后自己的单子推动价格（执行节奏问题，见[Kyle](/quant/market-impact-kyle/)）
└── 错时成本：执行期间的市场漂移（运气 + 时间表选择）

分解的用途是责任分离：延时成本大 → 优化信号到下单的链路（毫秒级工程，见低延迟）；冲击大 → 拆更细/换 POV；错时大 → 复核时间表与运气（统计而非单笔归因）。单笔的分解是噪声，要按票/按日/按执行参数聚合——「VWAP 算法在中小市值票上 IS 平均 18bp、TWAP 26bp」这种聚合结论才能指导参数。

TCA 的两个战略用途

校准回测的成本模型：用自己的成交流水回归冲击系数 k 与价差模型参数（见交易成本的校准方法）——回测成本模型与实盘 TCA 用同一套参数，回测的执行假设才与真实一致。这是「回测 vs 实盘偏差」归因的关键一环（偏差诊断见事后风控）；
执行的持续改进飞轮：月度 TCA 报告 → 找出 IS 最差的 10% 订单的共同特征（时段？票的流动性档位？算法参数？）→ 修正执行规则 → 下月验证——执行优化的复利被普遍低估：年化省 0.5% 的执行成本，对夏普 1.5 的组合等价于免费提升 0.1 夏普。

个人量化的最小 TCA

不需要机构级系统，三张表起步：

成交流水表：每笔记录 时间、代码、方向、决策价、挂单价、成交均价、量、算法标签——两列多打（决策价与成交均价）就是 TCA 的全部原材料；
月度聚合：按票流动性档位、按时段、按算法的 IS 均值与分布；
例外清单：IS > 阈值（如 50bp）的订单逐笔回查——通常能发现一两个固定的坏习惯（比如「尾盘急着完成剩余量总是吃对手价」）。

半天的 Notebook 工程，把「执行」从感觉变成数字（日志基础见日志与监控）。

关联阅读：分解对象的物理机制订单簿与Bid-Ask Spread ；成本进入回测回测框架设计。

A 股执行实务：涨跌停、集合竞价与 T+1

Mon, 01 Jan 0001 00:00:00 +0000

通用执行理论（VWAP、Almgren-Chriss）到了 A 股要过一道「制度翻译」：涨跌停改写成交边界、集合竞价制造一次性出清窗口、T+1 消灭日内纠错机会。本篇是这些制度的执行层手册。

涨跌停：执行算法的边界条件

可执行性随「距停板距离」非线性恶化，执行参数要按距离分档：

状态	买单策略	卖单策略
正常（距停 > 5%）	标准算法（VWAP/POV）	标准算法
接近涨停（< 2%）	放弃追买（封板概率高，排不到队）	激进卖出（流动性好，涨停附近散户接盘活跃）
接近跌停（< 2%）	耐心低价接（卖压释放需要时间）	立即决策：还在跌停前抢跑 vs 挂跌停价排队
封死涨停	无法买入（挂单在数十万手之后）	自由卖出（流动性由买盘封单承接）
封死跌停	自由买入	大概率无法卖出（排队位置决定生死）

三条工程规则：

引擎的不可成交状态建模（回测与实盘一致，见回测框架设计）：封死跌停的卖单不成交、顺延次日——回测里止损单「跌停日照常成交」是 A 股回测最普遍的乐观偏差；
止损的跌停预案：重要持仓的止损在「距跌停 2%」时提前触发（不等止损线被跌停吞掉）——「宁可多亏 1% 离场，不赌明天跌停排队」；
涨停与动量策略的交互：打板类策略的回测必须假设「涨停价买单不成交」（涨停瞬间封单速度决定谁能成交，回测无法模拟排队——保守处理是唯一诚实选择，见A 股量化约束）。

集合竞价：一次性出清的窗口

A 股的竞价时段：开盘竞价 9:15–9:25（9:20 前可撤单、9:20–9:25 不可撤）、收盘竞价 14:57–15:00（沪深两市现均采用收盘集合竞价）。

机制：竞价期累积委托，9:25 以「最大成交量原则」单一价格出清——所有成交在同一价格。对执行的三个含义：

「看不见的对手盘」：9:20–9:25 的不可撤单期，你的大单暴露给全市场（盘口可见）——被狙击风险最高的时段之一。大单应尽量避开不可撤期，或用「分散在连续竞价」替代；
竞价量是信息：9:25 的竞价成交量与价格（相对昨收）是当日情绪的第一信号——执行算法可据此修正当日计划（竞价异动 → 收紧当日参与率）；
调仓的时点选择：开盘竞价成交占全日 5%–10% 且流动性集中——流动性好的票「竞价一次完成」比连续竞价拖半天更省冲击；但竞价价格对订单大小敏感（出清价就是你自己的冲击）——大单在竞价的可用性要用历史竞价量校准（一般建议 ≤ 当日均竞价的 10%）。

收盘竞价的战术价值：指数调仓的被动资金在收盘竞价成交（跟踪指数的机械行为，见事件驱动）——实施日收盘竞价的盘口深度异于寻常，是「搭便车」或「避开」都要显式建模的时刻。

T+1：没有日内纠错的世界

T+1 对执行的三个结构性影响：

错误的代价翻倍：日内买错的仓位无法当日卖出——执行失误的止损要到次日开盘。执行算法的激进参数要整体下修：**「不确定就少建」**取代「错了快速改」；
隔夜风险是执行的固有成本：每笔买入自带至少一夜的方向暴露（隔夜跳空，A 股隔夜收益的统计特征与美股不同——低开概率与幅度分布要单独估计，见数据类型）——执行时间表里「尾盘建仓」与「早盘建仓」的隔夜暴露不同，按信号的隔夜敏感度选择；
可用资金与可卖持仓的解耦：资金 T+0 可用、股票 T+1 可卖——调仓算法要处理「卖出的钱当天可再买、买入的股票当天不能再卖」的半耦合状态（资金规划的约束条件，个人手工交易最常见的混乱源）。

收盘前的资金再平衡：T+1 下「卖 A 换 B」的指令链必须串行（卖 → 资金到账 → 买）——跨 2 只以上的调仓要按依赖关系排序执行，这是 A 股执行引擎与美股引擎最朴素的区别。

A 股执行的参数速查（日频调仓场景）

1
2
3
4
5
6


执行窗口：首选 9:30–10:00 + 14:30–15:00（流动性双峰），避开 11:00–13:30 死水
参与率上限：8%（单票单日）；流动差票 5%
单笔竞价参与：≤ 当日竞价量的 10%
涨跌停预案：距停 2% 分档切换（见上表）
成本预算：佣金万2 + 印花税 5bp（卖出）+ 价差 3–8bp + 冲击（√模型）
影子偏离监控：实盘 vs 模拟日偏离 > 15bp/日 → 执行检查（见[事中风控](/quant/real-time-risk/)）

关联阅读：制度的策略层影响A 股量化约束；撮合机制的基础市场结构；执行质量的审计TCA 。