Almgren-Kissell市场冲击模型解析:quant-finance-lectures交易成本预测指南

原创2026-11-01 11:30:221,390 阅读

Almgren-Kissell市场冲击模型解析:quant-finance-lectures交易成本预测指南

对于量化新手来说,交易成本是策略回测与实盘表现之间最大的"隐形杀手"。本文基于 quant-finance-lectures 开源课程中的 Almgren-Kissell市场冲击模型,用通俗语言解析如何用相对订单规模、波动率和换手率来预测交易成本,帮你避开"回测很美、实盘亏钱"的坑。

quant-finance-lectures 是一套基于 Quantopian 讲座改编的量化金融完整教程,使用免费样本数据,覆盖 Python、NumPy、Pandas、统计、回归、市场冲击、组合优化等主题,非常适合新手从零入门。本文聚焦其中与交易成本直接相关的两讲:

为什么必须关注交易成本?

交易成本分为两类:

类型 内容 特点
直接成本 佣金、手续费 显性、易测量,机构交易中大头反而"小"
间接成本 市场冲击、买卖价差 隐性、难测量,是本课的重点

研究指出,影响滑点(slippage)最大的 4 个交易属性是:波动率、流动性、相对订单规模、买卖价差。

一张直观的例子:假设一个中型统计套利组合,1 周持有期、2 倍杠杆、1 亿美元规模、每天换手 40%,一年大约换仓 50 次,年交易量约 200 亿美元。此时每 1 个基点(0.01%)的执行成本,就会吃掉 2% 的策略收益。课程中的计算公式非常简洁:

def perf_impact(leverage, turnover, trading_days, txn_cost_bps):
    return leverage * turnover * trading_days * txn_cost_bps / 10000.

💡 结论:换手越高、杠杆越大,市场冲击的代价被放大得越狠。

下面这张图展示了一个交易算法的杠杆比率随时间的变化(来自 Lecture24),可以看到实际运行中杠杆会自然波动——杠杆越高,同样的换手率带来的交易成本就越大:

交易算法杠杆比率随时间变化曲线

对应地,该组合的日收益序列波动同样不小(Lecture24-Leverage.ipynb):

杠杆策略组合日收益序列

时机风险 vs 市场冲击:核心权衡

下单时最大的权衡是:

  • Timing Risk(时机风险):拖得越久,价格漂移、信息泄露的风险越大
  • Market Impact(市场冲击):下得越急,冲击越大

交易成本曲线是两者的"和":太急或太慢成本都高,存在一个最优执行节奏。理解这一点,是理解 Almgren-Kissell 模型的钥匙。

Almgren 模型(2005):永久冲击 + 临时冲击

Almgren et al. 的模型假设初始订单量 XX 在时间区间 TT 内匀速交易完成(等价于 VWAP 执行),总成本由两项组成:

tcost=0.5 γσXV(ΘV)1/4⏟永久冲击+ησ∣XVT∣3/5⏟临时冲击\text{tcost} = \underbrace{0.5\, \gamma \sigma \frac{X}{V}\left(\frac{\Theta}{V}\right)^{1/4}}_{\text{永久冲击}} + \underbrace{\eta \sigma \left|\frac{X}{VT}\right|^{3/5}}_{\text{临时冲击}}

各符号含义:

符号 含义
γ\gamma、η\eta "普适市场冲击系数",由机构真实交易样本估计(γ=0.314\gamma=0.314,η=0.142\eta=0.142)
σ\sigma 股票日波动率
Θ\Theta 股票总股本
XX 想交易的股数
VV 日均成交量 ADV(股)
TT 交易时间宽度(占全天比例)

两个关键概念:

  • 永久冲击:与交易急缓无关,反映订单中包含的"信息/短期 alpha"成分
  • 临时冲击:随交易速度变化——交易越快(TT 越小),临时冲击越大

实战算例:30 分钟 vs 半天,成本差多少?

课程用 IBM 的数据演示(逆换手率 Θ/V=263\Theta/V=263,日波动率 1.57%,交易 10% 的 ADV):

项目 快速(前 10% 时间) 中等(前 20%) 慢速(半天)
永久冲击 20 bps 20 bps 20 bps
临时冲击 22 bps 15 bps 8 bps
总成本 32 bps 25 bps 18 bps

永久冲击是"底线",拖慢交易只能压缩临时冲击。课程中的实现函数 tc_bps 位于 Lecture28-Market-Impact-Models.ipynb,把三个输入(占 ADV 比例、分钟数、波动率)代入即可输出预估 bps。

再举一个更贴近实盘的场景:交易 200 万美元面值的 Facebook,股价 110.89 美元,ADV 3000 万股,年波动率 22%,用 VWAP 算法在 15 分钟内完成——代入模型即可得到预期成本(bps 及每股金额),这是机构量化团队日常的成本预算方式。

Kissell 模型(2004):用 POV 刻画瞬时冲击

Kissell 等人的模型从另一个角度出发:假设投资者一次性把全部 QQ 股抛向市场会产生一个"瞬时冲击成本" I∗I^*:

I∗=a1(QADV)a2σa3,MIbp=b1I∗POVa4+(1−b1)I∗I^* = a_1\left(\frac{Q}{ADV}\right)^{a_2} \sigma^{a_3}, \qquad MI_{bp} = b_1 I^* POV^{a_4} + (1-b_1) I^*

其中 POV=Q/(Q+V)POV = Q/(Q+V) 是参与率(percentage of volume),衡量交易对当期成交量的占比。课程给出的拟合参数为:b1=0.80b_1=0.80、a1=750a_1=750、a2=0.50a_2=0.50、a3=0.75a_3=0.75、a4=0.50a_4=0.50,实现见同 notebook 中的 kissell 函数。

两个模型的关键差异:

  • Almgren 显式使用逆换手率 Θ/V\Theta/V(低换手股票冲击更大),且不考虑波动率的 Kissell 版参数结构
  • Zipline 的 VolumeShareSlippage 模型(tcost=0.1∣X/VT∣2\text{tcost}=0.1\left|X/VT\right|^2)是凸函数,对小单估算接近 Almgren,但大单估算偏高

哪些订单属性会推高市场冲击?

课程总结的高冲击因素清单,非常适合作为交易前的自查表:

  • ✅ 相对订单规模更大
  • ✅ 交易流动性差的标的
  • ✅ 日换手率更低(按总股本计)的股票
  • ✅ 交易时间更短
  • ✅ 波动率更高的股票
  • ✅ 更急迫、POV 更高
  • ✅ 存在短期 alpha
  • ✅ 在一天较早时段交易
  • ✅ 价差更宽的标的
  • ✅ ADV 更低的股票或全市场缩量日

如何上手这套课程?

建议的学习路径:

  1. 从 Introduction.ipynb 开始了解课程全貌
  2. 先学 Lecture27-Introduction-to-Volume-Slippage-and-Liquidity.ipynb 打好流动性与滑点基础
  3. 精读 Lecture28-Market-Impact-Models.ipynb,动手改参数观察 tc_bps 的敏感性
  4. 结合 Lecture35-Risk-Constrained-Portfolio-Optimization.ipynb 把成本估计带进组合优化

📌 一句话总结:Almgren-Kissell 模型告诉你,交易成本 ≈ f(订单规模/ADV,波动率,交易时长,换手率)。把这几个输入估准,就能在回测阶段提前扣掉那"吃掉 2% 收益"的 1 个基点,让回测结果更接近实盘。

登录后查看全文
quant-finance-lectures