第4章市场冲击模型

4. 市场冲击模型：线性冲击模型、平方根冲击模型、Almgren-Chriss模型

做量化交易这些年，我踩过最大的坑，就是低估了市场冲击的成本。

你想想看，你看到一个信号，觉得能赚钱，啪一下把单子砸进去。结果呢？成交价比你预期的差了老远。赚的钱全被冲击成本吃掉了。这就是市场冲击——你的交易行为本身，改变了价格。

今天咱们聊聊三个最经典的冲击模型。说实话，它们各有各的脾气，用对了地方就是神器，用错了就是灾难。

线性冲击模型，说白了就是假设价格变化和你的交易量成正比。

公式长这样：

ΔP = α · Q

其中：

我刚开始做执行算法时，特别喜欢用这个模型。为什么？因为它简单。你只需要估计一个α值，就能算出大概的冲击成本。

我的经验： 线性模型在流动性好的股票上表现还行。比如茅台、平安这种，你打个几百万，冲击基本是线性的。但到了小盘股，线性模型就崩了。

举个例子。假设α = 0.0001（每交易1万股，价格变动0.01%），你想买10万股：

ΔP = 0.0001 × 100,000 = 10（即价格变动0.1%）

嗯，看起来挺合理。但如果你买100万股呢？线性模型告诉你冲击是1%。现实中呢？可能直接干到3%甚至5%。

注意： 线性模型假设冲击成本与交易量成正比。但实际市场里，大单的边际冲击是递增的。千万别在大单上用线性模型做预算，否则你会亏得很惨。

为什么线性模型会失效？因为市场深度不是无限的。你买得越多，剩下的对手单越少，你得往更差的价格上吃。

平方根模型就是来解决这个问题的：

ΔP = β · √Q

你看，这里用的是平方根。这意味着什么？冲击成本的增长速度，随着交易量增加而放缓，但始终是递增的。

我个人习惯用这个模型做中高频交易的冲击估算。为什么？因为它抓住了市场微观结构的一个核心特征——订单簿的深度分布。

我记得有一次做回测，用线性模型算出来的预期收益是年化15%，但实盘跑下来只有8%。后来换成平方根模型重新算，预期收益直接降到9%，跟实盘差不多。从那以后，我对平方根模型就特别信任。

举个例子对比一下：

看到没？小单时两者差不多，但大单时线性模型给出的冲击高得离谱。实际上，市场不会让你吃那么大的亏——因为你会拆单，会找流动性。平方根模型更符合这个直觉。

  核心要点： 平方根模型在学术圈和业界都很流行。它背后的数学原理是：订单簿的深度分布近似于指数分布，累积深度与价格的平方根成正比。这个结论在很多实证研究中都被验证过。

好了，前面两个模型都是静态的——它们只告诉你「买这么多会冲击多少」。但实际交易是动态的：你拆成N笔单子，每笔都有冲击，而且价格还在波动。

Almgren-Chriss模型（简称A-C模型）就是来解决这个问题的。它把冲击拆成两部分：

公式长这样：

永久冲击：ΔP_perm = γ · v
临时冲击：ΔP_temp = η · sign(v) · |v|^α

其中：

我当年第一次看到这个模型时，觉得它太复杂了。但后来做执行算法优化时才发现，它才是真正能用的东西。

为什么？因为它把时间维度加进来了。你想想看，你可以在1分钟内买完，也可以在1小时内买完。冲击成本完全不同。A-C模型帮你找到最优的「交易速度」——既不能太快（冲击大），也不能太慢（价格波动风险大）。

这里我画了一张图，帮你理解A-C模型的核心逻辑：

你看，A-C模型把问题变成了一个优化问题。你输入交易量、时间、波动率，模型帮你算出最优的交易速度曲线。

我曾经用A-C模型优化过一个ETF套利策略的执行算法。原来我们用的是固定速度拆单，年化冲击成本大概在0.3%左右。换成A-C模型后，冲击成本降到了0.18%。别小看这0.12%，对于高频套利来说，这就是利润翻倍的关键。

  实战建议： A-C模型虽然好，但参数估计是个大坑。γ和η怎么算？我建议用历史交易数据做回归。具体来说，把每笔交易的冲击和交易速度做回归，就能得到这两个参数。但要注意，不同时间段的参数可能不一样——早盘和尾盘的市场微观结构完全不同。

说了这么多，到底该用哪个？我个人的经验是这样的：

嗯，这里要注意一点。很多人觉得A-C模型是万能的，其实不是。它的假设是价格服从随机游走，但实际市场有自相关性、有跳跃。所以用A-C模型算出来的最优速度，只能作为参考，不能完全照搬。

我曾经犯过一个错误。用A-C模型算出来一个最优交易计划，然后让交易系统严格执行。结果呢？市场突然出现大单，我的计划完全被打乱了。后来我学乖了——A-C模型给出的是「基准计划」，实际执行时要根据市场情况动态调整。

我的小技巧： 实盘时，我会把A-C模型算出来的最优速度作为「目标速度」，然后用一个PID控制器去跟踪这个速度。这样既能享受A-C模型的优化效果，又能应对市场的突发变化。

最后说一句。市场冲击模型不是越复杂越好。我见过有人用深度学习去预测冲击，效果还不如简单的平方根模型。为什么？因为冲击的本质是订单簿的供需关系，而不是什么玄学。抓住核心逻辑，比堆砌模型重要得多。