冲击成本模型：永久冲击与暂时冲击

冲击成本这东西，说白了就是「你下单时对市场造成的扰动」。我刚开始做交易系统时，总觉得这是个理论概念，直到有一次实盘回测跑得漂亮，一上线就亏钱——嗯，就是没算冲击成本。

咱们今天把冲击成本拆开来看。它其实分两种：永久冲击和暂时冲击。理解这俩的区别，是构建成本模型的第一步。

永久冲击 vs 暂时冲击

先问个问题：你买100万股，股价涨了。等交易结束，股价会回到原来的位置吗？

答案是：不会完全回去。涨上去的那部分，有一部分是永久的，有一部分是暂时的。

• 永久冲击：你的交易改变了市场对这只股票的估值。比如你大量买入，市场认为「有大户看好」，于是均衡价格上移了。这部分冲击不会消失。
• 暂时冲击：纯粹是流动性摩擦。你吃掉了卖单，价格暂时被推高。等流动性恢复，价格会回落。这部分是暂时的。

我在项目中遇到过这样的情况：一个同事做算法交易，只考虑了暂时冲击，结果回测年化收益20%，实盘只有8%。为什么？因为永久冲击把成本吃掉了。你想想看，每次大单都推高买入成本，卖出时又压低价格，这中间的损失就是永久冲击。

冲击成本函数拟合

实际建模时，我们需要一个函数来描述冲击成本。常见的做法是：用交易量占日均成交量的比例作为自变量。

我个人的习惯是，先收集历史数据，然后做回归拟合。数据来源可以是逐笔成交数据，也可以是分钟级切片。拟合的目标是找到参数，让模型能预测「我下X%的量，会产生多少冲击」。

举个例子：

# 伪代码：冲击成本拟合
def fit_impact_model(trade_data):
    # trade_data: 每笔交易的量、价格、时间
    # 计算每笔交易的冲击 = 交易价格 - 基准价格
    impact = trade_data['price'] - trade_data['benchmark']
    # 计算交易量占比
    volume_ratio = trade_data['volume'] / trade_data['avg_daily_volume']
    # 回归：impact = a * volume_ratio + b * sqrt(volume_ratio)
    # 或者用更复杂的非线性模型
    params = regression(impact, volume_ratio)
    return params

这里要注意：基准价格怎么选？ 我建议用交易前一段时间的VWAP，或者用前收盘价。选错了基准，拟合出来的参数全是错的。

线性冲击模型

线性模型是最简单的。它假设冲击成本与交易量成正比：

冲击成本 = α × 交易量占比

这个模型的好处是简单、可解释。α 可以理解为「每交易1%的日均成交量，产生的冲击基点」。

但说实话，线性模型在实盘中不太够用。为什么？因为市场在交易量大的时候，冲击会加速增长。你买1%的量，冲击是1个基点；买10%的量，冲击可能不是10个基点，而是20个基点。

我个人的经验是：线性模型只适合交易量占比小于1%的情况。超过这个阈值，误差会急剧增大。

交易量占比	线性模型预测	实际冲击	误差
0.5%	0.5 bp	0.6 bp	0.1 bp
2%	2.0 bp	3.2 bp	1.2 bp
5%	5.0 bp	12.0 bp	7.0 bp

你看，误差随着交易量增大而爆炸。所以实际系统中，我很少单独用线性模型。

平方根冲击模型

平方根模型是目前业界用得最多的。它的形式是：

冲击成本 = β × √(交易量占比)

为什么是平方根？这背后有理论支撑。简单说：市场深度不是线性的。你下单时，订单簿上的挂单量是随价格深度递增的。平方根模型正好能描述这种非线性。

我记得有一次做A股的高频策略，用平方根模型拟合出来的R²能达到0.85以上，而线性模型只有0.6。差距很明显。

实际应用中，我更喜欢用混合模型：

冲击成本 = α × 交易量占比 + β × √(交易量占比)

这样既能捕捉线性部分（小单的冲击），又能捕捉非线性部分（大单的加速冲击）。α 和 β 一起拟合，效果通常比单独用任何一个都好。

知识体系结构图

下面这张图展示了冲击成本模型的核心逻辑：

这张图把整个冲击成本模型串起来了。从永久冲击和暂时冲击出发，到两种主流模型，最后落到混合模型。我个人建议，实盘系统至少用平方根模型起步，等数据积累够了再升级到混合模型。

避坑指南

最后分享几个我踩过的坑：

• 数据频率太低：用日线数据拟合冲击模型，基本是瞎搞。冲击发生在秒级甚至毫秒级，至少要用分钟级数据。
• 忽略市场状态：牛市的冲击参数和熊市完全不同。我建议按市场状态分场景拟合，或者用滚动窗口。
• 过度拟合：模型参数太多，容易过拟合。我见过有人用10个参数的模型，回测完美，实盘一塌糊涂。简单模型往往更鲁棒。

冲击成本模型就聊到这儿。记住：模型是工具，不是真理。再好的模型，也要用实盘数据不断校准。