离散时间下的最优执行策略：单资产情形
好，咱们今天来聊聊离散时间下的最优执行策略。说实话，这个模型是我个人在实际交易系统里用得最多的一个。为什么？因为它既保留了数学上的严谨性，又足够简单，能直接落地到代码里。
先说说背景。你想想看，我们做交易执行，本质上是在跟市场博弈。你下单太急，市场冲击成本高；你下单太慢，又面临价格波动的风险。这个平衡怎么找？Almgren-Chriss模型就是干这个的。
问题设定
我们考虑一个简单场景：你手里有 X 股 股票要卖出，需要在 T 个时间步 内完成。每个时间步的长度是 τ（比如1分钟或1小时）。
关键假设就两条：
- 单资产：只操作一只股票，不考虑组合效应
- 无风险资产：现金的利率为0，不考虑资金成本
嗯，这里要注意。无风险资产假设其实是个简化。我在实际项目中遇到过，如果持仓周期很长（比如几天），利率的影响就不能忽略。但短期交易（日内）这么假设完全没问题。
价格动态与成本模型
我们先定义几个变量。设第 k 个时间步的股票价格为 Sk，你在这个时间步的交易量为 vk（正数表示卖出）。
价格变化由两部分组成：
- 随机波动：σ√τ εk，其中 εk 是标准正态随机变量
- 市场冲击：包括瞬时冲击和永久冲击
具体来说，价格动态方程是：
S_{k+1} = S_k + σ√τ ε_k - γ v_k这里的 γ 是永久冲击系数。你卖得越多，价格被压得越低，而且这个影响是永久性的。
另外还有瞬时冲击，它只影响你当前这笔交易的成交价格：
实际成交价 = S_k - η v_kη 是瞬时冲击系数。说白了，你下单太急，市场深度不够，就得吃更高的滑点。
目标函数：风险与成本的权衡
我们的目标是什么？不是单纯追求最低成本，而是要在 执行成本 和 风险 之间找个平衡。
总成本包括：
- 永久冲击成本：γ Σ vk（这部分是不可避免的）
- 瞬时冲击成本：η Σ vk²（这部分跟交易速度有关）
- 风险成本：价格波动带来的不确定性
目标函数写成数学形式：
min E[ Σ (η v_k² + γ v_k S_k) + λ Σ (x_k² σ² τ) ]其中 xk 是第 k 步开始时的持仓量，λ 是风险厌恶系数。λ 越大，你越倾向于早点卖完，减少风险暴露。
动态规划求解
好，问题定义清楚了，怎么求解？动态规划是标准做法。
我们定义价值函数 Vk(x) 为：在时间步 k，持有 x 股股票时，从当前到结束的最小期望成本。
贝尔曼方程长这样：
V_k(x) = min_v [ η v² + γ v S + λ x² σ² τ + E[ V_{k+1}(x - v) ] ]边界条件是 VT(x) = 0，因为到时间结束时，持仓必须为0。
这个方程怎么解？我个人的习惯是，先猜解的形式，再验证。从边界条件往回推，你会发现价值函数是 x 的二次型：
V_k(x) = A_k x² + B_k x + C_k代入贝尔曼方程，经过一番代数运算（这里我省略了，代码里会展示），可以得到递推关系：
A_k = A_{k+1} - (A_{k+1}² τ) / (η + A_{k+1} τ)
B_k = B_{k+1} - (A_{k+1} B_{k+1} τ) / (η + A_{k+1} τ)
C_k = C_{k+1} + (B_{k+1}² τ) / (4(η + A_{k+1} τ)) + λ σ² τ x²最优交易速度的闭式解
有了价值函数，最优交易速度 vk* 可以直接求导得到：
v_k* = (A_{k+1} x_k + B_{k+1}/2) τ / (η + A_{k+1} τ)这个公式看着有点复杂，但它的含义很直观：
- 分子里的 Ak+1 xk 代表「未来风险的折现」
- 分母里的 η 是瞬时冲击成本
- 整个式子告诉你：当前持仓越多，未来风险越大，就应该卖得越快
更妙的是，当 T 很大时，Ak 会收敛到一个常数：
A = (λ σ² τ) / (1 + √(1 + 4 λ σ² τ / η))这时候最优策略就变成了一个简单的线性函数：
v_k* = (A / (η + A τ)) x_k说白了，就是按固定比例减持。这个比例取决于风险厌恶、波动率和冲击成本。
Python实现示例
下面给个简单的实现，方便你理解整个流程：
import numpy as np
def almgren_chriss_optimal(T, X, sigma, tau, eta, lam):
"""
计算Almgren-Chriss最优执行策略
参数:
T: 时间步数
X: 初始持仓
sigma: 波动率
tau: 时间步长
eta: 瞬时冲击系数
lam: 风险厌恶系数
"""
# 从后往前递推
A = np.zeros(T+1)
B = np.zeros(T+1)
v = np.zeros(T)
x = np.zeros(T+1)
x[0] = X
# 边界条件
A[T] = 0
B[T] = 0
# 递推计算A和B
for k in range(T-1, -1, -1):
A[k] = A[k+1] - (A[k+1]**2 * tau) / (eta + A[k+1] * tau)
B[k] = B[k+1] - (A[k+1] * B[k+1] * tau) / (eta + A[k+1] * tau)
# 计算最优交易量
for k in range(T):
v[k] = (A[k+1] * x[k] + B[k+1]/2) * tau / (eta + A[k+1] * tau)
x[k+1] = x[k] - v[k]
return v, x
# 示例参数
T = 10
X = 10000
sigma = 0.02
tau = 1/252 # 日频
eta = 0.001
lam = 0.1
v_opt, x_opt = almgren_chriss_optimal(T, X, sigma, tau, eta, lam)
print("最优交易量:", v_opt)
print("持仓变化:", x_opt)核心逻辑流程图
下面这张图帮你梳理整个求解过程：
关键参数的影响
最后，我用一个表格总结一下各个参数对策略的影响：
| 参数 | 增大时的影响 | 实际含义 |
|---|---|---|
| λ（风险厌恶） | 前期卖出更多，持仓下降更快 | 你更担心价格波动，宁愿多付冲击成本 |
| η（瞬时冲击） | 交易更均匀，避免集中下单 | 市场深度不足，大单会严重推高成本 |
| σ（波动率） | 类似λ，加速减持 | 市场波动大，持仓风险高 |
| T（时间步数） | 每步交易量减少，执行更分散 | 时间充裕，可以慢慢卖 |
嗯，到这里离散时间下的最优执行策略就讲完了。这个模型虽然简单，但它是很多量化交易系统的基础。我个人建议你先把这段代码跑通，然后试着调调参数，看看策略怎么变化。实践出真知嘛。