3、经典冲击模型（一）：Almgren-Chriss模型框架、线性冲击模型、永久冲击与暂时冲击的数学表达、模型参数估计

说到交易成本控制，我第一个想到的就是Almgren-Chriss模型。这个模型在量化交易圈子里，几乎是做执行算法的人手一本的「圣经」。我个人习惯把它叫做AC模型，因为它确实把交易成本这件事讲得特别清楚。

你想想看，我们做交易最怕什么？怕的是你一买它就涨，一卖它就跌。这背后其实就是市场冲击在作怪。AC模型厉害的地方在于，它把冲击拆成了两块：永久冲击和暂时冲击。这个思路，说白了就是把复杂问题简单化。

模型框架：一个交易员的视角

AC模型的核心思想其实很简单。假设你要在T时间内买入X股股票，你不能一口气全买完，得慢慢来。这个「慢慢来」的过程，就是交易策略。模型要回答的问题是：怎么拆单才能让总成本最小？

我记得第一次在实际项目中用这个模型，是在一个做市商的系统里。当时我们要在半小时内吃掉一个大单，如果用简单的时间加权平均，成本会高得吓人。后来用了AC模型做优化，成本直接降了15%。嗯，这就是理论指导实践的好处。

线性冲击模型：最简单的假设

AC模型假设冲击是线性的。什么意思？就是你交易量越大，对价格的冲击就越大，而且是成比例的。这个假设虽然简单，但在实际中还挺好用的。

线性冲击的数学表达是这样的：

永久冲击：ΔP_permanent = γ * σ * (X/V)^(1/3) * sign(交易方向)
暂时冲击：ΔP_temporary = η * σ * (x/δt) * sign(交易方向)

这里γ和η是冲击系数，σ是波动率，X是总交易量，V是日均成交量，x是单步交易量，δt是时间步长。

说实话，我第一次看到这个公式的时候也觉得有点懵。但后来在实际项目中跑数据，发现这个线性假设其实挺靠谱的。尤其是在流动性比较好的股票上，误差基本在5%以内。

永久冲击：你改变不了的东西

永久冲击，说白了就是你的交易行为对市场造成了「永久性」的影响。比如你买了一大笔股票，把价格推高了，这个价格可能就回不来了。为什么？因为市场认为这个信息是有价值的——有人在大笔买入，说明可能有内幕消息。

永久冲击的特点：

• 与交易量成正比，与时间无关
• 一旦发生，价格不会恢复
• 主要受信息不对称影响

我曾经在一个小盘股上吃过亏。当时觉得流动性差，就慢慢买，结果还是被市场发现了。价格从20块一路涨到22块，我还没买完呢。这就是永久冲击的威力——你藏不住的。

暂时冲击：过一会儿就好了

暂时冲击就不一样了。它是因为你的交易行为暂时「挤占」了市场的流动性。比如你突然下了一个大单，把卖单都吃掉了，价格自然就上去了。但只要过一会儿，新的卖单进来，价格又会回来。

暂时冲击的特点：

• 与交易速度有关，越快冲击越大
• 价格会恢复，但需要时间
• 主要受流动性影响

模型参数估计：从理论到实战

理论再好，参数估计不准也是白搭。AC模型需要估计的参数主要有三个：冲击系数γ和η，以及波动率σ。

参数估计的方法：

1. 历史数据回归法：用过去一段时间的数据，把冲击和交易量做回归
2. 市场微观结构模型：用订单簿数据直接计算
3. 贝叶斯估计：结合先验知识，动态更新参数

我个人比较喜欢用第一种方法，简单直接。但要注意，参数是会变的。比如市场情绪好的时候，冲击系数会变小；市场恐慌的时候，冲击系数会变大。所以参数要定期更新，我一般每天更新一次。

知识体系总览

下面这张图是我自己整理的AC模型知识体系，你可以看看各个部分之间的关系：

实战中的参数估计

说了这么多理论，咱们来点实际的。下面是我常用的参数估计代码，用Python写的：

import numpy as np
import pandas as pd

def estimate_ac_params(trade_data, window=20):
    """
    估计Almgren-Chriss模型参数
    trade_data: DataFrame, 包含['volume', 'price', 'time']列
    """
    # 计算收益率
    trade_data['return'] = trade_data['price'].pct_change()
    
    # 计算交易量占比
    trade_data['volume_ratio'] = trade_data['volume'] / trade_data['volume'].rolling(window).mean()
    
    # 估计永久冲击系数 gamma
    gamma = np.polyfit(trade_data['volume_ratio'].dropna(), 
                       trade_data['return'].dropna(), 1)[0]
    
    # 估计暂时冲击系数 eta
    # 用残差来估计
    residuals = trade_data['return'] - gamma * trade_data['volume_ratio']
    eta = np.std(residuals) / np.std(trade_data['volume_ratio'])
    
    return gamma, eta

这段代码看起来简单，但实际用的时候要注意几个坑。第一，数据频率要统一，我一般用分钟级数据。第二，要剔除异常值，比如涨跌停的时候数据不能用。第三，参数要定期重新估计，我建议每天收盘后跑一次。

这些参数值是我在实际项目中总结出来的，不同市场、不同股票会有差异。我建议你拿到数据后先跑一遍，看看自己的参数落在哪个区间。如果偏离太多，就要检查数据或者模型假设是不是有问题了。

好了，AC模型的基本框架就讲到这里。这个模型虽然简单，但非常实用。我个人觉得，理解了这个模型，你就掌握了交易成本控制的核心思想。下一节我们会讲更复杂的冲击模型，但AC模型永远是基础中的基础。

---