交割失败与强制买入：缩短结算周期把风险从信用桶挪到了操作桶

核心结论：缩短结算周期不消灭风险，它把风险从一个几乎不发生的桶（对手方违约）搬进一个天天发生的桶（后台来不及）。 在 98.8% 的境内 STP、94.5% 的跨境 STP 下，T+1 相对 T+2 信用敞口精确腰斩（省 0.421 bp），操作成本却涨了 1.011 bp，净额 +0.590 bp——每省 1 分钱信用风险，要多付 2.4 分钱操作风险。而这个结论不是「T+1 是坏主意」，是「T+1 是一张对后台质量收费的账单」：把 STP 提到 99.59% 以上，同一套模型立刻翻转成 T+1 更省。

一、这篇文章要拆的那句话#

2024 年美国把股票结算周期从 T+2 改到 T+1，欧盟和英国在排队。官方理由几乎总是同一句：

缩短结算周期减少了对手方风险敞口。

这句话是对的。它甚至是可以精确证明的：如果对手方违约的概率是每天 λ，你的敞口存活 D 天，那么期望替换成本正比于 λ · D · E[|价格变动|]，而价格变动本身按 sqrt(D) 缩放。窗口从 2 天砍到 1 天，这一项必然下降。

问题在于，这句话只覆盖了账本的一半。

另一半是：结算周期同时是你的后台修复差错的时间预算。T+2 给你一整个额外营业日去核对账户、调头寸、借券、跨时区联系当地托管行。T+1 给你几个小时。同一个差错率，修复窗口砍半，未修复的差错就变成交割失败。

而交割失败不是记账问题，它有现金成本：借券费、失败期间的价格敞口、以及升级成强制买入（mandatory buy-in）时被塞进一个流动性极差的时点执行。

所以真正的问题不是「T+1 好不好」，而是：信用桶省下来的，和操作桶多花的，谁大？

这个问题不能靠拍脑袋，因为两个桶的量级差得很远，而且方向相反。得算。

二、为什么必须用受控模拟，而不是真实数据#

用真实数据回答这个问题有个根本困难：你只能观测到一个世界。美国现在是 T+1，你看不到「同样这批交易在 T+2 下会怎样」。跨国比较又混杂了市场结构、参与者构成、监管差异——你分不清是周期的效果还是别的。

受控模拟绕开这个：同一批交易、同一个随机种子、只改结算周期这一个参数，跑两遍。差额里的每一 bp，成因由构造已知。

世界设定：

6 万笔配售，名义金额中位约 180 万美元（对数正态，sigma=0.85）
标的年化波动率 28%
30% 跨境（FX 腿 + 时区 + 当地代理行），70% 境内
境内 STP 直通率 98.8%，跨境 94.5%
差错修复率：T+2 下 93%，T+1 下 62%（跨境再乘 0.82）

关键的一步是替换成本必须按违约概率折算，不能用全额市值变动。清算会员的年违约概率大约 40 bp，折到 1-2 个营业日是个很小的数——这恰恰是本文的要害。我第一版模型直接用了全额 MTM 变动当替换成本，结果信用桶算出 101 bp、完全淹没操作桶，T+1 看起来是压倒性胜利。那是个 bug，不是发现：

# 错的：把整个价格波动当成信用损失
replacement_bp = mtm_move * 1e4 * 0.5

# 对的：只有对手方真的违约才付这笔钱
PD_ANN = 0.0040                 # 清算会员年违约率 40bp
PD_DAY = PD_ANN / 252
LGD = 0.55                      # 违约损失率
replacement_bp = PD_DAY * cycle_days * LGD * mtm_move * 1e4 * 0.5

改完之后信用桶从 101 bp 塌到 0.84 bp，和操作桶进入同一个数量级——这才是真实的权衡所在。一个把信用风险算大 120 倍的模型，会让任何缩短周期的提案看起来都无懈可击。

三、五个桶的完整账本#

def run(cycle_days, stp_dom=0.988, stp_xb=0.945, sigma_d=SIGMA_D, n=60000):
    rng = np.random.default_rng(SEED)
    notional = rng.lognormal(np.log(1_800_000), 0.85, n)
    is_xb = rng.random(n) < 0.30

    # 桶1+2：信用侧，随窗口线性/根号缩放
    mtm_move = np.abs(rng.normal(0, sigma_d * np.sqrt(cycle_days), n))
    replacement_bp = PD_DAY * cycle_days * LGD * mtm_move * 1e4 * 0.5
    margin_funding_bp = 0.42 * cycle_days        # 保证金占款的资金成本

    # 桶3-5：操作侧，随修复窗口反向恶化
    stp = np.where(is_xb, stp_xb, stp_dom)
    broke = rng.random(n) > stp
    repair = 0.93 if cycle_days >= 2 else 0.62
    repair_p = np.where(is_xb, repair * 0.82, repair)   # 跨境更难修
    failed = broke & (rng.random(n) > repair_p)

    fail_days = np.zeros(n)
    base_len = 1.9 if cycle_days >= 2 else 2.8          # T+1 下队列排不掉
    fail_days[failed] = 1 + rng.gamma(base_len, 1.0, failed.sum())

    borrow_bp = fail_days * (0.0075 / 252) * 1e4
    fail_mtm_bp = np.abs(rng.normal(0, sigma_d, n)) * np.sqrt(fail_days) * 1e4 * 0.5
    buyin = failed & (rng.random(n) < 0.11)
    buyin_bp = np.where(buyin, 34.0 * rng.uniform(0.6, 1.7, n), 0.0)

    w = notional / notional.sum()                        # 按名义金额加权
    return (replacement_bp + margin_funding_bp + borrow_bp
            + fail_mtm_bp + buyin_bp) * w

跑出来的账本：

信用桶省 0.421 bp，操作桶多花 1.011 bp，节省被吃掉 240.1%。

注意一个容易被忽略的细节：真正的信用节省几乎全部来自保证金资金成本（0.42 bp），而不是替换成本（0.001 bp）。替换成本小到可以忽略——因为清算会员一天违约的概率实在太低了。也就是说，「减少对手方风险」这个卖点，在数字上兑现的其实是「少占两天保证金的资金」，这是个融资故事，不是风险故事。

四、失败率：境内放大 6 倍，跨境只放大 2 倍#

全样本失败率从 0.47% 涨到 1.16%（2.47 倍），但拆开看是两个完全不同的故事：

• 境内放大 6.09 倍（0.08% → 0.49%）
• 跨境只放大 1.97 倍（1.38% → 2.71%）

这个方向很反直觉——不是应该跨境更脆弱吗？

跨境确实更脆弱，但它本来就已经很脆弱了。跨境的坏是存量的：STP 只有 94.5%，即便在 T+2 下也已经在大量失败。缩短窗口对它是雪上加霜，但相对增幅有限。境内的坏是新增的：98.8% 的 STP 在 T+2 下几乎不出事（0.08%），突然砍掉一个营业日的修复时间，那些原本能在第二天早上悄悄补掉的差错，一下子全变成了公开的交割失败。

运营上的含义：T+1 迁移的痛点不在你早就知道有问题的跨境链路上，而在你从来没操心过的境内链路上。前者你有专人盯，后者你的容量规划是按「反正第二天能补」建的。

另一个数字：平均失败持续天数从 2.98 天涨到 3.82 天。失败不仅变多，还变长——因为借券队列和差错处理队列在同一时间段拥堵，清不掉。

五、四项对抗式检验#

安慰剂 1：零摩擦世界（决定性检验）#

把 STP 设为 100%、去掉所有操作摩擦，只留信用桶。理论上此时 T+1 应该是无争议的胜利。

结果：失败率 0.000000，操作成本 0.000000 bp，T+1 净省 0.421 bp。

这条检验的意义比它看起来大得多。它证明：本文的结论不是「T+1 是个坏主意」。在一个后台完美的世界里，T+1 严格更好，而且好得干干净净。全部的成本翻转都来自操作摩擦这一个来源。

换句话说，反对 T+1 的人和支持 T+1 的人可能在同一个模型里都是对的——他们只是在讨论 STP 数值不同的两家机构。

安慰剂 2：零波动率世界#

把 sigma 设为 0，同时把买入冲击设为 0。理论上所有价格相关的桶都应该精确归零。

结果：替换成本 0.000000、失败期敞口 0.000000、买入冲击 0.000000。

同时失败率仍然是 1.16%——交割照样失败，只是失败不再花钱。这两条合起来证明：账本里没有加性常数，没有哪个桶在偷偷贡献一个与机制无关的固定数字。如果我的代码里有个写死的偏移量，这条检验会立刻暴露它。

检验 3：窗口缩放律#

替换成本里的价格变动项应该严格按 sqrt(D) 缩放。取 40 万样本单独测这一条腿：

• 实测 T+1/T+2 比值：0.708530
• 理论 sqrt(1/2)：0.707107
• 误差：1.42e-03（纯抽样噪声量级）

缩放律成立，说明信用桶的实现是对的。但要强调：缩放律成立不代表桶的标签对——它只证明「这个数按我以为的方式随窗口变化」，不证明「这个数就是对手方风险」。

检验 4：STP 盈亏平衡扫描#

这是全文最有实践价值的一条。

盈亏平衡点：STP = 99.59%。

这个数字应该被印在每一份 T+1 迁移方案的封面上。它把一个政策辩论转化成一个可测量的运营 KPI：你的直通处理率过没过 99.59%？过了，T+1 是净收益；没过，你是在给自己开一张账单。

而 99.59% 是个很高的门槛。90% 的 STP 下 T+1 要多花 8.22 bp，而 99.4% 时只多花 0.20 bp——同一条规则，代价差 41 倍。这个非线性是本文最该被记住的一件事：STP 从 99.4% 掉到 95%，T+1 的总成本涨 5.09 倍，而 T+1 相对 T+2 的溢价涨 16.4 倍。后台质量不是一个「差不多就行」的维度。

六、同一条规则，两个相反的判决#

把组合拆成纯境内和纯跨境两个极端：

• 纯境内组合：净额 +0.223 bp（轻微变贵）
• 纯跨境组合：净额 +1.818 bp（明显变贵，是境内的 8.1 倍）

同一条监管规则，对两类机构的成本影响差 8 倍。一家纯做美国境内自营的机构几乎感觉不到 T+1，一家跑全球配售的资管会实打实地多付钱。这不是规则设计得不好，这是任何统一规则的必然结果——但它意味着「行业平均影响」这个数字对任何具体机构都没有指导意义。

再看强制买入冲击的扫描：

这条曲线几乎是平的：买入冲击从 0 bp 涨到 120 bp（现实中极端值），净额只从 +0.686 变到 +0.747，总共差 0.06 bp。

这个结果推翻了一个常见叙事。CSDR 强制买入制度在欧洲引起过巨大争议，业界的核心论点是「买入执行成本太高」。但在这个模型里，买入冲击根本不是主要成本——它只占 T+1 总成本的 2.4%。真正的大头是「失败期间价格敞口」，占 76.8%。

也就是说：失败本身就是成本，不需要升级成买入才产生成本。你持有一个本该已经交割掉的敞口，市场在动，这就是钱。盯着买入罚则去优化，是在优化账单上最小的那一项。

七、成本分布：98.86% 的交易完全没事#

这是运营视角最重要的一张图（数字而非图表）：

平均值在这里是有误导性的。0.59 bp 的均值差听起来微不足道，但它是这样构成的：98.86% 的交易一分钱额外成本都没有，剩下 1.14% 里有人付了 30 bp、极端的付了 696 bp。

这种分布形态有两个实际后果：

1. 日常监控看不到问题。你的月度 TCA 报表显示成本上升 0.6 bp，淹没在噪声里。
2. 事故是集中的。当它发生时，是在某一天、某几笔大单上，金额足够大到需要向上汇报。

样本量红线：单笔成本标准差 21.73 bp，而 T+1 与 T+2 的单笔均值差只有 0.65 bp。要在自己的账本上把这个差异测到 |t|=2，需要 4430 笔同类配售。一家中型资管一年可能都跑不到这个量——这意味着大多数机构在统计上永远无法从自己的数据里验证 T+1 到底让他们多花了钱还是省了钱。

12 个不同种子的稳定性检验：净额均值 +0.586 bp，CV 仅 0.154，区间 [+0.405, +0.692]。结论方向在所有宇宙里一致。

八、陷阱与局限（诚实版）#

1. 修复率 0.93 / 0.62 是我设的，不是测的

这两个数字驱动了全部结论。它们是基于「T+2 多给一整个营业日」的合理推断，但没有公开数据能校准。如果真实的 T+1 修复率是 0.80 而不是 0.62，盈亏平衡点会显著下移，结论可能翻转。这是本文最大的不确定性来源，也是任何机构做自己评估时第一个该替换成内部数据的参数。

2. 模型里没有学习曲线

现实中 T+1 迁移后，机构会投资自动化、改流程、加人手。本文比较的是「同样的后台，两个周期」的瞬时对比，不是三年后的稳态。长期看 STP 会被推高到盈亏平衡点以上——但那笔 IT 投资的成本，本文完全没有计入。

3. 保证金资金成本 0.42 bp/天 是个粗糙的代理

真实的保证金要求取决于组合净额、CCP 模型、会员分层。用一个线性的每日费率是简化。这一项占了全部信用节省的 99.7%，所以它的误设会直接按比例传导到结论。

4. 没有建模「失败会传染」

现实中 A 交割失败会导致 B 无法交割（fail chains）。本文的失败是独立的。这会低估 T+1 的操作成本——真实的链式失败在结算周期缩短时会更容易形成。

5. 未建模日内时点

T+1 的真正痛点之一是时区：亚洲投资者买美股，T+1 意味着确认窗口落在当地深夜。本文用「跨境修复率乘 0.82」笼统地代理了这件事，没有真的建模时钟。

九、实践 Checklist#

• 先测自己的 STP，再讨论周期。盈亏平衡点 99.59% 是个可以直接对标的数字。低于它，T+1 对你是净成本，而这个成本可以量化成预算去申请自动化投资
• 境内链路优先排查，不是跨境。跨境的失败你早就知道，境内失败率的相对放大（6.09 倍）才是没人做过容量规划的地方
• 别把优化重点放在买入罚则上。买入冲击只占 T+1 增量成本的 2.4%，失败期间的价格敞口占 76.8%——缩短失败持续时间比降低买入成本值钱 30 倍
• 监控 99 分位，不是均值。均值 0.59 bp 淹没在噪声里，99 分位从 0.85 跳到 30.65 bp 才是真实的风险画像
• 别指望用自己的数据验证。单笔 SD 21.73 bp 对均值差 0.65 bp，需要 4430 笔。用行业数据或受控模拟，不要用 200 笔的内部样本得出结论
• 区分「省资金」和「降风险」。信用节省的 99.7% 来自保证金占款减少，替换成本的节省只有 0.001 bp——如果你的理由是「降低对手方风险」，数字不支持你；如果理由是「释放保证金」，数字支持你

本文所有数字基于 SEED=20260806 的受控模拟，真实市场参数（尤其是差错修复率）可能存在量级差异。