智能订单路由(SOR)：在多个交易场所之间把大单拆成最优流

你以为的「买入 20 万股」不是一笔交易，而是一道执行题。如果把 20 万股一次性砸进一个场所，你的单子会瞬间吃掉好几层限价簿，把价格一路推高——你买得越多，成交价越差，这个「越买越贵、越卖越便宜」的代价就是市场冲击（market impact）。更麻烦的是，今天的市场是碎片化的：同一只股票在十几个场所挂牌，有的流动性深、有的价差窄、有的费用贵。把全部量灌进一个场所，等于放弃了对流动性的全局寻优。

本文聊智能订单路由（Smart Order Router, SOR）：把一笔父单拆成许多小切片（child order），在多个交易场所之间动态分配，目标是最小化总执行成本（实现短缺，implementation shortfall）。核心直觉一句话：执行不是在「哪个场所买」上做一次性决定，而是在「每一刻、每个场所还剩多少便宜流动性」上做在线优化。

我们用 5 个场所的合成流动性面板验证：父单 20 万股、拆 25 期、每期切片 8,000 股。等权拆分（naive）实现短缺 17.0 bps；静态成本分配（用期初深度算一次就照旧）均值 16.7 bps、但标准差高达 13.3 bps（碰到流动性枯竭就崩）；智能自适应 SOR 逐期用当前深度重解优化，实现短缺 7.8 bps、标准差仅 2.8 bps——成本降 54%，稳定性还高一个数量级。

一、执行成本长什么样：临时冲击是凸的#

一笔切片（child order）在某场所的执行成本，相对「到达时的中间价」可以拆成三块：

• 半价差（half-spread）：你本来就想买在中间价，但成交要付价差，至少吃半口；
• taker 费用（fee）：吃单要交给场所/做市商的费用；
• 临时冲击（temporary impact）：你这片子占用了该场所当期的可用深度，把价格推歪，这部分和你切片大小非线性相关。

我们建模成：

def slice_cost(q, Dv, v):
    """单笔切片在某场所的执行成本（bps，相对到达中间价）。

    q   : 该场所切片股数
    Dv  : 该场所当期可用深度（股）
    v   : 场所编号
    成本 = 半价差 + taker费用 + 临时冲击
    临时冲击 ∝ (切片/深度)^2 * 10000   —— 二次凸，占深度比例越大贵得越快
    """
    q = max(q, 0.0)
    impact = GAM[v] * (q / Dv) ** 2 * 10000.0
    return SH[v] + FEE[v] + impact

关键在临时冲击项 GAM[v] * (q/Dv)^2：成本随「切片占深度的比例」平方上升。这意味着「把一个大切片塞进浅场所」比「把同样总量均摊到深场所」贵得多——而且是非线性的，不是简单翻倍。

在等权参考切片（每场所 1,600 股）下，5 个场所单切片成本差异巨大：场所 A（深流动性）只有 1.8 bps，场所 C（极窄价差但浅）7.6 bps，场所 D（贵且浅）高达 13.1 bps。等权拆分完全无视这个差异——这正是它浪费成本的根源。

二、凸性：为什么不能简单按比例分#

把单个场所的成本曲线画出来，凸性一目了然：

曲线向上弯（凸）。凸函数有个重要性质：把总量从「贵的场所」挪到「便宜的场所」能降本，但凸性意味着「边际成本相等」才是最优解——而不是把量塞到单价最低的那个（那样它在那个场所自己就变贵了）。这正是优化问题的核心：在 Σ q_v = S（每期总切片）、0 ≤ q_v ≤ D_v（不超过当期深度）约束下，求 Σ slice_cost(q_v) 最小。

最优解满足边际成本相等（KKT 条件）：

∂cost/∂q_v = 2·GAM_v·10000 / D_v² · q_v  = 常数（对所有被选中的场所）

解得 q_v ∝ D_v² / GAM_v——深度越深、冲击系数越小，分到的量越多。这就是下面 water-filling 的闭式直觉。

三、路由算法：从等权到 water-filling#

三种路由策略：

Q, T, S = 200_000, 25, 200_000 / 25   # 父单 20 万股，拆 25 期，每期切片 8000

def waterfill(S_total, Dvec):
    """凸优化：给定每期总切片与当前各场所深度，按边际成本相等分派，
    并对深度上限封顶（water-filling 迭代）。"""
    m = 2.0 * GAM * 10000.0 / (Dvec ** 2 + 1e-12)   # 各场所边际成本斜率
    active = Dvec > 1.0
    w = 1.0 / m[active]; w = w / w.sum()
    q = np.zeros(N)
    q[active] = S_total * w
    for _ in range(20):                  # 封顶后回收再分配
        over = q > Dvec
        if not over.any(): break
        q[over] = Dvec[over]
        still = (~over) & (Dvec > 0)
        if not still.any(): break
        rem = S_total - q.sum()
        if rem <= 0: break
        m2 = 2.0 * GAM[still] * 10000.0 / (Dvec[still] ** 2 + 1e-12)
        w2 = 1.0 / m2; w2 = w2 / w2.sum()
        q[still] += rem * w2
    return np.clip(q, 0, Dvec)

def route_equal(Dmat):     return np.full((T, N), S / N)          # 无视一切，均分
def route_static(Dmat):    return np.tile(waterfill(S, Dmat[0]), (T, 1))  # 只算期初一次
def route_smart(Dmat):     return np.array([waterfill(S, Dmat[t]) for t in range(T)])  # 逐期重算

• 等权拆分（naive）：每期把 8,000 股硬均分 5 份，1,600 股砸进每个场所，不管谁贵谁便宜、谁深谁浅；
• 静态成本分配（semi-smart）：用 t=0 的深度做一次 water-filling，算出一套「最优比例」后每期照旧——比 naive 聪明，但假设未来流动性永不变；
• 智能自适应 SOR（smart）：每一期都用「当前」各场所深度重解 water-filling，流动性变了就立刻重配。

四、动态流动性：为什么静态会翻车#

真实市场的深度不是静止的。我们让各场所深度逐期对数正态波动，并随机触发「流动性枯竭」事件（某场所深度骤降 3 期）：

def depth_path(rng):
    Dmat = np.zeros((T, N)); mult = np.ones(N)
    for t in range(T):
        mult = np.clip(mult * rng.lognormal(0, 0.18, N), 0.35, 3.0)
        if rng.random() < 0.08:        # 8% 概率触发枯竭事件
            mult[rng.integers(N)] *= 0.25
        Dmat[t] = DEPTH0 * mult
    return Dmat

这两条代表性路径的路由占比，热力图说得最清楚：

上图（SOR）能明显看到：在流动性枯竭的期次（某场所占比骤降），SOR 把切片实时转移到还深着的场所；下图（等权）则纹丝不动——枯竭的场所照塞 20%，硬吃高冲击。

五、蒙特卡洛：SOR 把成本整体左移#

300 次模拟，比较三种路由的实现短缺（数量加权平均的单切片成本，单位 bps，越低越好）：

结论很硬：

• SOR vs 等权：成本降 54.2%（17.0 → 7.8 bps）。这 9 个多 bps 对一笔大单就是真金白银——20 万股、股价 100 元，名义 2,000 万，9 bps ≈ 1.8 万元；
• SOR vs 静态：成本降 53.4%（16.7 → 7.8 bps），而且方差从 13.3 砍到 2.8——静态看似均值不差，但一碰枯竭事件就崩，尾部风险极高；
• 静态相对等权只省 1.6%——因为它「算过一次」却死守过期比例，枯竭一来反而比等权还糟（等权好歹每场所只占 20%，静态可能把更多量压在恰好枯竭的那个）。

六、六类真实陷阱#

1. 冲击模型是整件事的地基：我们用 (q/D)² 的二次临时冲击，真实冲击通常是「√q 永久 + q 临时」或更复杂的 Almgren-Chriss 形式，且永久冲击不可逆（你买的量会永久抬高价格，路由救不回）。模型错，路由比例就错——落地必须用真实成交回测校准 γ，而不是拍脑袋。
2. 深度是预测值，不是观测值：实盘每期「可用深度」是估计的（你只看得到档位快照，看不到隐藏流动性/冰山单）。把估计当真值喂进 water-filling，会高估浅场所的承载力、把量塞爆。要加保守折让（q_v ≤ 0.3·D_v 之类）。
3. 静态 vs 自适应的分水岭是「流动性时变强度」：我们的合成里枯竭事件频发，所以自适应碾压静态；若你交易的是超大盘、深度几乎不动，静态和自适应差别很小，反而不值得为自适应多付工程复杂度。先量市场的流动性波动，再决定要不要做自适应。
4. 机会成本与信息泄漏：把大单摊太多期（25 期变 250 期），虽然每期冲击小，但拖太久会暴露意图、承担价量漂移的 gamma/vega 风险。拆单期数本身是个优化变量，不是越大越好——最优在「冲击成本」和「等待风险」的交点。
5. 费用与返佣的博弈：场所 C（极窄价差）费率为 0，但深度浅；纯按冲击优化可能过度依赖它。真实市场还有 maker-taker 返佣、阶梯费率，目标函数要把净成本（fee 含返佣）放进 slice_cost，否则会算出「便宜但被费率反噬」的路由。
6. 合成数据局限：本面板是 5 场所、二次冲击、对数正态深度的自洽合成，只为干净演示「自适应重配」的降本与稳压。真实碎片化市场有上百场所、异步撮合、跨场所套利者、延迟差异——这些会让「最优解」带约束（如「同价优先主场」），工程上要加路由规则层而非纯优化。

七、结语#

智能订单路由的本质，是把「在哪个场所买」从一次性拍板变成逐期的在线凸优化：

• 执行成本里临时冲击是凸的（(q/D)²），所以最优分配满足「边际成本相等」——q_v ∝ D_v²/γ_v，深的、冲击小的场所多分；
• 静态算一次就够用，前提是流动性不变；一旦市场时变、枯竭频发，逐期重解的 SOR 把成本从 17.0 砍到 7.8 bps，且把尾部风险压下一个数量级；
• 和之前聊的 Almgren-Chriss 最优执行放一起看：Almgren-Chriss 管「时间维度怎么拆」（快 vs 慢），SOR 管「空间维度怎么分」（这个场所 vs 那个）——两者是同一道执行题的纵横两刀，合起来才是完整的最优执行。

注：本文流动性面板为自洽合成数据（二次冲击、对数正态深度、随机枯竭事件），用于演示自适应 SOR 的降本与稳压；真实落地需真实成交校准冲击系数、保守估算深度、并把费率/返佣纳入成本函数。