平方根冲击定律：为什么成交成本随下单量的平方根增长 • halo 的技术博客

你要买 10 万股。冲击成本模型告诉你是 20bp。那买 40 万股呢？

线性直觉说 80bp。真实市场说：40bp 左右。

结论先放这：

过去三十年，从纽交所股票到 CME 期货、从期权到比特币，横跨资产类别、时区和十几个数量级的订单规模，大额母单（metaorder）的价格冲击都服从同一条经验定律：

I(Q) \approx Y \cdot \sigma \cdot \sqrt{\frac{Q}{V}}

其中 σ 是日波动率，V 是日成交量，Q 是母单总量，Y 是量级为 1 的常数（实证多在 0.4~0.8）。指数不是 1（Kyle 线性），也不是 0（无冲击），而是死死钉在 0.5 附近——这是市场微观结构领域可复现性最强的实证事实之一，Bouchaud 称它为「微观结构的万有引力定律」。

对做执行和做容量测算的人，这条定律直接改写两件事：大单成本比线性模型预测的便宜得多（凹函数），但策略容量的天花板比你想的更硬——成本随规模的平方根涨，收益随规模线性摊薄，两条线必有一交。

一、为什么不是线性的？潜在流动性簿#

Kyle (1985) 的线性冲击 λQ 有干净的信息经济学推导，我们在上一篇 Kyle Lambda 里复现过。但它有个隐含假设：市场吸收订单的能力（深度）在任何价位上都是常数。

平方根律背后的物理图像不同：限价簿上挂出来的单子只是冰山一角，真正的流动性藏在交易者的意图里。Tóth et al. (2011) 提出潜在订单簿（latent order book）模型：距离当前中间价 x 处，潜在流动性密度近似线性增长：

\rho(x) \approx \lambda x

直觉：价格偏离越远，愿意逆势提供流动性的人越多——但在中间价附近，潜在买卖意图几乎相互抵消，密度趋近于零。这就是关键：市场在「此时此地」其实很薄。

要吃掉总量 Q，价格必须推到 x*，使得沿途扫过的流动性恰好等于 Q：

\int_0^{x^*} \lambda u \, du = \frac{\lambda x^{*2}}{2} = Q \quad\Rightarrow\quad x^* = \sqrt{\frac{2Q}{\lambda}}

平方根不是拟合出来的，是线性密度积分的直接后果。吃 4 倍的量，价格只推 2 倍。

用 numpy 验证一下，顺带加上现实的噪声：

import numpy as np

rng = np.random.default_rng(42)
lam = 5e4          # 潜在流动性密度斜率
Qs = np.logspace(3, 6.5, 25)   # 母单从 1e3 到 3e6 股

n_mc = 300
impacts = np.zeros((n_mc, len(Qs)))
for m in range(n_mc):
    lam_m = lam * rng.uniform(0.7, 1.3)      # 流动性本身有 ±30% 波动
    noise = rng.normal(0, 0.002, len(Qs))    # 背景波动噪声
    impacts[m] = np.sqrt(2 * Qs / lam_m) + noise

mean_imp = impacts.mean(axis=0)
slope = np.polyfit(np.log(Qs), np.log(mean_imp), 1)[0]
print(f"log-log 拟合斜率 = {slope:.3f}")   # → 0.500

python

300 次蒙特卡洛、流动性密度带 ±30% 随机扰动、叠加背景噪声，log-log 回归斜率依然是 0.500——平方根关系对参数扰动极其稳健。

潜在流动性簿与平方根冲击

左图是线性密度簿的几何：吃掉 Q 推动 x，吃掉 4Q 只推动 2x。右图是模拟结果的 log-log 图，散点严格贴着斜率 0.5 的理论线。

二、主曲线坍缩：整个市场只有一条冲击曲线#

平方根律最震撼的不是指数本身，而是普适性。把不同标的、不同市场环境的冲击数据画在一起：

横轴用参与率 Q/V（母单占日成交量的比例）
纵轴用 I/σ（冲击除以日波动率）

所有点会坍缩到同一条主曲线上。这意味着一只低波动大盘股和一只危机中的小盘股，冲击的「形状」完全相同，只差两个标度因子。

Y = 0.6
regimes = [  # (名称, 日波动率, 日成交量)
    ("低波动大盘", 0.010, 8e7),
    ("中波动中盘", 0.020, 2e7),
    ("高波动小盘", 0.035, 5e6),
    ("危机模式",   0.060, 1.2e7),
]
for name, sig, V in regimes:
    q_frac = np.logspace(-3.2, -0.3, 18)      # 参与率 0.06% ~ 50%
    # 平方根律 + 对数正态观测噪声
    imp = Y * sig * np.sqrt(q_frac) * np.exp(rng.normal(0, 0.10, 18))
    # 原始坐标下各画各的；除以 sigma、横轴换 Q/V 后坍缩

python

主曲线坍缩

左图原始坐标下四种市场环境四条线，看起来毫无关系；右图 rescale 之后全部落在 Y·√(Q/V) 上。实证文献（Almgren et al. 2005 用花旗集团数万笔母单、Tóth et al. 2011 用 CFM 自营数据、Zarinelli et al. 2015 用 ANcerno 700 万笔机构母单）反复确认了这个坍缩，Y 的量级横跨市场都在 0.5 附近。

工程含义：你不需要为每只股票单独估计冲击模型。估好 σ 和 V（都是低频公开数据），套一个全市场共用的 Y，冲击预算就有了八成准度。这也是为什么几乎所有券商 TCA（交易成本分析）模型的核心项都长成 σ√(Q/V) 的样子。

三、线性 vs 平方根：成本账单差多少#

拿一只 σ=2%、日成交 2000 万股的标的，把 Kyle 线性模型和平方根模型在 1% ADV（参与率 1%）处校准到相同冲击，然后往大单区间外推：

参与率 Q/V	线性模型冲击	平方根模型冲击	线性高估倍数
1%（校准点）	12bp	12bp	1.0×
5%	60bp	26.8bp	2.2×
10%	120bp	37.9bp	3.2×
30%	360bp	65.7bp	5.5×

线性 vs 平方根成本对比

在 30% 参与率的大单区间，线性模型高估 5 倍以上。反过来在极小单区间，线性模型又会低估冲击（平方根在原点的导数是无穷大）。右图的边际冲击 dI/dQ ~ 1/√Q 揭示了凹性的另一面：第一股最贵，越往后每股的边际冲击越低——这不是市场欢迎你，而是你已经把价格推到潜在流动性更厚的区域。

这个凹性有个反直觉推论：如果冲击是纯永久的且凹，那么「先买推高、再拆小单慢慢卖」理论上能构造套利（Gatheral 2010 证明了凹的永久冲击与无套利冲突）。市场没有被套干的原因是：平方根冲击的大部分会衰减——这就引出拆单问题。

四、拆单实验：切碎订单能省多少？#

冲击分两部分：永久部分（信息被价格吸收，不可逆）和暂时部分（流动性压力，会回补）。用传播子模型（propagator model, Bouchaud et al. 2004）刻画：每片子单产生局部冲击 √q，随时间按幂律 G(t) = (1+t)^{-β} 衰减：

def exec_cost(n_slices, Q, beta, horizon=64):
    """把 Q 拆成 n 片均匀执行，冲击按 (1+Δt)^(-beta) 衰减，返回总成本"""
    times = np.linspace(0, horizon - 1, n_slices)
    q = Q / n_slices
    cost = 0.0
    for i, ti in enumerate(times):
        p_before = sum(np.sqrt(q) * (1 + ti - tj) ** (-beta)
                       for tj in times[:i])          # 前序子单的残留冲击
        cost += q * (p_before + np.sqrt(q))          # 自身冲击 + 踩前人的坑
    return cost / Q

python

拆单实验

三条曲线对应三种衰减速度：

快衰减（β=0.9）：流动性快速回补，拆 64 片能把成本砍掉一半以上——拆单红利丰厚；
临界衰减（β=0.5）：拆单仍有收益但边际递减明显；
慢衰减（β=0.2）：冲击近似永久，拆到 64 片成本几乎不动——你的单子携带的信息量才是成本，切碎不消失。

这和 Kyle 篇的结论收敛到同一句话：暂时冲击可以用耐心换，永久冲击是信息含量的价格。实证上个股的 β 大约在 0.4~0.6，恰好卡在「拆单有用但不万能」的区间——这也解释了为什么算法交易把执行成本降了一个台阶，却没把它降到零。

五、容量测算：平方根律给策略判死刑的方式#

平方根律最实用的应用是策略容量。设策略年化毛 alpha 为 α，年换手 n 次，每次换手规模 Q：

\text{净收益} = \alpha - n \cdot Y \sigma \sqrt{Q/V}

成本随 √Q 增长，管理规模翻 4 倍，单位成本翻 2 倍。令净收益归零可以直接解出容量上限：

Q_{\max} = V \cdot \left( \frac{\alpha}{n Y \sigma} \right)^2

注意平方的威力：alpha 砍半，容量缩到四分之一；换手翻倍，容量同样缩到四分之一。高换手策略的容量对成本参数极端敏感，这就是为什么高频策略普遍规模小、而低换手价值策略能吞下百亿资金。

已知偏差与诚实边界#

平方根律是「执行期间」的冲击。母单完成后价格通常回落约三分之一到一半（Zarinelli 2015），长期永久冲击更接近参与率的线性函数。用平方根律估「持有到底的总成本」会偏保守。
极端参与率外推失效。参与率超过 50% ADV 的实证样本极少，那个区间冲击增长可能重新变陡；参与率低于 0.01% 时离散报价单位（tick size）主导，公式失去意义。
Y 不是宇宙常数。0.4~0.8 的范围意味着实际成本预算有 ±50% 的不确定性；同一标的的 Y 还随市况漂移，危机中潜在流动性密度整体坍缩，Y 有效值上升。
模拟基于理想化的潜在簿。真实市场的流动性密度未必严格线性；本文的传播子拆单实验假设子单间无信息泄露，实盘中拆单模式被识别后会遭遇抢跑，实际衰减收益打折。
与 Kyle 线性律并不矛盾。Kyle 描述的是单笔匿名订单流的边际定价，平方根律描述的是多日母单的累计冲击——前者是瞬时导数，后者是路径积分，适用尺度不同。

结语#

平方根冲击定律用一个指数 0.5 统一了三十年、十几个市场、七个数量级订单规模的实证数据。它告诉你三件事：大单比线性直觉便宜（凹性）、但第一股永远最贵（边际冲击发散）、而且规模的惩罚写在平方里（容量上限 ∝ α²）。

配合前几篇的工具箱：Roll/CS/AR 估价差（显性成本）、Kyle λ 和 Amihud 估深度（边际冲击）、平方根律估母单总账单（累计冲击）——低频数据能拼出的交易成本画像，到这里基本完整了。

记住这个数字：0.5。你的成本不随规模线性增长，但你的容量随 alpha 平方缩水。