换手率约束组合优化：把调仓成本写进目标函数

均值方差优化有一个课本从不告诉你的隐藏账单：它每个月都想把你的组合翻个底朝天。你用过去半年的收益率估计期望和协方差，下个月数据滚动一格，估计值轻微抖动，优化器输出的”最优权重”却大幅跳动——因为 MV 优化对输入的敏感度是出了名的病态。权重月月大搬家，换手率就是你付给这种病态的月租。

结论先放这：在一个 5 资产、月度调仓的合成实验里，朴素 MV 的年化换手高达 6.5 倍（单次调仓平均搬动 54.5% 的仓位），30bp 单边成本把毛年化 +1.75% 直接磨成净 -0.22%。把 L1 换手惩罚 λ‖w−w_prev‖₁ 写进目标函数后，λ=0.0005 就让年化换手降到 2.4、净年化翻正到 +1.43%、最大回撤从 -35.7% 收窄到 -26.7%。 而一个看起来很合理的替代方案——10% 无交易带——几乎没用：换手只从 6.54 降到 6.18。原因很扎心：估计噪声导致的权重摆动远大于 10%，带子根本拦不住。

一、换手是估计噪声的放大镜#

先看问题有多严重。合成 5 个资产、5 年日频收益（预设年化收益 4%~10%、波动 8%~25%、相关矩阵非平凡），用 126 天滚动窗口估计 μ 和 Σ，每 21 天做一次标准 MV 优化（多头、归一化）：

def mv_weights(mu, S, gamma=8.0):
    """无约束均值方差（多头归一化）"""
    w = np.linalg.solve(gamma * S, mu)
    w = np.clip(w, 0, None)
    s = w.sum()
    return w / s if s > 1e-12 else np.ones(len(mu)) / len(mu)

实测结果：单次调仓平均换手 0.545——也就是说每个月平均有 54.5% 的仓位在搬家，年化换手 6.54 倍。这不是市场变了，这是 126 天窗口里滚进滚出的几十个样本点把 μ 的估计搅得天翻地覆，优化器忠实地放大了这些噪声。

对着 30bp 的单边成本（对多资产组合含冲击成本这不算高），账单如下：

毛收益本来就不高（估计噪声下 MV 的通病），成本一扣直接转负。而 L1 惩罚不仅省了成本，毛收益反而更高——少折腾本身就是一种正则化，抑制了对噪声的过度反应。

二、把成本写进目标函数：L1 惩罚与近端梯度#

核心改动只有一项：优化目标从”最大化风险调整收益”变成”最大化风险调整收益减去调仓账单”：

$\max_w \; \mu^\top w - \frac{\gamma}{2} w^\top \Sigma w - \lambda \|w - w_{prev}\|_1$

第三项就是换手惩罚：每单位权重搬动收 λ 的罚金。λ 的经济含义非常直白——它就是你对单边交易成本的估计（若成本 30bp，λ 取 0.003 附近就是”按真实账单收费”）。

L1 项不可导，标准做法是近端梯度（proximal gradient）：先按光滑部分走一步梯度，再对 (w − w_prev) 做软阈值收缩——小于阈值的变动直接归零，大于阈值的变动被削去一截：

def mv_weights_turnover(mu, S, w_prev, lam, gamma=8.0, iters=2000):
    """L1 换手惩罚 MV：近端投影梯度"""
    w = w_prev.copy()
    lr = 0.8
    for _ in range(iters):
        grad = mu - gamma * (S @ w)
        w_new = w + lr * grad
        # 近端算子：朝 w_prev 软阈值收缩
        d = w_new - w_prev
        d = np.sign(d) * np.maximum(np.abs(d) - lr * lam, 0.0)
        w_new = np.clip(w_prev + d, 0, None)
        w = w_new / w_new.sum()
    return w

软阈值的行为正是我们想要的交易逻辑：预期收益的改善不足以覆盖 λ 的搬仓费，就原地不动；足以覆盖，也只搬”值得搬”的那部分。这比事后砍单优雅得多——它让优化器在做决策时就知道交易不是免费的。

三、λ 扫描：换手-净收益前沿#

λ 是新引入的超参数，它的选择不能拍脑袋。用 5 组独立随机种子生成 5 套数据，对每个 λ 取平均（避免单一路径的运气污染结论）：

两个规律值得盯住：

第一，换手对 λ 极度敏感。λ 从 0 到 0.0005（仅 5bp 的惩罚），换手从 7.2 倍腰斩再腰斩到 2.1 倍。这说明朴素 MV 的大部分交易是”边际改善微弱”的噪声交易——只要收一点点过路费，它们就自动消失了。

第二，净 Sharpe 在 λ 增大过程中单调爬升后趋平。在这个合成环境里甚至 λ 越大越好（因为预设的真实 μ 是常数，最优策略本来就该躺平持有）。真实市场中 alpha 会衰减、regime 会切换，λ 过大会让你抱着过期的仓位不放——前沿会呈倒 U 形，最优 λ 在成本率的 1~3 倍附近。

四、反直觉发现：无交易带为什么失灵#

无交易带（no-trade band）是实务中常见的土办法：目标权重和当前权重差距小于阈值（比如 10%）就不动。听起来和 L1 惩罚很像，实测却几乎无效——换手只从 6.54 降到 6.18，净收益依然为负。

原因值得写在墙上：无交易带假设权重变动大部分是小碎步，但 MV 估计噪声导致的权重摆动是大开大合的。这个实验里目标权重经常从 60% 直接跳到 5%（某资产的 μ 估计从正翻负），10% 的带子对这种量级的跳动毫无拦截能力。带子只过滤了本来就不多的小额调整，大额的噪声交易一笔没拦住。

L1 惩罚则不同：它不是”小于阈值不动”，而是对每一单位的搬动连续收费——大额搬动也要被削减到”边际收益 = 边际成本”的位置。这就是把成本写进目标函数与事后打补丁的本质差别。

无交易带并非一无是处：对指数跟踪、风险平价这类目标权重本身平稳的策略，它简单有效。它失灵的前提条件是”目标权重本身被噪声驱动大幅跳动”——而这恰恰是朴素 MV 的常态。

五、成本敏感性：成本越贵，纪律越值钱#

把单边成本从 5bp 扫到 50bp：

5bp 的低成本环境下（大型宽基 ETF、高流动性期货），三种方案差距不大，朴素 MV 甚至还能维持正收益——换手率约束在这里是锦上添花。但成本抬到 30bp 以上（小盘股、公司债、任何有冲击成本的规模化交易），朴素 MV 和无交易带的净收益深度转负，只有 L1 惩罚还站着。换手控制的价值与成本率成正比：交易越贵的市场，把成本写进目标函数越是生死攸关。

六、四类真实陷阱#

陷阱一：λ 与再平衡频率必须绑定校准。 同一个 λ，月度调仓和日度调仓的实际约束力差 21 倍——日度调仓每次搬动少但次数多，累计换手可能不降反升。换频率必须重新扫描 λ，不能沿用旧值。

陷阱二：L1 惩罚制造隐性锚定偏差。 w_prev 成为每次优化的引力中心，意味着你的持仓有路径依赖：同一天、同样的市场信息，去年建仓的组合和今天新建的组合会给出不同的”最优权重”。这在单账户里是特性（省成本），在多账户管理里是合规噩梦（同策略不同持仓）。

陷阱三：合成实验高估了惩罚的收益端好处。 本文预设真实 μ 恒定，“少动”天然正确，所以 λ 越大毛收益越高。真实市场 alpha 有半衰期：动量信号半衰期几周，λ 过大会让你系统性迟到。正确姿势是把 λ 对齐真实成本率，把 alpha 衰减速度作为 λ 的上限约束，而不是拿样本内净收益反推 λ。

陷阱四：换手率不等于成本的全部。 ∑|Δw| 计价的线性成本模型忽略了冲击成本的凹性（大单成本超线性增长）与买卖不对称（融券、印花税单边征收）。规模上去之后应把惩罚项升级为分段线性或 3/2 次幂冲击模型——数学上依然可以用近端算子处理，只是软阈值函数换个形状。

结语#

换手率约束的本质，是承认一个朴素的事实：优化器眼里的”更优权重”，扣掉搬仓费之后经常是”更差权重”。把 λ‖w−w_prev‖₁ 写进目标函数只需要十行代码，但它改变的是决策哲学——从”先算出理想仓位再心疼成本”变成”在下单之前就让成本参与投票”。这个实验里它把净年化从 -0.22% 拉回 +1.43%；在真实市场更高的成本和更大的规模下，这条惩罚项往往就是策略能不能活下来的分界线。