换手率衰减与 Alpha 半衰期：信号该持有多久

问题：调仓快了喂佣金，调仓慢了喂衰减#

每个做横截面策略的人迟早撞上同一个问题：信号算出来了，仓该多久调一次？

调得太快，换手率爆炸，佣金、印花税、冲击成本一层层剥皮；调得太慢，信号早就过期了，你持有的是三周前的观点，alpha 已经被别人赚走。这中间显然有一个最优点，但它在哪里？

大部分人的做法是网格搜一遍持有期，挑回测最好的那个。这样做有两个问题：一是搜出来的最优点自带过拟合嫌疑；二是它没有回答「为什么」——换个市场、换个成本环境，这个数字还成立吗？

正确的框架是把问题拆成两个可测量的量：

1. Alpha 半衰期：信号的预测能力多少天衰减一半；
2. 成本-换手曲线：每次调仓付多少，调仓频率决定一年付多少次。

最优持有期是这两者的交点。本文用一个受控模拟把这条逻辑链完整走一遍——受控的好处是真实半衰期是我们自己设的（8 天），任何估计方法的偏差都无处遁形。

实验设计：把半衰期埋进数据里#

200 只股票、2000 个交易日。信号是横截面标准化的 AR(1) 过程，自相关系数由目标半衰期反推：

收益由昨日信号驱动，即期 IC 设为 0.012（横截面策略的现实量级），日波动 2%：

import numpy as np

rng = np.random.default_rng(42)
N, T = 200, 2000
HL_true = 8.0
rho = 0.5 ** (1.0 / HL_true)     # AR(1) 系数，半衰期 8 天
ic0, sigma_r = 0.012, 0.02

# 信号面板：AR(1)，方差恒为 1
S = np.zeros((T, N))
S[0] = rng.standard_normal(N)
for t in range(1, T):
    S[t] = rho * S[t-1] + np.sqrt(1 - rho**2) * rng.standard_normal(N)

# 收益：t 日信号预测 t+1 日收益（signal-on-i, return-on-i+1）
R = np.zeros((T, N))
R[1:] = ic0 * S[:-1] * sigma_r + \
        sigma_r * np.sqrt(1 - ic0**2) * rng.standard_normal((T-1, N))

注意收益方程里的 S[:-1]——信号在 t 日收盘确认，驱动的是 t+1 日的收益。这是回测里最容易犯的 look-ahead 错误的镜像检查点：数据生成过程本身必须先对齐，否则后面测出来的一切都是自欺。

第一步：测 IC 衰减曲线，估半衰期#

用 t 日信号预测 t+h 日收益，h 从 1 扫到 40：

def zscore(x):
    return (x - x.mean(axis=1, keepdims=True)) / x.std(axis=1, keepdims=True)

Sz = zscore(S)
lags = np.arange(1, 41)
ics = np.array([
    np.corrcoef(Sz[:-h].ravel(), R[h:].ravel())[0, 1]
    for h in lags
])

滞后 1 天的 IC 是 1.65%，之后指数下滑，20 天以外基本淹没在噪声里。对这条曲线拟合 $\text{IC}(h) = a \cdot e^{-\lambda h}$，半衰期就是 $\ln 2 / \lambda$。

这里有一个不报错但会系统性高估的坑。很多人图省事，对 IC 取对数后做线性回归——但远端的 IC 观测值一半正一半负（噪声主导），取对数只能保留正值点。这不是无害的丢数据：被留下的恰好是被噪声往上推的那一半，回归斜率被压平，半衰期被高估。实测对比：

对数回归把 8 天估成了 16 天——误差 100%，而且方向恒定。非线性拟合（对 λ 做网格、a 用解析最小二乘）用上了全部 40 个点包括负值，误差小得多：

best_sse, lam_hat, a_hat = np.inf, None, None
for lam_try in np.linspace(0.01, 0.6, 600):
    x = np.exp(-lam_try * lags)
    a_try = (x @ ics) / (x @ x)          # 给定 λ 时 a 的解析解
    sse = np.sum((ics - a_try * x) ** 2)
    if sse < best_sse:
        best_sse, lam_hat, a_hat = sse, lam_try, a_try
hl_hat = np.log(2) / lam_hat             # → 11.9 天

但 11.9 vs 8 仍有偏差——这不是方法错了，是采样噪声本身就这么大。跑 20 个独立种子：

20 个估计的均值 9.8 天（轻微高估），标准差 3.1 天，最小 5.4、最大 16.7。同一个数据生成过程，2000 天 × 200 只股票的样本量，半衰期估计仍能差出三倍。 这个数字请在拿真实数据估半衰期时反复回味：你估出的「12 天」和别人估出的「7 天」，可能是同一个真相的两次抽样。

第二步：持有期扫描——最优点随成本右移#

十分位多空组合（做多信号最高 10%、做空最低 10%，各组内等权），每 hold 天再平衡一次，每次换仓按单边成本收费：

def backtest(hold, cost_bps):
    w = np.zeros(N); pnl, turns = [], []
    for t in range(WARM, T - 1):
        if (t - WARM) % hold == 0:
            s = Sz[t]
            hi, lo = np.quantile(s, 0.9), np.quantile(s, 0.1)
            w_new = np.where(s >= hi, 1.0, np.where(s <= lo, -1.0, 0.0))
            w_new = np.where(w_new > 0, w_new / (w_new > 0).sum(),
                    np.where(w_new < 0, w_new / (w_new < 0).sum(), 0.0))
            turn = np.abs(w_new - w).sum() / 2
            pnl.append(w_new @ R[t+1] - turn * cost_bps * 1e-4)
            w = w_new
        else:
            pnl.append(w @ R[t+1])
    pnl = np.array(pnl)
    return pnl.mean() / pnl.std() * np.sqrt(252)

先看换手的量级。日频调仓的年化单边换手是 145.7 倍——组合每年翻 145 次。持有 8 天降到 42.8 倍，持有 20 天 21.2 倍。换手大致按 1/hold 衰减：

然后是主结果——四条成本假设下的净 Sharpe 曲线：

三个观察：

第一，成本对高换手策略的杀伤是毁灭性的。 同一个信号，日频调仓在零成本下 Sharpe 3.05，30bp 成本下变成 -1.25——不是变差，是变成一台稳定的亏钱机器。145 倍年换手 × 30bp × 2（双边）≈ 年化 8.7% 的确定性成本，而这个信号的毛年化收益撑不起这个数。

第二，最优持有期随成本单调右移，且大致符合平方根规律。 成本从 10bp 涨到 60bp（6 倍），最优持有期从 3 天移到 40 天（约 13 倍）。理论上在指数衰减 + 比例成本假设下最优持有期近似 $h^* \propto \sqrt{c/\lambda}$，模拟结果与之量级一致。

第三，最优点右侧的曲线很平，左侧很陡。 30bp 那条线，持有 10 天和 20 天的 Sharpe 差别不大，但从 10 天缩到 3 天直接从 0.94 掉到 0.3 以下。实务含义：拿不准就选长一点，宁可少赚衰减也别多喂成本——不对称性站在慢的一边。

第三步：降换手的两条路不等价#

拉长持有期是最粗暴的降换手方式，但不是唯一的。另一条路是信号平滑：持有期保持 1 天，但用 EMA 把信号钝化，仓位自然变得粘滞：

def backtest_ema(span, cost_bps):
    alpha = 2 / (span + 1)
    Se = np.zeros_like(Sz); Se[0] = Sz[0]
    for t in range(1, T):
        Se[t] = (1 - alpha) * Se[t-1] + alpha * Sz[t]
    # 之后照常做日频十分位多空，成本照收
    ...

在 10bp 和 30bp 下，平滑都赢，30bp 时赢了 36%。原因不难理解：拉长持有期意味着「每 10 天才看一次最新信号，中间 9 天装瞎」；而 EMA 平滑是「每天都看最新信号，只是移动得慢」。后者保留了对新信息的持续响应，只牺牲响应速度——信息利用率天然更高。

60bp 那行平滑反而略输，是因为扫描的 span 上限只到 30；把 span 继续放大，平滑路线会追回来。真正的重点不是哪条路永远赢，而是：换手率是预算，怎么花这笔预算是有优劣之分的。同样把年换手从 145 倍压到 20 倍，平滑方案买到的 alpha 比机械降频更多。

实务中还有第三条路本文没有展开：调仓带（no-trade band）——只有当目标仓位偏离现有仓位超过阈值才动手。它和 EMA 类似，都属于「让仓位对信号小抖动脱敏」的家族，一般也优于机械拉长持有期。

快慢信号混合：为什么真实曲线不是干净指数#

本模拟的信号是单一 AR(1)，IC 衰减是教科书式的指数。真实信号很少这么干净——常见形态是快慢两段混合：

• 反转类信号：半衰期 2~5 天，两周后彻底没了；
• 质量/价值类信号：半衰期以月计，衰减曲线前段平缓。

一个多因子复合信号的 IC 衰减曲线是这两类的加权叠加，前段陡、后段拖长尾。用单一指数去拟合会得到一个「哪边都不像」的半衰期。正确做法是分解到子信号层面各估各的，再按半衰期给每个子信号配它自己的平滑参数——快信号配短 EMA，慢信号配长 EMA，而不是全家共用一个调仓频率。这也是为什么成熟的组合框架把「信号加权」和「换手控制」做成两层：混在一起时，慢信号会被快信号绑架着高频调仓，白白喂成本。

已知偏差#

这个实验有三处与真实世界的差距，方向都要说清：

1. 成本模型只有比例费率，没有市场冲击。 真实冲击成本随交易速度非线性上升，这会进一步惩罚短持有期——最优点比模拟结果更靠右。文中「拿不准选长一点」的结论在真实市场只会更强。
2. 信号衰减是平稳的。 真实 alpha 半衰期本身会漂移——拥挤的信号衰减越来越快。三年前估的半衰期今天可能已经砍半，这要求半衰期估计滚动更新，而滚动窗口内的样本量比本文 2000 天更小，估计噪声（±3 天量级）更大。
3. 十分位多空 + 等权是最简组合构造。 带风险模型和优化器的组合中，换手还受协方差矩阵变化驱动，成本-换手曲线会更复杂，但「半衰期定调仓节奏」的主逻辑不变。

结论#

三句话带走：

1. 先估半衰期，再定调仓频率——顺序不能反。估计时用全部 IC 点做非线性拟合，别对正值点取对数回归（那会把 8 天估成 16 天）；并且记住即使方法正确，±40% 的抽样误差是常态。
2. 成本翻倍，持有期别只翻一半。最优持有期对成本的弹性接近平方根，且曲线左陡右平——宁慢勿快。
3. 降换手优先用信号平滑或调仓带，而不是机械拉长持有期。同样的换手预算，平滑方案保留了对新信息的持续响应，30bp 成本下净 Sharpe 高出三分之一。

换手率不是策略的副产品，它是你为信息新鲜度支付的价格。半衰期告诉你这份新鲜度值多少钱——别为过期的信息付全价，也别为省钱吃过期的饭。