标签： #交易成本

Roll (1984) 隐含交易成本度量，是微观结构里最「反直觉却优雅」的技巧之一：它不依赖任何订单簿数据，只从一段连续的「成交价差分 Δp_t」里，用相邻两期差分的协方差 −Cov(Δp_t, Δp_{t-1}) 反推出有效（全额）买卖价差 s = 2·√{−Cov}。本文用纯 numpy 合成「随机游走中间价 + 含价差 Tick 的成交价」，滚动估计 Roll 成本，对照已知真实成本：价差主导噪声的应激段（6 tick）几乎精确还原（0.0601 vs 0.0600），噪声主导的平静段（2 tick）被向上偏置到 0.030（真实 0.020）；并用一个对照实验证明——成交方向自相关 ρ 越大，Roll 越低估真实成本（ρ=0 才精确还原，ρ=0.7 时低估 −58%）。同时诚实拆穿「非负协方差被丢弃导致的低 SNR 偏置 / Tick 取整 / 趋势市失效 / 漂移污染」四类真实陷阱（中阶）。

再平衡听起来只是「把漂移的权重拉回目标」。但朴素做法要先卖成现金、再买成目标，来回两道成本；真要做最小摩擦，应该让「谁该减仓的资产」直接换给「谁该加仓的资产」。本文用最优传输（Wasserstein / Earth Mover's Distance）把再平衡重写成一个最小成本运输问题，scipy 线性规划从零求解，量化它比现金中枢省 50% 摩擦，并利用折价配对（实物/篮子交易）再降一截，最后用 W1 距离作再平衡触发器，回测年化节省 41% 交易成本，附完整 Python 与五类真实陷阱（中阶）。

Black-Scholes 给期权对冲的是解析 delta，但它有三个隐藏假设：零交易成本、连续对冲、波动率已知。真实市场里这三条全破，于是 delta 对冲会在每次调仓时白白交手续费、在跳空时露风险。深度对冲(Buehler et al. 2019)换了个思路：不套公式，而是用神经网络直接学「每一步该持多少标的」，目标函数就定成对冲误差的方差；交易成本作为惩罚项写进目标，网络自己学会「该偷懒时偷懒」。本文用 GBM 下的欧式看涨、纯 numpy 手写一个 MLP 对冲器（不依赖任何深度学习框架），在无成本时退化到 BS delta，在单边成本 2% 时把对冲误差方差比 BS 压窄约 16%。附完整可复现 Python 与六类真实陷阱（高阶）。

动量因子不是一次性开关，而是一块每天都在融化的冰。本文用边际 IC 画出信号从 0.012 逐日腐烂到零的衰减曲线，再把它翻译成最扎心的实盘问题：调仓越勤越能吃到峰值 alpha，却被换手成本反噬——模拟里毛夏普在 2 天持有期最高，净夏普却在 10 天持有期见顶(3.0)，短线高频反成净值杀手。

卖出 100 万股这种大单，怎么拆、多快卖，本身就是一道优化题。Almgren-Chriss 把永久冲击、临时冲击和持仓的波动风险写进同一个目标：快卖=冲击成本高但风险低，慢卖=风险高但冲击低。解出来是一条「前置还是后置」的最优轨迹。附完整 Python 与六类真实陷阱（高阶）。

市场冲击是交易成本里最难估的一项。本文用因果推断视角把冲击拆成临时与永久两部分，点破朴素 IS 把市场波动也算进你的账单，并用外生市场因子构建无交易反事实基线分离真实冲击，附平方根律扫描、TCA 落地与六大真实陷阱。