标签： #交易成本分析

TCA 报表把执行落差拆成「延迟成本」和「交易成本」两个桶,然后拿后者考核交易台。4000 笔母单的受控模拟(每一个 bp 的真实成因都已知)给出决定性读数:报告的 15.57 bp 交易成本里,真实市场脚印只有 7.09 bp,54.5% 是本来就会发生的 alpha 漂移。零冲击安慰剂最硬--把自身冲击彻底关掉(真值精确为 0),报表照样开出 9.51 bp 账单,一个毫无市场足迹的交易台被凭空罚款。反过来关掉 alpha,交易桶立刻诚实(误差 1.67 bp),证明污染源就是 alpha 而非模型缺陷。三个基准在同一批成交上给出 23.48 / 15.57 / 7.09 bp 三个故事,跨度 16.39 bp;只把「到达时间戳」往后挪 12 根 bar、不改任何一笔成交,交易台成本从 15.6 bp 降到 -1.4 bp,17.0 bp 的纯文书改善。最刺眼的是考核后果:三个交易台按报告成本排名是 A<B<C,按真实脚印排名精确反转成 C<B<A,被表扬的正是footprint最大的那个。八项对抗式检验全过,含分解恒等式残差 0.00e+00、零延迟对照精确 0.00 bp、12 个宇宙 CV 0.106。样本量红线:单笔标准差 63.98 bp、35.9% 的单子成本为负,要 30 笔才够 t=2(高阶)

「回测年化 15%，实盘只有 6%」——中间那 9 个点去哪了？Perold (1988) 的执行落差给出唯一诚实的账本：以决策瞬间的价格为锚，把纸面组合与实盘组合的差额拆成延迟成本、执行成本、机会成本和显性费用四块。10 万股买单实测分解：延迟 9.6bp + 执行 20.8bp + 机会 18.0bp + 费用 1.6bp = 50bp。4000 次蒙特卡洛扫参与率画出执行的有效前沿：跑得快（100% 参与率）期望成本 19.6bp 但 σ 只有 31.8bp，跑得慢（2%）期望 3.7bp 可 σ 高达 113.9bp——省的是均值，赌的是方差。信号带 +30bp 日内漂移时慢执行的『省钱』被 alpha 流失整个吃回去（22.7bp vs 15.3bp，反超）。月频归因实测：35bp 单边成本 × 1.25 倍月换手 = 每月拖累 0.78%、年化 9.4 个点——正好是回测与实盘的裂缝宽度（中阶）。

报价价差 10 个 tick，做市商真能赚到 10 个 tick 吗？Stoll (1989) 给出了否定答案和一套识别方法：价差由三种成本构成——逆向选择（信息）、库存持有、订单处理，三者在成交后的价格行为上留下完全不同的指纹。信息成分让价格一去不回，库存成分让报价先偏移再均值回复，订单处理成分产生纯粹的 bid-ask bounce。本文推导「成交价串行协方差 + 报价中点串行协方差」这对识别工具，用可复现 Python 模拟验证：θ=0.45 的市场里，报价价差 0.10 元中做市商真正落袋的已实现价差只有 0.06 元。并给出三个落地应用：横截面毒性排序、TCA 里有效价差与已实现价差的正确用法、以及为什么高换手做市策略要盯已实现价差而不是报价价差（中阶）。