标签： #交易成本

散户下单只关心买不买、卖不卖；机构下单还要多问一句：这单怎么下才不会自己把价格打飞？一笔 10 万股的市价单一次性砸进去，滑点可能高达 98bp——本文用 4000 条蒙特卡洛路径实测，同样的量拆成 TWAP（均匀切）滑点降到 43bp、VWAP（跟着成交量切）再降到 40bp，一次性冲击是它的 2.3 倍。文章从零推导市场冲击的凸性为什么让『拆单+跟量』能省钱（Cauchy-Schwarz），复现日内 U 型成交量曲线、Almgren-Chriss 有效前沿（执行成本 vs 时序风险的取舍），并诚实拆穿 VWAP 的死穴：它跟踪的是一个你下单时还不知道的未来基准，预测成交量偏 35% 就会变成跑输基准的跟踪误差。附完整 Python 与四类真实陷阱（中高阶）。

把一天的收益按『收盘到次日开盘』和『开盘到收盘』切成两段，会发现同一只股票戴着两副面孔：隔夜段延续、日内段反转，两股力量方向完全相反却都能赚钱。这不是站内那篇讲权益溢价集中在隔夜的时间序列拆解，而是 Lou-Polk-Skouras (2019, JFE) 的『拔河』横截面视角——散户情绪在隔夜发酵、机构资金在日内逆向承接。本文在植入动量 β=0.055、反转 β=0.042 的 200 股×5 年合成面板上完整复现 Fama-MacBeth 检验：隔夜动量斜率 0.045（t=9.9）、日内反转斜率 -0.042（t=-10.7）、五分组隔夜段单调递增而日内段单调递减；隔夜动量多空年化 12.9%（Sharpe 1.47）、日内反转多空年化 10.4%（Sharpe 1.33）、合并策略 Sharpe 1.56。用 β×成本热力图画出这类日换手策略的生死线，附完整 Python 与四类真实陷阱（中高阶）。

把二十年的日收益按『它在当月的第几天』重新排队，会看到一个刺眼的规律：月末最后几个交易日到次月头两天（合称 TOM 窗口）的日均收益，是月中的几十倍——Ariel (1987) 和 Lakonishok-Smidt (1988) 记录的月末月初效应至今稳健。燃料是资金流的日历表：工资定投、养老金申购、机构窗口粉饰、被动基金月末再平衡，全都卡在日历翻页那几天入场。本文在植入月末月初正漂移的 20 年×252 日合成数据上完整复现：TOM 窗口只占 24% 的交易日却贡献 98.5% 的累计收益、两样本 t=4.24；只在这几天持有的策略年化 32.8%（Sharpe 2.24）碾压全程买入持有（Sharpe 0.54），而月中持有近乎白拿风险（年化 0.2%）。附逐年稳定性检验、窗口长度扫描、完整 Python 与四类真实陷阱（中阶）。

均值方差优化器每个月都想把组合翻个底朝天：估计噪声让最优权重月月剧烈跳动，5 资产月度调仓的年化换手高达 6.5 倍，30bp 单边成本直接把年化收益从 +1.75% 磨成 -0.22%。本文把 L1 换手惩罚项写进目标函数，用近端梯度求解：λ=0.0005 就把年化换手从 6.5 压到 2.4，净费后年化从 -0.22% 翻正到 +1.43%，最大回撤同步收窄 9 个百分点。5 组独立模拟扫描 λ 画出换手-净收益前沿，并诚实揭穿一个反直觉结论：10% 的无交易带几乎无效——因为估计噪声导致的权重摆动远大于 10%。附完整 Python 与四类真实陷阱（中高阶）。

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。