第 25 讲：换手率约束与交易成本惩罚项引入

本讲核心目标

在现代量化投资组合优化中，经典的均值-方差优化器被学界与业界戏称为“误差放大器（Error Maximizer）”：由于机器学习模型的 Alpha 预测值每天都存在细微的统计噪声，一个未经换手率约束与摩擦惩罚的优化器，往往会为了多赚 $0.05\mathrm{\%}$ 的微小超额，每天把 $50\mathrm{\%}$ 的持仓底仓全盘换掉，最终在 A 股印花税、佣金与滑点冲击的“绞肉机”下巨额失血。

本讲将深入剖析优化器过度换手的病理根源；推导如何将 L1 线性交易费用 与 L2 二次市场冲击模型（Almgren-Chriss 近似） 直接编入凸优化目标函数；实现单期换手率半范数硬约束；并绘制换手率与扣费净超额收益的帕累托有效前沿（Pareto Frontier），建立买方实盘的动态换手决策机制。

---

1. 经典文献与工业界理论基石

交易摩擦与组合优化的结合，是量化金融工程中最具实战价值的研究领域之一：

1. Michaud, Richard O. (1989). "The Markowitz Optimization Enigma: Is 'Optimized' Optimal?", Financial Analysts Journal, 45(1): 31-42.

   首次从统计学角度证明均值-方差优化器过度青睐估计误差最大（高估均值、低估风险）的资产，揭示了“误差放大器”现象。

2. Almgren, Robert, & Chriss, Neil (2000). "Optimal execution of portfolio transactions", Journal of Risk, 3(2): 5-40.

   奠定了最优执行与市场冲击模型（Temporary and Permanent Market Impact）的学术理论基石。

3. Kyle, Albert S. (1985). "Continuous Auctions and Informed Trader", Econometrica, 53(6): 1315-1335.

   推导了知情交易者订单流对价格冲击的线性模型（Kyle's Lambda），构成了微观结构冲击成本的理论源头。

4. Boyd, S., Busseti, E., He, S., & Kang, J. (2017). "Multi-Period Trading via Convex Optimization", Foundations and Trends in Optimization, 3(1): 1-76.

   斯坦福大学凸优化体系，系统推导了将 L1 线性交易费与 L2 凸冲击函数统一嵌入凸优化规划的标准范式。

5. Bouchaud, J.-P., Gefen, Y., Potters, M., & Wyart, M. (2004). "Fluctuations and response in financial markets: the subtle nature of 'random' price changes", Quantitative Finance, 4(2): 176-185.

   证明了真实金融市场中非线性平方根冲击定律的普遍存在性。

---

2. 优化器为何会患上“过度换手病”？

金融市场的信噪比（SNR）通常只有 $0.05\sim 0.15$。在第 $t$ 日，股票 A 的预期超额为 $+1.02\mathrm{\%}$，股票 B 为 $+0.98\mathrm{\%}$；但到了第 $t+1$ 日，因微弱特征扰动，股票 A 的预测变为 $+0.98\mathrm{\%}$，股票 B 变为 $+1.02\mathrm{\%}$。

• 无约束优化器的狂热：优化器把微不足道的 $0.04\mathrm{\%}$ 统计噪声视为绝对确定的套利机会，立刻指令全额卖出股票 A，全额买入股票 B！
• A 股实盘的严酷惩罚：
  • 卖出股票 A：单向印花税 $0.05\mathrm{\%}$ + 卖出佣金与经手费 $\approx 0.02\mathrm{\%}$ + 卖出冲击滑点 $\approx 0.10\mathrm{\%}=0.17\mathrm{\%}$；
  • 买入股票 B：买入佣金与过户费 $\approx 0.02\mathrm{\%}$ + 买入冲击滑点 $\approx 0.10\mathrm{\%}=0.12\mathrm{\%}$；
  • 总摩擦损耗：双边摩擦成本高达 $0.29\mathrm{\%}$！这一买一卖不仅没有赚到预期的 $0.04\mathrm{\%}$ 差价，反而让组合净资产瞬间缩水 $0.25\mathrm{\%}$！

课程图示

可放大查看细节，点击百分比恢复原始大小。

---

3. 交易摩擦成本的凸函数化建模（Convex Formulation）

设第 $t$ 日调仓前投资组合的现有真实持仓权重为 ${\mathbf{w}}_{\text{prev}}\in {\mathbb{R}}^N$（已经历资产价格被动漂移）。 本次调仓的目标决策变量为 $\mathbf{w}\in {\mathbb{R}}^N$。 单只股票的调仓权重变动量为：

$$\mathrm{\Delta }{w}_i=w_i-w_{i,\text{prev}}$$

3.1 L1 线性交易成本项（印花税 + 券商佣金 + 过户费）

线性交易成本正比于调仓金额。在 A 股市场，印花税仅在卖出侧征收（现行标准 $0.05\mathrm{\%}$），佣金与经手过户费双边征收（买卖各约 $0.015\mathrm{\%}\sim 0.02\mathrm{\%}$）：

$$C_{\text{linear}}(\mathrm{\Delta }\mathbf{w})=\sum _{i=1}^N(c_i^{\text{buy}}(\mathrm{\Delta }{w}_i{)}^{+}+c_i^{\text{sell}}(\mathrm{\Delta }{w}_i{)}^{-})$$

其中 $(\cdot {)}^{+}=max(\cdot ,0)$ 为买入部分，$(\cdot {)}^{-}=max(-\cdot ,0)$ 为卖出部分。

在对称费率教学简化下，可表示为 L1 范数形式：

$$C_{\text{linear}}(\mathrm{\Delta }\mathbf{w})={\mathbf{c}}^T|\mathbf{w}-{\mathbf{w}}_{\text{prev}}|=c\cdot \parallel \mathbf{w}-{\mathbf{w}}_{\text{prev}}{\parallel }_1$$

• 凸性证明：绝对值函数 $|\cdot |$ 及 L1 范数 $\parallel \cdot {\parallel }_1$ 为严格凸函数，在 cvxpy 中直接通过 cp.norm1(w - w_prev) 调用，天然满足 Disciplined Convex Programming (DCP) 规范！

3.2 L2 二次市场冲击惩罚项（Almgren-Chriss 暂时冲击模型）

对于管理规模数亿至数十亿元的买方资管产品，大单交易会在订单簿上“打穿挂单深度”，产生显著的市场冲击。

根据 Almgren & Chriss (2000) 最优执行理论，暂时价格冲击与执行速度成正比，因而总冲击成本金额与交易量的平方成正比。在单期组合优化中，可等价建模为二次惩罚项：

$$C_{\text{impact}}(\mathrm{\Delta }\mathbf{w})=\frac{1}{2}\sum _{i=1}^N{\gamma }_i(\mathrm{\Delta }{w}_i{)}^2=\frac{1}{2}(\mathbf{w}-{\mathbf{w}}_{\text{prev}}{)}^T\mathrm{\Gamma }(\mathbf{w}-{\mathbf{w}}_{\text{prev}})$$

其中冲击对角惩罚系数 ${\gamma }_i$ 严格正比于资金规模 AUM，反比于股票日均成交额 ADV：

$${\gamma }_i=k\cdot {\sigma }_{i,\text{daily}}\frac{\text{AUM}}{{\text{ADV}}_{i,\text{amount}}}$$

• $\text{AUM}$：基金管理总资产净值（如 10 亿元人民币）；
• ${\text{ADV}}_{i,\text{amount}}$：该股票在调仓决策前已知的 20 日日均成交金额（如 5,000 万元）；
• ${\sigma }_{i,\text{daily}}$：个股日收益波动率；
• $k$：由执行算法（TWAP/VWAP）历史交易成交数据校准的经验冲击乘数。
• 经济学内涵：管理规模越大、股票成交额越清淡、个股波动率越高，冲击系数 ${\gamma }_i$ 呈几何级数爆炸，优化器将自动约束在该股票上的调仓动作！

---

4. 全多目标平衡规划模型与换手率硬约束

统一投资持有期为 $H$ 个交易日。目标函数将持有期主动超额收益、风险惩罚、本次调仓线性税费与二次市场冲击惩罚同时纳入考虑：

$$\underset{\mathbf{w}}{max}\underset{\text{持有期预期超额}}{\underbrace{{\mathbf{h}}^T{\mathit{\alpha }}_H}}-\underset{\text{持有期风险方差惩罚}}{\underbrace{\frac{\lambda }{2}{\mathbf{h}}^T{\mathbf{\Sigma }}_H\mathbf{h}}}-\underset{\text{本次调仓线性成本}}{\underbrace{{\mathbf{c}}^T|\mathbf{w}-{\mathbf{w}}_{\text{prev}}|}}-\underset{\text{本次调仓市场冲击成本}}{\underbrace{\frac{1}{2}(\mathbf{w}-{\mathbf{w}}_{\text{prev}}{)}^T\mathrm{\Gamma }(\mathbf{w}-{\mathbf{w}}_{\text{prev}})}}$$$$\text{s.t.}\{\begin{array}{ll}\sum _{i=1}^N{w}_i=1,w_i\ge 0& (\text{预算与单边做多})\\ X_{\text{ind}}^T(\mathbf{w}-{\mathbf{w}}_b)=\mathbf{0}& (\text{申万一级行业硬中性})\\ |X_{\text{style}}^T(\mathbf{w}-{\mathbf{w}}_b)|\le {\mathit{\delta }}_{\text{style}}& (\text{风格因子偏离容差})\\ -w_{b,i}\le w_i-w_{b,i}\le d_{max}& (\text{个股主动超配上限})\\ {\mathbf{h}}^T{\mathbf{\Sigma }}_{\text{ann}}\mathbf{h}\le {\text{TE}}_{max}^2& (\text{年化预测跟踪误差硬上限})\\ \frac{1}{2}\parallel \mathbf{w}-{\mathbf{w}}_{\text{prev}}{\parallel }_1\le {\tau }_{max}& (\text{单期单边换手率硬上限})\end{array}$$

其中：

$${\text{Turnover}}_{\text{single}}=\frac{1}{2}\sum _{i=1}^N|w_i-w_{i,\text{prev}}|=\frac{1}{2}\parallel \mathbf{w}-{\mathbf{w}}_{\text{prev}}{\parallel }_1$$

因买入总量与卖出总量相等，乘以 $1/2$ 即为工业标准的单边换手率。

---

5. 换手率与净超额的帕累托前沿（Pareto Frontier）

通过逐步放宽换手率硬上限 ${\tau }_{max}\in [5\mathrm{\%},50\mathrm{\%}]$，我们可以绘制出著名的换手率-净收益帕累托前沿曲线：

课程图示

可放大查看细节，点击百分比恢复原始大小。

5.1 边际效益递减规律

1. 换手率过紧（${\tau }_{max}\le 5\mathrm{\%}$）：优化器被严重束缚，无法将仓位调往高 Alpha 优质股票，毛超额极低；
2. 黄金平衡区间（${\tau }_{max}\approx 15\mathrm{\%}\sim 20\mathrm{\%}$）：优化器能够果断卖出 Alpha 衰竭殆尽的股票、重配新发掘的强势股票，且交易摩擦极低，扣费后净超额达到全局峰值；
3. 换手率过松（${\tau }_{max}\ge 35\mathrm{\%}$）：优化器开始捕捉高频噪声，冲击成本与税费按二次方加速飙升，净超额出现断崖式暴跌！

---

6. 工业级带换手成本的凸优化器实战

在 tutorial/examples/lecture_25_turnover_constraints_and_costs.py 中，我们实现了生产级 AshareTurnoverConstrainedOptimizer：

1. 完整输入上一期真实持仓 w_prev、线性费率向量 $\mathbf{c}$ 与规模冲击对角矩阵 $\mathrm{\Gamma }$；
2. 联合求解包含 L1/L2 成本惩罚与单期单边换手率上限 ${\tau }_{max}$ 的凸优化问题；
3. 内置 trace_pareto_frontier() 扫掠求解器，自动输出换手上限敏感性报告。

可在终端直接运行验证：

python3 -m examples.lecture_25_turnover_constraints_and_costs

"""H 日收益、H 日风险与单次交易成本口径一致的教学优化器。"""
from dataclasses import dataclass
import cvxpy as cp
import numpy as np
from examples.lecture_24_cvxpy_portfolio_optimization import AshareIndexEnhancementOptimizer
from examples.portfolio_utils import validate_risk_inputs, solve_checked


@dataclass
class TurnoverOptimizationResult:
    optimal_weights: np.ndarray
    gross_active_return: float   # H 日预期主动收益
    linear_cost: float           # 本次调仓占净资产比例
    impact_cost: float           # 本次调仓占净资产比例
    net_active_return: float     # H 日毛收益减本次成本；非全年净收益
    turnover: float
    annualized_tracking_error: float
    horizon_days: int
    status: str


class AshareTurnoverConstrainedOptimizer(AshareIndexEnhancementOptimizer):
    def __init__(self, risk_aversion=2.5, linear_cost_rate=.0015, impact_penalty_coef=1.,
                 max_active_weight=.015, size_tolerance=.05, max_tracking_error=.045,
                 horizon_days=5, annual_factor=250.):
        super().__init__(risk_aversion, max_active_weight, size_tolerance,
                         max_tracking_error, horizon_days, annual_factor)
        if linear_cost_rate < 0 or impact_penalty_coef < 0:
            raise ValueError('成本系数不能为负')
        self.linear_cost, self.impact_coef = linear_cost_rate, impact_penalty_coef

    def impact_coefficients(self, adv_amount, daily_volatility, aum):
        """gamma_i = k * sigma_daily_i * AUM / ADV_amount_i。

        线性价格冲击的二次总成本近似；k 必须在历史执行数据上校准。
        AUM 和 ADV 都以同一币种金额计，不是股数。无全截面再归一化。
        """
        adv = np.asarray(adv_amount, dtype=float)
        vol = np.asarray(daily_volatility, dtype=float)
        if adv.ndim != 1 or vol.shape != adv.shape or not np.isfinite(aum) or aum <= 0:
            raise ValueError('ADV/波动率形状必须一致，AUM 须为正')
        if not np.isfinite(adv).all() or not np.isfinite(vol).all() or np.any(adv <= 0) or np.any(vol < 0):
            raise ValueError('ADV 须为正，日波动率须非负，且均为有限数值')
        return self.impact_coef * vol * aum / adv

    def optimize(self, expected_returns, benchmark_weights, prev_weights, exposure_matrix,
                 factor_covariance, specific_variance, adv_amount, *, aum, daily_volatility,
                 max_turnover=None, n_industries=6, size_col_idx=6):
        expected_returns, benchmark_weights, exposure_matrix, factor_covariance, specific_variance = validate_risk_inputs(
            expected_returns, benchmark_weights, exposure_matrix, factor_covariance, specific_variance, n_industries, size_col_idx)
        n = len(expected_returns)
        prev_weights = np.asarray(prev_weights, dtype=float)
        if prev_weights.shape != (n,) or not np.isfinite(prev_weights).all() or np.any(prev_weights < 0) or not np.isclose(prev_weights.sum(), 1):
            raise ValueError('旧仓位须为同一证券顺序的非负满仓权重；本例未建模现金与池外仓位')
        if max_turnover is not None and not 0 <= max_turnover <= 1:
            raise ValueError('单边换手上限须在 [0,1]')
        gamma = self.impact_coefficients(adv_amount, daily_volatility, aum)
        if gamma.shape != (n,):
            raise ValueError('流动性输入必须与证券顺序对齐')
        w = cp.Variable(n)
        h, delta = w - benchmark_weights, w - prev_weights
        y = exposure_matrix.T @ h
        annual_risk = cp.quad_form(y, factor_covariance) + cp.sum(cp.multiply(specific_variance, cp.square(h)))
        period_risk = annual_risk * self.horizon_days / self.annual_factor
        linear_cost = self.linear_cost * cp.norm1(delta)
        impact_cost = .5 * cp.sum(cp.multiply(gamma, cp.square(delta)))
        objective = cp.Maximize(expected_returns @ h - self.risk_aversion / 2 * period_risk - linear_cost - impact_cost)
        constraints = [w >= 0, cp.sum(w) == 1,
            exposure_matrix[:, :n_industries].T @ h == 0,
            cp.abs(exposure_matrix[:, size_col_idx] @ h) <= self.size_tolerance,
            h <= self.max_active_weight, annual_risk <= self.max_tracking_error ** 2]
        if max_turnover is not None:
            constraints.append(.5 * cp.norm1(delta) <= max_turnover)
        problem = cp.Problem(objective, constraints)
        result = solve_checked(problem, w, constraints)
        actual_delta, active = result - prev_weights, result - benchmark_weights
        gross = float(expected_returns @ active)
        linear = float(self.linear_cost * np.abs(actual_delta).sum())
        impact = float(.5 * np.sum(gamma * actual_delta ** 2))
        beta = exposure_matrix.T @ active
        te = float(np.sqrt(max(0., beta @ factor_covariance @ beta + np.sum(specific_variance * active ** 2))))
        return TurnoverOptimizationResult(result, gross, linear, impact, gross - linear - impact,
            float(.5 * np.abs(actual_delta).sum()), te, self.horizon_days, problem.status)

    def trace_pareto_frontier(self, expected_returns, benchmark_weights, prev_weights,
                             exposure_matrix, factor_covariance, specific_variance, adv_amount,
                             *, aum, daily_volatility, turnover_caps=None,
                             n_industries=6, size_col_idx=6):
        if turnover_caps is None:
            turnover_caps = [.05, .10, .15, .20, .30, .50]
        return [self.optimize(expected_returns, benchmark_weights, prev_weights, exposure_matrix,
                factor_covariance, specific_variance, adv_amount, aum=aum,
                daily_volatility=daily_volatility, max_turnover=cap,
                n_industries=n_industries, size_col_idx=size_col_idx) for cap in turnover_caps]


if __name__ == '__main__':
    rng = np.random.default_rng(42)
    n = 400
    benchmark = rng.uniform(.1, .4, n)
    benchmark /= benchmark.sum()
    # 合规初始仓位，确保包括很小换手上限的各情景有可行解。
    prev = benchmark.copy()
    X = np.column_stack([np.eye(6)[rng.integers(0, 6, n)], rng.normal(size=n)])
    F, specific = np.eye(7) * .04, rng.uniform(.04, .10, n)
    adv = rng.uniform(1e6, 5e7, n)
    alpha_5d = rng.normal(.03, .06, n) * 5 / 250
    optimizer = AshareTurnoverConstrainedOptimizer(linear_cost_rate=.0005)
    caps = [.05, .10, .15, .20, .30, .50]
    frontier = optimizer.trace_pareto_frontier(alpha_5d, benchmark, prev, X, F, specific, adv,
        aum=1e8, daily_volatility=np.full(n, .02), turnover_caps=caps)
    print('上限 | 实际单边换手 | 5日毛超额 | 本次成本 | 5日扣费预期 | 年化TE')
    for cap, r in zip(caps, frontier):
        print(f'{cap:.1%} | {r.turnover:.2%} | {r.gross_active_return:.4%} | '
              f'{r.linear_cost + r.impact_cost:.4%} | {r.net_active_return:.4%} | {r.annualized_tracking_error:.2%}')
    print('这是模型内敏感性表；放宽上限不会强制交易，不存在预设的 15%～20% 最佳换手率。')

---

7. 机构买方实盘换手率配置参考矩阵

在实际量化资管产品运作中，换手率的设定必须与策略频率和资金容量紧密挂钩：

策略类型	调仓周期	目标单期换手率	年化单边换手率	典型 AUM 容量	交易摩擦核心挑战
基本面多因子 / 价值指增	月频（Monthly, 21天）	$10\mathrm{\%}\sim 15\mathrm{\%}$	$1.2\times \sim 2.0\times$	100 亿 ~ 300 亿元	追求极致低冲击，几乎全用 VWAP 算法执行
量化中频 Alpha / 中证500指增	周频（Weekly, 5天）	$15\mathrm{\%}\sim 20\mathrm{\%}$	$8\times \sim 12\times$	30 亿 ~ 80 亿元	兼顾 Alpha 时效性与市场冲击，注重个股流动性过滤
高频量化截面 / 中证1000/2000指增	日频（Daily, 1天）	$15\mathrm{\%}\sim 25\mathrm{\%}$	$30\times \sim 60\times$	5 亿 ~ 20 亿元	冲击成本是生命线，必须配合自研深度学习订单流执行算法

---

8. 本讲小结与核心自测

核心考点	工业标准回答要点	常见工程/学术陷阱
为什么优化器未经约束会产生极端过度换手？	均值-方差优化器本质是“误差放大器”，会将金融数据中的微弱统计噪声误判为确定性超额，从而频繁颠覆持仓。	以为模型训练集准确率高就不会过度换手，混淆了预测信噪比与调仓动力的关系。
如何建模具有真实资金规模特性的市场冲击？	引入 Almgren-Chriss 二次冲击惩罚 $\frac{1}{2}\mathrm{\Delta }{\mathbf{w}}^T\mathrm{\Gamma }\mathrm{\Delta }\mathbf{w}$，其中系数 ${\gamma }_i\propto \frac{\text{AUM}}{{\text{ADV}}_i}$。	误用固定的万分之几常数滑点，导致回测规模扩大到 50 亿时完全无法察觉流动性冲击崩盘。
在 cvxpy 中如何表达单边换手率硬约束？	使用半范数：cp.norm1(w - w_prev) <= 2 * max_turnover。	忘记乘以 $1/2$ 导致单边换手率被错误放宽一倍。

至此，在**相对基准指数追求超额（Alpha）**的赛道上，我们的结构化风险与凸优化工具箱已经完整闭环。 但在许多全天候资管、FOF 母基金配置、CTA 大宗商品配置或绝对收益场景中，并没有一个现成可复制的股票基准指数去追踪，我们该如何科学配置资产？

在下一讲中，我们将进入 第 26 讲：风险平价（Risk Parity）与层级风险平价（HRP），推导如何通过边际风险贡献（MRC）与图聚类无矩阵求逆算法，打造抵御宏观周期的全天候绝对收益基石！