第 28 讲：真实交易摩擦全真模拟

本讲核心目标

在量化买方机构中有一句名言：“业余者研究收益，专业者研究风险，顶级专家研究交易成本。”

很多在实验室中跑出年化 $30\mathrm{\%}$ 超额的优秀模型，一经实盘上线，超额收益便迅速被交易摩擦无情抹平，甚至因资金规模扩大引发流动性踩踏而陷入亏损。本讲将系统解构 A 股全套显性交易成本（印花税、机构佣金、过户费与最低佣金门槛）与隐性执行成本（买卖价差与市场冲击）；严格推导微观结构学界著名的平方根法则（Square-Root Law）冲击模型；并以严密的数学微积分推导出策略最大管理规模（AUM Capacity）与资金利润峰值的闭式解析解！

---

1. 经典文献与工业界理论基石

交易摩擦与最优执行领域的核心经典文献与学术里程碑：

1. Almgren, R., Thum, C., Hauptmann, E., & Li, H. (2005). "Equity market impact", Risk, 18(7): 58-62.

   依托 Citigroup 数十万笔真实机构大单，实证检验了不同市场波动率、调仓速度与股票流动性下的非线性冲击模型。

2. Bouchaud, J.-P., Farmer, J. D., & Lillo, F. (2009). "How markets slowly digest changes in supply and demand", Handbook of Financial Markets: Dynamics and Evolution. North-Holland.

   全球微观结构权威综述，详尽证明了限价订单簿（LOB）深度的凹性特征是诱发平方根冲击定律的物理根源。

3. Tóth, B., Lemperiere, Y., Deremble, C., de Lataillade, J., Kockelkoren, J., & Bouchaud, J.-P. (2011). "Anomalous Price Impact and the Emergence of Arbitrage in Worldwide Markets", Physical Review X, 1(2): 021006.

   跨越美股、欧股、大宗商品和期货市场的大规模实证研究，证明了 $I(Q)\propto \sigma \sqrt{Q/\text{ADV}}$ 平方根法则在跨资产类别中的普遍成立性。

4. Kissell, Robert (2013). The Science of Algorithmic Trading and Portfolio Management. Academic Press.

   算法交易与交易成本分析（TCA）工业界权威著作，提供了买卖价差、时延滑点与实施落差（Implementation Shortfall）的度量体系。

---

2. A 股真实交易成本体系：显性规费 vs 隐性冲击

课程图示

可放大查看细节，点击百分比恢复原始大小。

2.1 逐笔显性成本精算规则

对于单笔成交金额为 $Q$ 元的订单，全套显性费用核算规则如下：

成本项目	收费方向	A 股现行标准费率	最低收费门槛限制	计费基数与实务要点
印花税（Stamp Duty）	仅卖出侧征收	$0.05\mathrm{\%}$（万分之五，5 bps）	无最低门槛	国家税收，2023 年 8 月减半征收；公募与私募均无豁免权。
券商佣金（Commission）	买入与卖出双向	买方机构大客户约 $0.015\mathrm{\%}\sim 0.025\mathrm{\%}$	零售账户设单笔 5 元保底；机构子母账户通常月结分摊	包含证券交易所经手费与证监会监管费。
证券过户费（Transfer Fee）	买入与卖出双向	$0.001\mathrm{\%}$（十万分之一，0.1 bp）	无最低门槛	中国证券登记结算公司（ChinaClear）收取。

最低佣金陷阱（Minimum Commission Trap）

在量化模型回测中，若未设置最低 5 元佣金门槛：当策略调仓分散在 500 只股票中、单只股票仅调仓 1,000 元时，实际有效佣金率为 $5/1000=0.50\mathrm{\%}$（万分之五十！），比预期费率高出整整 30 倍！这会导致高频小额调仓策略在实盘中发生剧烈亏损。

---

3. 平方根法则（Square-Root Law）市场冲击模型

当调仓金额巨大时，隐性市场冲击会迅速超越显性税费，成为吞噬策略利润的最核心杀手。

3.1 平方根冲击定律公式推导

根据 Bouchaud et al. (2009) 与 Tóth et al. (2011) 的微观物理推导，大单在连续限价订单簿中推进时，引发的价格瞬时相对冲击率 $I(Q)$ 并不随交易量线性上升，而是呈现出高度一致的凹函数平方根规律（Sub-linear Square-Root Law）：

$$I(Q)=Y\cdot {\sigma }_{\text{daily}}\sqrt{\frac{Q}{\text{ADV}}}$$

其中：

• $Q$：当前订单的计划成交金额（元）；
• $\text{ADV}$：该股票在调仓决策前已知的历史 20 日日均成交金额（元）；
• $\frac{Q}{\text{ADV}}$：订单占日均成交量的比例（Participation Ratio）；
• ${\sigma }_{\text{daily}}$：个股最近 60 个交易日的日收益率波动率；
• $Y$：无量纲经验比例常数，全球成熟市场经验值约为 $Y\approx 0.5\sim 0.7$。

3.2 冲击成本金额的非线性放大

由于冲击成本金额等于成交额乘以冲击率：

$$C_{\text{impact}}(Q)=Q\cdot I(Q)=Y\cdot {\sigma }_{\text{daily}}\cdot \frac{Q^{3/2}}{\sqrt{\text{ADV}}}$$

• 幂律放大效应：若单笔交易金额 $Q$ 扩大 4 倍，冲击成本率 $I(Q)$ 扩大 $\sqrt{4}=2$ 倍，而总冲击成本金额 $C_{\text{impact}}$ 将暴增 $4^{3/2}=8$ 倍！

课程图示

可放大查看细节，点击百分比恢复原始大小。

---

4. AUM 策略容量测算与最优利润峰值解析解

现在，我们将交易摩擦、换手率与管理规模统一在严密的代数方程中，推导量化买方机构最关心的策略黄金管理容量（Optimal AUM Capacity）。

4.1 符号设定与年化成本推导

设：

• $A$：策略管理资产净值（AUM，元）；
• $\tau$：策略设定的单边年化换手率（Annual Single-Sided Turnover）；
• $D=250$：全年交易日数；
• $N$：投资组合平均持股只数；
• $\overline{\text{ADV}}$：股票池平均日均成交额；
• $\overline{\sigma }$：股票池平均日波动率；
• $s=0.05\mathrm{\%}$：卖方单向印花税；$t=0.001\mathrm{\%}$：双向过户费；$c=0.015\mathrm{\%}$：双向佣金率。

在每个交易日，单只股票在单边的调仓金额为：

$$q=\frac{A\cdot \tau }{D\cdot N}$$

在最低佣金不生效的前提下，全年由交易摩擦产生的总费率占 AUM 的比例为：

$$C_{\text{annual}}(A)=\tau [\underset{\text{线性税费率 }{c}_0}{\underbrace{s+2t+2c}}+\underset{\text{非线性冲击费率}}{\underbrace{2Y\overline{\sigma }\sqrt{\frac{A\tau }{DN\overline{\text{ADV}}}}}}]$$

4.2 扣费净超额与总利润函数

设策略未经摩擦扣除的毛预期年化超额收益为 ${\alpha }_{\text{gross}}$。

策略扣除摩擦后的净年化超额收益率为：

$${\alpha }_{\text{net}}(A)={\alpha }_{\text{gross}}-C_{\text{annual}}(A)={\alpha }_{\text{gross}}-\tau c_0-2Y\overline{\sigma }{\tau }^{3/2}\sqrt{\frac{A}{DN\overline{\text{ADV}}}}$$

整个资管产品每年为投资人创造的**超额利润绝对总金额（Dollar Alpha / Profit）**为：

$$\mathrm{\Pi }(A)=A\cdot {\alpha }_{\text{net}}(A)=A({\alpha }_{\text{gross}}-\tau c_0)-\left(2Y\overline{\sigma }{\tau }^{3/2}\sqrt{\frac{1}{DN\overline{\text{ADV}}}}\right)A^{3/2}$$

课程图示

可放大查看细节，点击百分比恢复原始大小。

4.3 最佳容量 $A^{\ast }$ 的数学解析极值求解

令总利润对规模的一阶导数等于零 $\frac{d\mathrm{\Pi }(A)}{dA}=0$：

$$\frac{d\mathrm{\Pi }(A)}{dA}=({\alpha }_{\text{gross}}-\tau c_0)-\frac{3}{2}\cdot 2Y\overline{\sigma }{\tau }^{3/2}\sqrt{\frac{1}{DN\overline{\text{ADV}}}}\cdot \sqrt{A}=0$$$$({\alpha }_{\text{gross}}-\tau c_0)=3Y\overline{\sigma }{\tau }^{3/2}\sqrt{\frac{A^{\ast }}{DN\overline{\text{ADV}}}}$$

两边平方，即可得到策略最大化超额利润的黄金容量解析解（Optimal AUM Closed-Form Solution）：

$$\boxed{{\displaystyle A^{\ast }=\frac{D\cdot N\cdot \overline{\text{ADV}}}{9Y^2{\overline{\sigma }}^2{\tau }^3}{({\alpha }_{\text{gross}}-\tau c_0)}^2}}$$

4.4 工业界核心推论

1. 换手率的三次方反比律（${\tau }^3$ Penalty）：策略容量反比于换手率的三次方！高频策略（$\tau =40$）的容量通常只有低频基本面策略（$\tau =2$）的数千分之一！
2. 股票池广度平方根律：持股只数 $N$ 扩大一倍，或将股票池拓展至流动性更佳的品种（$\overline{\text{ADV}}\uparrow$），策略容量呈线性同比例扩张。
3. 规模停募红线：若继续扩充规模直至 ${\alpha }_{\text{net}}(A)=0$，此时的规模称为策略的“零超额极限容量”，满足 $A_{\text{zero}}=\frac{9}{4}{A}^{\ast }=2.25A^{\ast }$。当规模超过 $2.25A^{\ast }$ 后，基金买得越多亏得越惨！

---

5. 工业级交易摩擦与容量测算引擎实战

在 tutorial/examples/lecture_28_transaction_friction_and_market_impact.py 中，我们实现了生产级 AshareTransactionCostEngine：

1. 精准实现买卖不对称印花税、中登过户费与机构最低佣金判定；
2. 实现基于日成交额 ADV 与波动率的平方根法则冲击模型；
3. 内置 evaluate_capacity_curve() 函数，扫掠不同 AUM 下的冲击、换手、净超额与利润曲线。

可在终端直接运行验证：

python3 -m examples.lecture_28_transaction_friction_and_market_impact

"""显式费率与平方根冲击假设下的订单成本、等额日调仓容量情景。"""
from dataclasses import dataclass
import numpy as np
import polars as pl


@dataclass(frozen=True)
class TradeFrictionDetail:
    symbol: str
    trade_amount: float
    direction: str
    stamp_duty: float
    transfer_fee: float
    commission: float
    impact_cost: float
    total_friction: float
    friction_bps: float


class AshareFrictionEngine:
    """费率为教学配置，非实时税率服务；历史回测须按有效日期选择费率。"""
    def __init__(self, stamp_duty_rate=.0005, commission_rate=.00015,
                 min_commission=5., transfer_fee_rate=.00001, impact_coef_y=.6):
        values = [stamp_duty_rate, commission_rate, min_commission, transfer_fee_rate, impact_coef_y]
        if not np.isfinite(values).all() or min(values) < 0:
            raise ValueError('费率、保底和冲击参数须有限且非负')
        self.stamp_duty, self.commission, self.min_comm, self.transfer_fee, self.impact_y = values

    def calculate_trade_friction(self, symbol, direction, trade_amount, adv_20d,
                                  daily_volatility=.025):
        if direction not in ('BUY', 'SELL'):
            raise ValueError('direction 必须为 BUY/SELL')
        if not np.isfinite([trade_amount, adv_20d, daily_volatility]).all() or trade_amount < 0 or adv_20d <= 0 or daily_volatility < 0:
            raise ValueError('金额须非负、ADV 须为正、波动率须非负，且均须有限')
        if trade_amount == 0:
            return TradeFrictionDetail(symbol, 0., direction, 0., 0., 0., 0., 0., 0.)
        duty = trade_amount * self.stamp_duty if direction == 'SELL' else 0.
        transfer = trade_amount * self.transfer_fee
        commission = max(self.min_comm, trade_amount * self.commission)
        impact = trade_amount * self.impact_y * daily_volatility * np.sqrt(trade_amount / adv_20d)
        total = duty + transfer + commission + impact
        return TradeFrictionDetail(symbol, trade_amount, direction, duty, transfer, commission,
                                   impact, total, total / trade_amount * 10000)


class AUMCapacityEstimator:
    """均匀分散的日调仓假设；单边年换手 τ 对应买/卖各 AUM*τ。

    每日每股每侧一笔订单，因此保底佣金、买卖税差和冲击均通过同一个成本引擎计算。
    不模拟收益随容量变化、订单拆分或流动性动态；结果只是参数情景。
    """
    def __init__(self, gross_alpha_annual=.22, annual_turnover=30., n_stocks=200,
                 mean_adv=80_000_000., mean_vol=.025, trading_days=250,
                 friction_engine=None, max_participation=.1):
        if not np.isfinite([gross_alpha_annual, annual_turnover, mean_adv, mean_vol, max_participation]).all() or annual_turnover < 0 or mean_adv <= 0 or mean_vol < 0 or not 0 < max_participation <= 1:
            raise ValueError('容量参数范围不合法')
        if not isinstance(n_stocks, int) or n_stocks < 1 or not isinstance(trading_days, int) or trading_days < 1:
            raise ValueError('股票数与交易日数须为正整数')
        self.gross_alpha, self.turnover, self.n_stocks = gross_alpha_annual, annual_turnover, n_stocks
        self.mean_adv, self.mean_vol, self.days = mean_adv, mean_vol, trading_days
        self.engine = friction_engine or AshareFrictionEngine()
        self.max_participation = max_participation

    def estimate_capacity_curve(self, aum_candidates):
        if not len(aum_candidates) or not np.isfinite(aum_candidates).all() or min(aum_candidates) <= 0:
            raise ValueError('AUM 候选须非空、有限且为正')
        rows = []
        for aum in aum_candidates:
            q = aum * self.turnover / (self.days * self.n_stocks)
            # 两侧总参与量，不把超过模型适用边界的候选称为可执行容量。
            participation = 2 * q / self.mean_adv
            if participation > self.max_participation:
                raise ValueError('候选的每日双边参与量超出配置上限，请调整执行假设')
            buy = self.engine.calculate_trade_friction('POOL', 'BUY', q, self.mean_adv, self.mean_vol)
            sell = self.engine.calculate_trade_friction('POOL', 'SELL', q, self.mean_adv, self.mean_vol)
            annual_cost = self.days * self.n_stocks * (buy.total_friction + sell.total_friction) / aum
            net_alpha = self.gross_alpha - annual_cost
            rows.append(dict(aum_cny=float(aum), aum_yi=aum / 1e8, daily_two_sided_participation=participation,
                             annual_friction=annual_cost, net_alpha=net_alpha,
                             annual_profit_cny=aum * net_alpha))
        return pl.DataFrame(rows)


if __name__ == '__main__':
    engine = AshareFrictionEngine()
    print(engine.calculate_trade_friction('DEMO', 'SELL', 1e6, 5e7, .02))
    curve = AUMCapacityEstimator(friction_engine=engine).estimate_capacity_curve(
        [1e7, 5e7, 2e8, 5e8, 1e9, 2e9, 4e9])
    print(curve)
    best = curve.sort('annual_profit_cny', descending=True).row(0, named=True)
    print(f'候选网格内最大模型利润：AUM={best["aum_yi"]:.2f}亿元，利润={best["annual_profit_cny"] / 1e4:.2f}万元')
    print('负利润保留；网格最优不是经真实执行验证的策略容量。')

---

6. A 股不同股票池的典型容量与执行参数参考

资产池	标的范围	平均单股 ADV	典型持股只数 $N$	典型单边年换手 $\tau$	毛超额预期	测算黄金容量 $A^{\ast }$
沪深 300 指增	核心大盘蓝筹	15 亿 ~ 30 亿元	120 ~ 180 只	$3\times \sim 6\times$	$6\mathrm{\%}\sim 10\mathrm{\%}$	150 亿 ~ 300 亿元
中证 500 指增	中盘成长核心	3 亿 ~ 8 亿元	200 ~ 300 只	$8\times \sim 15\times$	$12\mathrm{\%}\sim 18\mathrm{\%}$	50 亿 ~ 100 亿元
中证 1000 指增	小盘高弹性股	1.5 亿 ~ 3 亿元	300 ~ 500 只	$15\times \sim 30\times$	$18\mathrm{\%}\sim 25\mathrm{\%}$	20 亿 ~ 50 亿元
中证 2000 / 微盘股	小微盘流动性前沿	3,000 万 ~ 8,000 万元	400 ~ 800 只	$30\times \sim 60\times$	$25\mathrm{\%}\sim 40\mathrm{\%}$	5 亿 ~ 15 亿元

---

7. 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
为什么大额交易成本呈现非线性的平方根规律？	订单簿深度是有限且非平稳的，吃单越大越需要打穿深层档位并诱发其他微观做市商撤单，导致边际冲击递增。	误假设市场冲击是固定比例常数（如固定千一），导致策略在百亿规模测算下严重失真。
A 股现行印花税的收取规则是什么？	仅对卖出方单向征收，税率为成交金额的 $0.05\mathrm{\%}$（5 bps）；买入方不征收。	错误对买卖双边重复征税，或仍沿用 2023 年 8 月前的单边 $0.1\mathrm{\%}$ 老税率。
策略最佳利润容量 $A^{\ast }$ 与换手率 $\tau$ 的代数关系？	$A^{\ast }$ 与 ${\tau }^3$ 成反比，即换手率上升一倍，策略最优资金容量急剧萎缩至原先的八分之一。	误以为容量与换手率线性反比，导致中高频策略募资失控引发业绩崩盘。

在攻克了交易摩擦之后，A 股市场还有一个让无数海外量化巨头铩羽而归的独特战场——涨跌停板、流动性锁仓与停牌钉子户。

在下一讲中，我们将进入 第 29 讲：A 股特殊撮合规则代码级实现，推导一字涨跌停被动锁仓、申报价格笼子与分红送转全生命周期账本闭环！