事后 TCA 与归因：度量发生了什么、为什么

你下单了。市场动了。你成交了。然后呢？

“然后呢”就是事后 TCA：昨晚的分析告诉你昨天的执行好不好、花了多少钱、为什么。事前估计有用，实时跟踪有用，但真正的学习发生在事后归因里——这也是执行交易员保住饭碗或者丢掉饭碗的地方。Harris (2003, 第 23 章) 把话说得很重：事后 TCA 是买方在执行质量上仅有的反馈机制。没有它，desk 在蒙眼飞行；有了却不用，desk 手里有信息却在浪费。

难的部分从来不是算数字。TCA 供应商很乐意替你算，配上漂亮的图表和一排基准。难的是两件事：把数字读对，以及让它反馈到明天的执行。这篇文章的主线就是那个环——量、分解、归因、校准、回到事前——以及环上每一节容易断掉的地方。基准本身的偏差（VWAP 奖励什么、到达价惩罚什么）上一篇已经讲透，这里默认你带着那副眼镜来读。

原材料:事后报告里有什么

一份标准的事后报告，对每个父单给五层东西：订单元数据（股票、方向、规模、发送与完成时间、broker、算法）；逐笔成交数据（每笔子成交的时间戳、价格、场所、对手侧）；基准比较（成交均价对到达价、VWAP、TWAP、收盘价以及任何自定义基准）；成本分解（点差、冲击、时机、机会四成分）；还有上下文（当天波动率、当天成交量、新闻事件、同伴对比）。供应商交付的形式可能是 PDF 也可能是 API，格式不重要——解读才重要。

表头数字不会自己说话

最常见的错误就是看到表头数字就停下。表头写着：“订单 XYZ123 买入 AAPL 50,000 股，成交均价 $195.47，到达价 $195.30，滑点 +17 美分 = +8.7 bp。”

8.7 bp 看着糟。真糟吗？没有上下文这个数字什么都不是。当天波动率多大——2σ 的日子里 8.7 bp 可能完全正常。你的参与率多高——如果你占了成交量的 15%，8.7 bp 算出色。点差多宽——点差本身 5 bp 的话，超出点差的部分只有 3.7 bp，那才是冲击。有没有新闻——AAPL 下午 4:30 出财报，价格动是因为财报，不是因为你的单。

上下文里还藏着几个把读数直接搞错的技术性陷阱。基准区间要和订单的工作区间对齐：订单 9:55 发出，拿 10:00–10:30 的 VWAP 当基准就是错的。隔夜跳空不能算到执行头上：早上 9:30 发的买单对着上周五收盘价量滑点，是把跳空记在了你账上。这两条听起来低级，但在自动化报告流水线里经常悄悄发生。

分解:把一个数拆成四个原因

标准分解和事前 TCA 那篇一致：

事后与事前的区别只在于：每一项现在用实现的成交和实现的市场数据来算，是已知数不是估计。

点差成本按每笔成交当时的半点差记账，被动成交记负值。一个买单，点差 2 美分（半点差 1 美分），60% 的量在卖价成交、40% 在买价成交，点差成本就是 $1 \times 0.6 - 1 \times 0.4 = 0.2$ 美分每股——在卖价成交付半点差，在买价成交省半点差，两边要轧差。冲击是刨掉点差和时机之后归于你的订单本身的价格让步：冲击 = (成交均价 − 到达价) − (期末中间价 − 期初中间价的漂移份额) − 点差成本。时机是工作区间内的中间价漂移应用到已成交规模：股票在你干活的 30 分钟里上漂了 0.5%，时机成本就是 0.5% 乘以已成交部分。机会是没成交的那部分股票上的价格变动：只完成了 80%，剩下 20% 的名义金额在你放弃之后又贵了 1%，机会成本约等于 1% × 20% × 订单名义金额。

两条纪律。第一，四项加总必须等于相对到达价的总差额，对不上就是分解错了。第二，别把点差算两遍：如果冲击已经用”成交价减成交时中间价”度量，就不能再把半点差塞进别的成本项——冲击应该是超出点差的那部分让步。

归因:从成分到原因

分解回答”钱花在哪”，归因回答”该记在谁头上”。昨天 AAPL 上那 8.7 bp 里，多少是 broker 的问题、多少是算法的问题、多少是场所的问题、多少纯粹是当天市场的问题？维度有五个，每个都值得单独拆。

哪个 broker：同类订单在不同 broker 之间比成交质量，冲击持续少 1–2 bp 的 broker 值得更多流量。哪个算法：broker 提供 VWAP、POV、IS 多种算法时，你想知道哪个算法在什么条件下对什么股票最好。哪个场所：逐笔成交看流动性来自哪里——亮池、暗池、内部化方的成本分布各不相同。什么时段：开盘干的单和午盘干的单成本分布不同，知道差异才能安排时间。什么波动率情景：高波动日所有成本一起涨，评 broker 必须同类比同类。

“同类比同类”值得展开，因为它是归因里最容易糊弄过去的一步。在所有订单上取平均，等于把 50,000 股 AAPL 和 50,000 股小盘股当同一种东西——点差不同、深度不同、冲击分布不同，平均出来的数没有意义。正确做法是同伴组：小盘单对你们自己的其他小盘单比，大盘单对大盘单比，在股票-规模同伴组内看每个 broker 的表现。多数 TCA 供应商都提供同伴组比较，用它。一个小盘做得好、大盘做得差的 broker 完全可能存在，“最佳 broker”取决于你在交易什么。时间维度同理：周一通常更波动（周末新闻积压），周五更安静，月末有再平衡流量，假日前清淡。比较 broker 时控制住周内效应——能把周一早上处理好的 broker，比只在周五下午好看的值钱。

归因最常见的落地形式是 broker 评分卡。对每个 broker 按季度统计所有订单的平均 IS、平均点差成本、平均冲击、IS 的方差、成交率、信息泄露指标，以及分算法的表现，再按订单特征（规模、紧急度、股票类型）加权，做成可比的横截面：

读法：Broker A 平均上最好；Broker C 成交率最高但成本最差；Broker B 方差最大——对风险厌恶的 desk，方差本身就是成本。

算法比较有一个专属陷阱。单个 broker 内你可以比 VWAP、POV、IS、寻流、只暗池这些算法，但正确的问题不是”哪个整体最好”，而是”哪个对哪种单最好”：量可预测的小盘低量单适合 VWAP，流动大盘无紧急度的单适合 POV，高 alpha 紧急单适合 IS，难成交的名字上寻流。而且评分的尺子会预定胜负——用到达价评所有算法，IS 算法赢（它就是冲着最小化到达差额设计的）；用 VWAP 评，VWAP 算法赢。基准选择在多数情况下比算法选择更能决定结论，这正是上一篇讲的”没有基准是中性的”在归因环节的具体报应。

泄露探测:最难的归因

有一类成本不该出现在任何成分里：你的订单信息在成交前就漏了出去。探测思路是看订单到达场所前几秒到几分钟的市场行为——价格在你成交前夕持续不利移动、特定对手方的报价活动增加、你的单到场所之前出现成交量尖峰、你成交之后价格往回走（回归），这些都是有人先你一步的迹象。

def detect_leakage(fills, market_data, window_seconds=30):
    """探测每笔成交前夕的不利价格变动。"""
    flags = []
    for ts, price, side in fills:
        pre_window = market_data[(ts - window_seconds):ts]
        if side == 'buy' and pre_window['price'].pct_change().sum() > 0.001:
            flags.append((ts, 'adverse_pre_fill'))
    return flags

这是玩具版。真实的泄露探测要做完整的统计检验，并控制整体市场变动；商用产品（Markit 一脉，几经并购现在归在 S&P Global 旗下）会逐笔成交打”泄露分数”。归因结论一旦指向泄露，处理方式也最简单粗暴：换 broker 或换场所，不用留恋。

校准:把事后喂回事前

环的关键一跳在这里。最简单的校准是逐单跟踪实现成本对预测成本的偏差：

偏差持续为正，说明事前模型系统性低估成本；持续为负则高估。更讲究一点，把实现成本对预测成本加股票特定因子做回归：

用历史数据拟合 $\alpha$、$\beta$、$\gamma$，拟合出来的模型就是更新后的事前估计器。实操中 $\alpha$ 经常是几个 bp——模型没覆盖的固定成本，佣金费项之类；$\beta$ 接近 1.0 说明模型量级大致对；$\gamma$ 因股票而异，有些名字就是系统性地更贵。

把校准放进完整的环里看：

1. 事前：用历史模型估计订单成本。
2. 实时：订单工作期间对基准跟踪。
3. 事后：量实现成本对估计，分解，归因。
4. 校准：用实现成本更新事前模型。
5. Broker 反馈：把结果与 broker 沟通，调整流量分配。
6. 算法选择：按实证表现更新算法选择规则。
7. 回到事前：下一笔单用更新后的模型。

跳过第 4 步，环就断了。多数 shop 恰恰断在这里——不是不想做，是没有把事前预测和事后实现对到同一条数据管道上的基础设施。做到了的 shop 有真实的复利优势：事前估计随时间变准，执行决策跟着变好。这个优势可以粗算：一个年成交 $5B、平均成本 10 bp 的 desk，一年的执行成本是 $5M；执行质量改善 2 bp 就是每年 $1M，而拿到这 2 bp 所需的 TCA 基础设施只花 $1M 的一小部分。反过来，TCA 做得差的成本就是坏决策的成本——评分卡因为基准用错而排错序，流量给了错的 broker；泄露被忽略，亏钱的通道继续用；成本不分解，你分不清糟糕的一天是自己的错还是市场的错。

数字的几种典型表情

环跑起来之后，事后数字会反复出现几种模式，每种都指向一个动作。冲击高、点差成本低：你太激进、频繁跨点差，考虑放慢或多挂被动单。时机成本高、冲击低：你等得太久，市场在你耐心的时候朝不利方向走，考虑更快执行或更早开始。机会成本高：订单没做完，要么规模对水平期太大，要么算法太被动。对所有基准都持续为正差额：broker 在跑输，去查。方差高：有些单很好有些很糟，要么算法不稳定，要么订单混合太异质、需要分开对待。泄露指标亮灯：前面说过，换。

诚实:对内和对外

最有用的事后报告是承认”我们做错了”的那份；最没用的是替自己开脱的那份。一个报告”所有单都跑赢基准”的交易员，要么用错了基准，要么在挑数据；一个报告”这个季度平均亏 3 bp”的交易员在说真话——而说真话的交易员会随时间变好。这对 PM 有直接含义：奖励诚实报告，别惩罚。交易员因为承认错误被炒，下一个交易员就不会承认错误，整个 TCA 职能从此变成表演。

对外同理。好 broker 的 TCA 数字应该和你自己算的对得上：他们说 4 bp、你用同样数据算出 6 bp，就有人算错了。专业的 broker 会跟你对账；差的 broker 只会说”我们的数对，你的错”，不给解释——这是红旗。不愿对账的 broker，换掉。执行本来就难，没必要再跟一个数字不可信的对手方合作。

反事实的边界

事后 TCA 有一个绕不开的认识论局限：它量的是你付了什么，不是你在别的策略下会付什么。一笔订单只能执行一次，没法回放换个算法重来，所以一切事后分析都是观察性的，不是实验性的。最接近实验的做法是并行测试：把同一笔大单 50/50 拆给两个 broker 或两个算法同时跑，直接比。缺点明摆着——每一半只有一半规模，动力学变了——但即便带噪声，这仍是你能拿到的最干净的对照数据，有些 shop 把它做成了例行制度。

组织、频率与合规

把以上拼成一个能运转的体系，认真的买方 desk 需要六个组件，且每个喂下一个：事前成本估计器、实时 TCA dashboard、事后报告系统、校准引擎、broker 评分卡、泄露探测。实时和事后各有受众——实时给正在干活的交易员管单，事后给想知道发生了什么的 PM 和更新模型的分析师，两者靠同一条数据管道集成。报告节奏按用途分层：每天出给交易员抓离群点，每周给首席交易员审查，每月给 PM 看执行质量，每季度出 broker 评分卡支撑分配决策，每年给 CIO 和合规。日报抓问题快，季报抓结构性问题。

合规不是附带品。在欧洲 MiFID II 和美国 best execution 规则下，公司必须能证明为客户拿到了最佳执行，事后 TCA 报告就是证据：要有文档（至少保留 5 年）、定期审查（至少每年）、可操作（真的用在 broker 分配上）、且独立——broker 自己提供的报告单独不算数。多数公司由独立于交易 desk 的 TCA 团队负责这件事，独立性不是官僚要求：交易员审查自己的执行，利益冲突明摆着。

落到交易员个人，这一切压缩成一个早晨的例行动作：打开 dashboard 审昨天的单、标离群点；用自己的成交数据核对 broker 报告、记下差异；看算法表现，跑输的考虑换；实现成本和估计差太远就重新标定；有大问题向 PM 亮出来，没有就简短总结。每天做这套的交易员知道什么管用什么不管用；不做的，只能在被 PM 质问时被动应付。

收尾清单

对照着检查你的 desk：

1. 每笔单每天算 IS。
2. 分解成点差、冲击、时机、机会。
3. 归因到 broker、算法、场所。
4. 在同伴组内比较。
5. 跑泄露探测。
6. 每季校准事前模型。
7. 每季更新 broker 评分卡。
8. 对账 broker 报告与自己的报告。
9. 为合规记录一切。
10. 把洞察实时反馈给交易员。

十条全做，你在最好的那批 desk 里；做到五条，平均水平；不到三条，你在蒙眼飞行。

参考文献

• Harris, L. (2003). Trading and Exchanges: Market Microstructure for Practitioners. Oxford University Press. 第 23 章。ISBN: 978-0-19-514470-3.
• Perold, A. F. (1988). “The Implementation Shortfall: Paper Versus Reality.” Journal of Portfolio Management, 14(3), 4-9.
• Almgren, R., & Chriss, N. (2000). “Optimal Execution of Portfolio Transactions.” Journal of Risk, 3(2), 5-39.
• Bertsimas, D., & Lo, A. W. (1998). “Optimal Control of Execution Costs.” Journal of Financial Markets, 1(1), 1-50.
• Kissell, R., Glantz, M., & Malamut, R. (2004). Optimal Trading Strategies. AMACOM.