市场冲击的平方根律：为什么冲击按 √Q 缩放

交易量翻倍，价格大约只多动 40%，不是 100%。这条经验规律跨资产类稳健得反常，而 Kyle 的经典模型偏偏说冲击是线性的。这篇讲数据怎么赢了理论、理论又怎么追上来，以及你怎么用它算成本。

第 4 篇 · 共 12 篇约 9 分钟

有这么一个规律，在不同资产类、不同时期、不同执行策略下都成立：一笔交易的冲击随交易规模的平方根增长。

\text{Impact}(Q) \approx Y \cdot \sigma \cdot \sqrt{\frac{Q}{V}}

其中 $Q$ 是交易规模， $V$ 是日成交量， $\sigma$ 是日波动率， $Y$ 是系数，通常范围 0.5–2.0（流动股票上接近 1）。

这就是市场冲击的平方根律。它在美股（Keim and Madhavan, 1996; Almgren, Thum, Hauptmann, 2005）、欧股（Bouchaud and Bonart, 2014）、外汇（Mancini, Ranaldo, Wrampelmeyer, 2013）、期货（Lillo, Farmer, Mantegna, 2003）、加密（Bouchaud, Bonart, Donier, Gould, 2018）都有记录。经验金融里能跨这么多市场复现的规律屈指可数。

有意思的地方在于：微观结构最经典的理论模型跟它对不上。Kyle 模型（第 6 篇）说冲击对 $Q$ 是线性的——lambda 是常数。数据说是次线性的： $\sqrt{Q}$ 。这篇文章就是这场”数据赢了理论”的故事：先看数据本身，再看理论怎么追上来，最后讲你在执行台上怎么用它。Harris 没专门用一章讲平方根律，但它是实战派冲击模型的骨干。

数据先行

Almgren、Thum 和 Hauptmann (2005) 用一家大型机构执行业务的海量真实订单直接拟合了幂律形式：

\text{Impact}(Q) = \alpha + \beta \cdot \left(\frac{Q}{V}\right)^\gamma

他们那项研究和后续文献给出的指数 $\gamma$ 大多落在 0.4 到 0.6 之间，聚在 0.5 附近。

用人话说： $V$ 不变， $Q$ 翻倍，冲击增加 $2^{0.5} \approx 1.41$ 倍，不是 2 倍。 $Q$ 翻 4 倍，冲击才翻倍。 $Q$ 多 10 倍，冲击多 $\sqrt{10} \approx 3.16$ 倍。这就是次线性缩放：大单每单位不如小单高效，但低效增长得慢——100 倍大的单只有大约 10 倍的冲击，不是 100 倍。对任何要执行大单的人，这是个好消息里藏着坏消息的规律：好消息是砸盘没有线性外推那么贵，坏消息是它意味着连很小的单也有可观的冲击。

理论怎么追上数据

线性的 Kyle 和平方根的数据之间的缺口，理论上有三条路去补。三条路都对了一部分，也都各自缺一角。

第一条路：给 Kyle 加上信息衰减。 单期 Kyle 给 $\Delta p = \lambda Q$ 。但把知情交易者放进多期模型——他跨 $T$ 期慢慢建仓，信息每期衰减——总流量 $Q$ 的累积冲击就变成大约：

\text{Impact} \approx \lambda \cdot \sqrt{Q \cdot \sigma_u^2}

在固定的噪声交易方差 $\sigma_u^2$ 下对 $Q$ 是次线性的。直觉：你成交越多，做市商的信念更新越多，后续成交的边际冲击就越小。订单的前 10% 边际冲击最大，后 10% 最小。这条路的贡献是说明平方根跟理性定价不矛盾；缺的一角是它对”为什么指数恰好是 0.5”的解释依赖具体设定。

第二条路：流动性的扩散图景。 Bouchaud 和合作者（2009、2010、2014）认为平方根律来自订单流在一群参与方之间的传播：每个参与方交易能力有限、吸收流量需要时间，大量参与方的聚合行为像一个扩散过程，冲击随累计成交量的平方根增长。一个最简化的玩具方程是把冲击 $I(t)$ 写成被订单流 $X(t)$ 驱动、同时自我衰减的量：

\frac{dI}{dt} = \alpha \cdot X(t) - \beta \cdot I(t)

这是一个一阶弛豫过程，稳态解是

I(\infty) = \frac{\alpha}{\beta} X

——注意这个玩具本身给出的是指数饱和，还不是平方根；要得到 $\sqrt{\cdot}$ 行为，得把瞬时衰减换成缓慢衰减的记忆核，这正是 Bouchaud 一系传播子模型做的事。这条路的贡献是把”短水平期近似平方根、水平期拉长后趋向线性”这个经验形态自然地生出来；代价是模型离第一性原理更远。

第三条路：订单簿的形状。 订单簿的深度随离中间价的距离增长。如果价格 $p$ 处的深度大约是

D(p) \propto \exp\left(\frac{p - M}{\eta}\right)

（ $\eta$ 是某个尺度），那么一笔规模 $Q$ 的市价单会把簿一路吃到

M + \eta \log(1 + Q/D_0)

其中 $D_0$ 是 touch 上的深度。 $Q$ 小时近似线性（ $M + \eta Q/D_0$ ）， $Q$ 大时是对数。也是次线性——但注意是对数，不是平方根。所以可见的簿形状本身解释不了整条规律；平方根行为来自订单类型和交易者行为的混合，尤其是没挂在簿上的潜在流动性。这条路的教训反而最有用：别指望从快照上的订单簿读出大单的真实成本。

实战形式与量级感

实战派把这条律用成一个参数化公式：

\text{Impact}(Q, T) = Y \cdot \sigma \cdot \sqrt{\frac{Q}{V}} \cdot f(T)

其中 $\sigma$ 是日波动率（年化除以 $\sqrt{252}$ ，或日已实现波动率）， $V$ 是日成交额， $Y$ 是资产类特定的系数（通常 0.5–2.0）， $f(T)$ 是水平期调整项——各家约定不一，常见写法是 $T^{0.5}$ 一类的幂函数，也有把整个式子改写成参与率 $Q/(VT)$ 的函数的。公式单位是（波动率）×（无量纲比率），返回百分比冲击。

为什么 $\sigma$ 和 $V$ 出现在这里？因为它们是两个天然的归一化因子。高波动环境下价格本来就在动，1% 波动日里的 10 bp 冲击相对自然幅度是”小”的，同样 10 bp 在 0.1% 波动日就是”很大”——用波动率归一化后跨情景才可比。成交量则直接就是流动性：同样美元规模在高成交量名字上冲击小，因为市场在主动吸收流量。 $\sigma \cdot \sqrt{Q/V}$ 这个组合本质上是对自然波动归一化之后的每单位流量价格冲击，把”显然”的缩放去掉，剩下的才是结构性的东西。

建立量级感：一只 $\sigma = 2\%$ 日波动、 $V = \$ 50M$ 日成交、$Y = 1$的股票上成交$1M：

\text{Impact} = 1 \cdot 0.02 \cdot \sqrt{\frac{1{,}000{,}000}{50{,}000{,}000}} = 0.02 \cdot \sqrt{0.02} \approx 0.02 \cdot 0.141 = 0.28\%

一笔 $1M 的成交推动价格 28 bp——对 $100 的股票是 $0.28 的变动，机构大单的合理量级。

Python 实现

import numpy as np

def sqrt_impact(Q, V, sigma, Y=1.0):
    """
    平方根市场冲击预测。
    Q: 成交规模（美元）
    V: 日成交额（美元）
    sigma: 日波动率（小数）
    Y: 冲击系数（默认 1.0）
    返回：预期价格冲击（小数，比如 0.002 = 20 bp）。
    """
    if V <= 0:
        return np.nan
    return Y * sigma * np.sqrt(Q / V)


# 示例
print(f"$100k 流动股票:    {sqrt_impact(1e5, 5e8, 0.015)*1e4:.1f} bp")
print(f"$1M 流动股票:      {sqrt_impact(1e6, 5e8, 0.015)*1e4:.1f} bp")
print(f"$10M 流动股票:     {sqrt_impact(1e7, 5e8, 0.015)*1e4:.1f} bp")
print(f"$1M 小盘股:        {sqrt_impact(1e6, 5e6, 0.025)*1e4:.1f} bp")

成交规模每翻一倍，输出大致乘 $\sqrt{2} \approx 1.41$ ——凹性直接可见。

它在哪些地方失效

平方根律稳健，但不普适，用之前要知道它的边界在哪。规模轴的两端各有一个失效区：超小单（ $Q/V < 0.001$ ，不到日成交量的 0.1%）上冲击通常对 $Q$ 更接近线性，平方根行为要到更大规模才浮现；超大单（ $Q/V > 0.1$ ，超过日成交量的 10%）上冲击可能比 $\sqrt{Q}$ 增长更快——你在耗尽当日的流动性，冲击加速。中间那两个数量级才是平方根律的主场，多数机构流量恰好落在这里。Almgren 系的估计跟这个图景一致： $Q/V$ 在 0.001 到 0.1 之间时流动美股上 $Y \approx 1$ ，出了这个区间 $Y$ 在低端变小、高端变大，波动情景下整体更高。

规模之外还有情景。趋势市里价格本来就顺着走，相对趋势调整价度量出的冲击可能是次平方根甚至负的。集合竞价（开盘、收盘）的冲击动态完全是另一套，平方根律不适用。危机期——崩盘或闪崩——每美元冲击可以是正常水平的 10–100 倍；方向上平方根律还成立，但 $Y$ 显著更大。最后，极不流动的加密山寨币上这条律经常干脆失效：簿太薄，装不下任何连续函数。一句话总结边界：平方根律是有用的默认，不寻常的情况下按本地数据重新标定。

跟 Almgren-Chriss 的关系

一个容易把人绕晕的问题：执行最优的规范模型 Almgren-Chriss（第 9 篇）假设的是线性冲击，这跟平方根律矛盾吗？

Almgren-Chriss 假设瞬时的暂时冲击和永久冲击都对成交速率 $v_t$ 线性：

\text{Temporary impact} = \eta \cdot v_t

\text{Permanent impact} = \gamma \cdot v_t

一条轨迹的总冲击是积分，对 $T$ 期内均匀成交总量 $Q$ ：

\text{Total temp impact} = \eta \cdot Q / T

\text{Total perm impact} = \gamma \cdot Q

合计 $\eta Q/T + \gamma Q$ ，对 $Q$ 线性，不是平方根。所以两者度量的不是同一个东西：Almgren-Chriss 抓的是每一瞬间的冲击，平方根律抓的是跨更长水平期、把信息扩散算进去之后的积分效果。实践里两个都用，分工按水平期切：Almgren-Chriss 做短水平期（分钟到小时）的轨迹优化，平方根律做长水平期（小时到天）的成本估计。

顺带补一个平方根律自己的时间维度。一个更精细的版本把执行过程内的冲击累积写出来：

\text{Impact}(Q, t) = Y \cdot \sigma \cdot \sqrt{\frac{Q}{V}} \cdot \left(\frac{t}{T}\right)^{0.5}

$t = T$ （执行结束）时你付满全额平方根冲击， $t = T/2$ 时付一半——一个好用的插值。轨迹形状因此有讲究：均匀成交是平滑累积，前端偏置把冲击大头付在开头，后端偏置押在结尾。

用它做交易决策

这条律在执行台上的核心用途是事前把成本和 alpha 摆在同一张纸上。你要执行 $10M 的父单，选项从快到慢排开。一笔成交：付 $\sigma \cdot \sqrt{10M/V}$的冲击——对$V = $100M$ 日成交、$\sigma = 2%$，那是 $0.02 \cdot \sqrt{0.1} \approx 0.63% = 63$ bp。日内分批：每个子单冲击更小，总成本看轨迹，Almgren-Chriss 给最优解。多天分批：冲击更低，但你开始暴露在 alpha 衰减和价格漂移风险里——水平期越长，市场风险越多。

然后算账。$10M 的成交、63 bp 的预期冲击，就是 $63{,}000 的预期成本。如果你指望这笔交易抓住的 alpha 只有 50 bp，净收益为负——别成交。alpha 有 100 bp，净收益为正——成交。规则冷冰冰：alpha 大于冲击才动手。这个纪律听起来平凡，但它把”我有个信号”和”这个信号在我的规模上还赚钱吗”分开了——很多策略死在第二问上。

这里还藏着一个战略含义：最优执行速度取决于你的 alpha 会不会衰减。alpha 稳定不衰减，就把成交拉到尽量长的水平期，用时间换冲击；alpha 会随时间蒸发，就快速成交、接受更高冲击，赶在它消失前抓住。最优水平期就是这两股力的平衡点，Almgren-Chriss 用均值-方差框架把它严格化了。Harris 第 13 章讲 dealer 行为时隐式用的就是同一个逻辑：dealer 在持有库存的成本和要求即时性的成本之间找平衡。

Y 不是常数：标定

公式里最不老实的是 $Y$ 。它随资产类变（股票 $Y \approx 1$ ，外汇更低，加密山寨币可以到 2–5）、随市场情景变（压力市更高）、随订单类型变（要即时性的市价单比限价单高）、随时段变（开盘收盘更高）、也随流量身份变（机构元订单测出来的 $Y$ 比散户流量高）。所以不能拿 $Y = 1$ 当普适真理，要为自己的环境估。

文献里的量级汇总如下——注意这张表是粗略的方向参考，不是标定值，具体到你的情景和执行方法数字会不同：

资产类	$Y$ 估计	来源
美股大盘	0.8 – 1.2	Almgren-Thum-Hauptmann 2005
美股小盘	1.2 – 1.8	Keim-Madhavan 1996
欧股	1.0 – 1.5	Bouchaud et al. 2014
外汇主要	0.4 – 0.8	Mancini et al. 2013
加密主流	0.8 – 1.5	Brauneis et al. 2021
加密山寨	2.0 – 5.0	多个，很嘈杂
美债	0.6 – 1.0	Pasquariello-Vega 2007
期货（ES）	0.7 – 1.0	Lillo-Farmer-Mantegna 2003

好在从自己的数据估 $Y$ 不难。收集执行数据——每笔成交的名义 $Q$ 、时段、资产、相对到达价或 VWAP 的实现冲击——然后对

\text{Impact}_i = Y \cdot \sigma_i \cdot \sqrt{Q_i/V_i} + \epsilon_i

跑 OLS。心理预期要摆正：实现冲击噪音很大， $R^2$ 通常只有零点几，要几千笔成交才能把 $Y$ 估得像样。有了基础估计再做精细化——按时段、市场情景、成交类型分开估，因为 $Y$ 在这些维度上都不是常数。

把整篇压缩成执行台上的三句话：冲击按 $\sqrt{Q/V}$ 走，翻倍规模只翻 1.41 倍冲击；用 $Y \cdot \sigma \cdot \sqrt{Q/V}$ 事前算成本、跟 alpha 对账，赚才动手； $Y$ 按自己的数据标，别信默认值。

参考文献

Harris, L. Trading and Exchanges: Market Microstructure for Practitioners. Oxford University Press, 2003. 第 13 章（dealers），第 19 章（流动性）。ISBN: 978-0-19-514470-3.
Almgren, R., Thum, C., Hauptmann, E. “Direct Estimation of Equity Market Impact.” Risk, 2005.
Keim, D., Madhavan, A. “The Upstairs Market for Large-Block Transactions: Analysis and Measurement of Price Effects.” Review of Financial Studies, 1996.
Bouchaud, J.-P. “Price Impact.” Encyclopedia of Quantitative Finance, 2010.
Bouchaud, J.-P., Bonart, J., Donier, J., Gould, M. Trades, Quotes and Prices: Financial Markets Under the Microscope. Cambridge University Press, 2018.
Lillo, F., Farmer, J., Mantegna, R. “Master Curve for Price-Impact Function.” Nature, 2003.