交易成本感知的组合优化

Gârleanu 与 Lasry-Maggi-Pedersen 的换手模型。如何把交易成本纳入 MVO。不要让你的再平衡摧毁回报的数学与实践。

第 4 篇 · 共 12 篇约 12 分钟

Markowitz 的优化假设无摩擦交易。你可以以零成本、任意频率再平衡至最优权重。对机构投资者以 $10M 一笔交易标普 500 来说，这大致成立。对其他所有人来说，这极其错误。

一个月度再平衡的不允许做空股票组合年化换手率约为 50-150%。在 10 个基点的往返交易成本下，这意味着每年 50-150 个基点的拖累。对一个赚取 8% 的组合，这是 6-19% 的净收益减少。

一周再平衡的多空股票组合可以拥有 1000%+ 的年化换手率。在 50 个基点的往返成本下，拖累 500 个基点。一半的 alpha 没了。

交易成本感知优化把换手惩罚加入标准 MVO 目标。结果：组合不再那么努力地追求无约束最优，但产生了更好的扣除成本后收益。

本文涵盖 Gârleanu 与 Lasry-Maggi-Pedersen 的换手模型、Almgren-Chriss 市场冲击模型，以及实际实现。

成本结构

交易成本有三个组成部分。

佣金和费用：按股或按美元固定。对机构股票交易，在主要市场通常接近于零。对流动性较差的资产，可达 1-5 个基点。

买卖价差：跨越价差交易的成本。每边半个价差，往返一个完整价差。对美国大盘股，1-5 个基点。对小盘股，10-50 个基点。对更不流动的市场，远高于此。

市场冲击：通过交易推动价格变动的成本。大额交易推动价格更多。这是机构规模下的主导成本。粗略为 $\sigma \cdot \sqrt{Q/ADV}$ ，其中 $Q$ 是交易规模， $ADV$ 是日均成交量， $\sigma$ 是日波动率。

一笔规模 $Q$ 的往返交易的总交易成本：

\text{TC}(Q) = c_{\text{fixed}} + c_{\text{spread}} + c_{\text{impact}} \cdot \left(\frac{Q}{ADV}\right)^\alpha

对机构股票交易，主导项是 $c_{\text{impact}} \cdot (Q/ADV)^\alpha$ ，其中 $\alpha$ 在 0.5-0.7 左右。这就是市场冲击的平方根定律。

平方根定律

大量实证文献（Barra、Bloomberg、ITG、Virtu 以及许多学术论文）发现市场冲击大致按交易规模相对 ADV 的平方根缩放：

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

其中 $Y$ 是一个在 0.1-1.0 之间的常数（取决于资产和交易场所）， $\sigma$ 是日波动率， $ADV$ 是日均成交量。

对 $\sigma = 2\%$ 日波动率、 $ADV = \$ 10M$ 的资产，$$1M$的交易冲击为$0.5 \cdot 0.02 \cdot \sqrt{0.1} = 0.3%$。单向 30 个基点，往返 60 个基点。显著。

对同一资产的 $\$ 100K$交易：冲击为$0.5 \cdot 0.02 \cdot \sqrt{0.01} = 0.1%$。往返 20 个基点。不那么显著，但仍真实。

Gârleanu 的连续时间模型

Gârleanu (2009) 以及 Gârleanu & Pedersen (2013) 开发了带比例交易成本的连续时间组合优化模型。

设置：在每个瞬时，投资者可以通过交易再平衡组合。交易产生与交易规模成正比的成本：

\text{TC}(t) = c \cdot \|w(t) - w(t^-)\|_1

其中 $c$ 是常数比例成本（如每边 10 个基点），L1 范数是绝对交易规模之和。

投资者最大化终端财富扣除积分交易成本后的期望效用：

\max_w \mathbb{E}\left[U(W_T) - \int_0^T c \|dw(t)\|_1 \right]

这是一个随机控制问题。解涉及一个”无交易区”——围绕最优权重的一个带状区域，在此区域内再平衡过于昂贵而不值得。

具体地，最优策略是：

若 $w_i$ 处于 $w_i^\star$ （无摩擦最优）周围的一个带内，不交易。
若 $w_i$ 漂移到带外，则交易回带的边缘（而非一路交易到新的最优点）。

带宽按 $\sqrt{c / \lambda \sigma^2}$ 缩放，其中 $\lambda$ 是风险厌恶， $\sigma^2$ 是收益方差。交易成本越高，带越宽；风险厌恶或波动率越高，带越窄。

这就是为什么”月度再平衡”对大多数机构组合是合理默认的形式化理由。最优再平衡频率从数学中自然得出。

Almgren-Chriss 市场冲击

Almgren & Chriss (2000) 是带市场冲击的最优执行的经典文献。他们考虑一位需要在期限 $T$ 内清仓（或建仓） $Q$ 头寸的交易者，最小化总成本：

\mathbb{E}[\text{TC}] = \sum_t \text{Impact}(Q_t) + \lambda \cdot \text{Var}(\text{TC})

其中 $Q_t$ 是时间 $t$ 的交易规模， $\text{Impact}(Q_t)$ 是临时市场冲击，方差项捕捉时机风险。

最优执行轨迹大致为：

Q_t = Q_0 \cdot \sinh(\kappa (T - t)) / \sinh(\kappa T)

其中 $\kappa$ 取决于风险厌恶 $\lambda$ 和冲击参数。低风险厌恶时，轨迹大致是线性的（VWAP）。高风险厌恶时，它是前置的（快速交易以降低时机风险）。

这个模型在执行算法中被广泛使用。大多数卖方执行平台（高盛 Redi、JPMorgan 的算法套件等）都建立在 Almgren-Chriss 或其某个后代之上。

把成本纳入 MVO

回到组合优化。把交易成本加入标准 MVO 目标：

\begin{aligned} \min_{w} \quad & \frac{1}{2} w^\top \Sigma w - \lambda w^\top \mu + c \|w - w_0\|_1 \\ \text{s.t.} \quad & \mathbf{1}^\top w = 1, \quad w \geq 0 \end{aligned}

其中 $w_0$ 是当前组合， $c$ 是单位交易的成本。L1 范数捕捉比例交易成本结构。

这是带 L1 惩罚的二次规划。它是凸的，用任何标准 QP 求解器都可解。

关键参数是 $c$ 。设得太低，你会再平衡太频繁，支付过多交易成本。设得太高，你会交易太少，漂离最优点。

合理的起点： $c$ 等于单边交易成本（以基点为单位）转换至与 $\lambda w^\top \mu$ 相同的尺度。所以如果预期超额收益年化 5%、单边成本 10 个基点， $c$ 大约是预期收益的 2%。

代码层面：

import cvxpy as cp

w = cp.Variable(n_assets)
w_current = np.array([...])  # Current weights
mu = np.array([...])
Sigma = np.array([...])
lam = 2.5  # Risk aversion
c = 0.001  # One-way cost, 10 bps

objective = cp.quad_form(w, Sigma) - lam * (mu @ w) + c * cp.norm1(w - w_current)
constraints = [cp.sum(w) == 1, w >= 0]

problem = cp.Problem(cp.Minimize(objective), constraints)
problem.solve()

w_new = w.value
turnover = np.abs(w_new - w_current).sum() / 2  # One-way turnover

解将在方差缩减与交易成本之间权衡。最优组合比无摩擦最优更接近 $w_0$ 。

多期优化

更复杂的方法：跨多个期联合优化，计入未来再平衡。

Gârleanu-Lasry-Maggi-Pedersen 框架（后来由 Abad、Gârleanu、Hörter 等人细化）搭建了一个多期优化，其中投资者知道他们将在未来日期再平衡并每次支付交易成本。

解是”前瞻性”的。今天的最优交易考虑了明天的交易成本，明天的成本考虑了后天的成本，等等。

实现通过动态规划：

V_t(w) = \max_{w'} \left[ U(w' \cdot r_t) + \mathbb{E}[V_{t+1}(w')] - c \|w' - w\|_1 \right]

状态是当前权重 $w$ 。控制是新权重 $w'$ 。转移是随机的（取决于收益 $r_t$ ）。成本是 L1 交易。

为了可处理性，价值函数 $V_t(w)$ 通常在无摩擦最优附近被近似为关于 $w$ 的二次函数。这给出闭式（或近似闭式）的解，易于实现。

生产中：大多数多期优化器使用这种方法。Axioma 的组合优化器、Bloomberg 的 PORT、BarraOne 都有变体。

实践提示

五件在生产中很重要的事。

提示 1：准确估计成本。 使用你执行部门的 TCA（交易成本分析）报告。不要用教科书上的数值。价差和冲击在资产、日内时段和市场状态之间差异巨大。

提示 2：不要以 alpha 模型为代价优化成本。 如果你的 alpha 信号很强，你会想要交易。过度惩罚换手会让你错过 alpha。成本惩罚应针对你特定的 alpha 衰减曲线调参。

提示 3：对不同资产类别使用不同模型。 股票成本不同于债券成本，债券成本不同于期货成本。统一的成本模型损失太多信息。

提示 4：考虑封闭期。 许多机构组合在季末前有”封闭期”，出于合规原因限制交易。优化器应该知道这一点并前置交易。

提示 5：包含流动性预算。 一些机构在全公司范围内有每天最大交易量限制。优化器需要尊重这种总量约束，而非仅是单个资产约束。

换手税

即使有成本感知优化，大多数主动组合仍存在显著换手。“换手税”——年度总交易成本——是真实的。

对一个年化换手 200%、往返成本 25 个基点的多空股票对冲基金，换手税为 50 个基点。扣除费用前的 alpha 需要超过 50 个基点才能盈亏平衡。

对一个换手 50%、成本 5 个基点的不允许做空机构管理者，换手税为 2.5 个基点。小到可以忽略。

换手税是主动管理的隐形杀手。成本感知优化无法消除它，但能管理它。替代方案——跑无约束 Markowitz 解——要糟糕得多。

何时成本感知优化最重要

三种它确实重要的情形：

高换手策略：短期限 alpha、市场中性股票、统计套利。这些可以达到 1000%+ 的年化换手。成本感知优化至关重要。
低流动性资产：小盘股票、新兴市场债券、私募信贷。价差和冲击很大。再平衡成本是 alpha 的有意义部分。
容量受限策略：随着 AUM 增长，交易推动价格更多。成本感知优化是你管理容量曲线的方式。

相比之下，对低换手的不允许做空机构组合（养老金、主权财富基金），成本感知优化是锦上添花但不是关键。默认的无约束 MVO 可能就够了。

文献综述

Almgren & Chriss (2000). “Optimal Execution of Portfolio Transactions.” Journal of Risk 3(2): 5-39. 执行模型。
Gârleanu (2009). “Portfolio Choice and Pricing in Discrete-Time Markets with Proportional Transaction Costs.” Journal of Economic Theory 144(4): 1629-1662.
Gârleanu & Pedersen (2013). “Dynamic Trading with Predictable Returns and Transaction Costs.” Journal of Finance 68(6): 2309-2340.
Lasry, Maggi, Pedersen & Gârleanu (2007). “Dynamic Trading and Asset Prices: Keynes vs. Hayek.” Review of Finance 11(3): 397-425.
Bertsimas & Lo (1998). “Optimal Control of Execution Costs.” Journal of Financial Markets 1(1): 1-50. 早期执行优化。
Kissell, Glantz & Malamut (2003). “Optimal Trading Strategies.” Quantitative Finance 3(5): 375-387. 实践指南。
Frazzini, Israel & Moskowitz (2018). “Trading Costs of Asset Pricing Anomalies.” SSRN Working Paper. 收割因子的交易成本。
Abad, Gârleanu & Hörter (2019). “A Tractable Production-Based Asset Pricing Model with Transaction Costs.” Journal of Finance 74(4): 1653-1699.

Almgren-Chriss 详解

Almgren-Chriss (2000) 模型考虑一位需要在期限 $T$ 内清仓 $Q$ 股的交易者。交易者选择剩余股数的轨迹 $x(t)$ 进行清仓， $x(0) = Q$ 且 $x(T) = 0$ 。

执行被分解为离散交易。在每个时间 $t$ ，交易者卖出 $n(t) = x(t-1) - x(t)$ 股。每笔交易的成本有两个组成部分：

临时冲击：价格在执行过程中对交易者不利移动。对规模 $n$ 的交易，临时冲击成本为：

h(n) = \eta \cdot \frac{n}{V}

其中 $V$ 是交易量速率（单位时间股数）， $\eta$ 是常数。临时冲击在每笔交易上都要支付。

永久冲击：价格在大型交易后永久移动。对规模 $n$ 的交易，永久冲击为：

g(n) = \gamma \cdot n

其中 $\gamma$ 是常数。永久冲击是每笔交易的一次性成本。

总期望成本：

\mathbb{E}[C] = \sum_t (h(n_t) + g(n_t)) \cdot P_0

其中 $P_0$ 是初始价格。

总成本方差（时机风险）：

\text{Var}[C] = \sigma^2 \sum_t (t \cdot n_t)^2

交易者最小化期望成本与方差的加权和：

\min_x \mathbb{E}[C] + \lambda \cdot \text{Var}[C]

解是如下形式的轨迹：

x(t) = Q \cdot \frac{\sinh(\kappa(T-t))}{\sinh(\kappa T)}

其中 $\kappa = \sqrt{\lambda \sigma^2 / \eta}$ ，取决于风险厌恶 $\lambda$ 和冲击参数 $\eta$ 。

对 $\kappa$ 小（低风险厌恶），轨迹大致是线性的：VWAP。对 $\kappa$ 大（高风险厌恶），轨迹是前置的：快速交易以降低时机风险。

平方根定律详解

市场冲击的平方根定律：

\text{Impact}(Q) \approx Y \cdot \sigma_{\text{daily}} \cdot \sqrt{\frac{Q}{ADV}}

是交易中最稳健的实证规律之一。Almgren, Thum, Hauptmann & Li (2005) 等人记录了它跨市场和资产类别的稳定性。

常数取决于市场：

美国大盘股： $Y \approx 0.1$ 到 $0.3$
美国小盘股： $Y \approx 0.3$ 到 $1.0$
美国国债： $Y \approx 0.05$ 到 $0.15$
外汇： $Y \approx 0.1$ 到 $0.3$
加密货币： $Y \approx 0.5$ 到 $2.0$ （高得多）

对机构交易，平方根定律是有用的初步近似。对更精确的冲击估计，你需要来自你自己执行的 TCA 数据。

连续时间带成本交易

Gârleanu & Pedersen (2013) 把带比例交易成本的连续时间组合选择形式化。投资者最大化：

\max_w \mathbb{E}_0\left[ U(W_T) - \int_0^T c \cdot \|\dot{w}(t)\|_1 dt \right]

其中 $\dot{w}(t)$ 是交易速率， $c$ 是单位成本。

最优交易速率的一阶条件给出：

\dot{w}_i(t) = \frac{1}{c} \cdot \left( \text{value of } w_i \text{ at frictionless optimum} - \text{current } w_i \right)^+

换句话说：仅当偏离无摩擦最优的偏差超过与 $c$ 成比例的阈值时才交易。阈值取决于风险厌恶和收益波动率。

结果是围绕无摩擦最优的”无交易区”。投资者仅当组合从最优漂移得足够远以证明成本合理时才交易。

这就是”季度再平衡”之类规则的形式化依据。最优再平衡频率从数学中自然得出。

成本感知 Black-Litterman

一种自然的组合：Black-Litterman 预期收益加上交易成本惩罚。

目标：

\max_w w^\top \mu_{\text{BL}} - \frac{\gamma}{2} w^\top \Sigma w - c \|w - w_0\|_1

约束为不允许做空和预算。

这是一个带 L1 惩罚的 QP。用标准工具可解。结果是一个：

通过 Black-Litterman 先验锚定市场
按观点（按信心缩放）倾斜
通过成本项惩罚换手
尊重约束

的组合。

这是一种主力机构配置模型。被许多大型资产管理人使用。

换手目标

许多机构授权有换手限制。“年度最大换手 50%“是常见约束。

在优化中实现换手限制：

\sum_t \|w^{(t)} - w^{(t-1)}\|_1 \leq T_{\text{max}}

这是一个线性约束。加入 QP。

实践中，换手限制与成本惩罚相互作用。成本惩罚抑制所有换手；换手限制禁止大额换手。它们互补。

一些机构只用换手限制（目标中无成本惩罚）。其他机构只用成本惩罚（无换手限制）。两者结合很少但站得住脚。

实践中的市场冲击

大多数机构交易者拥有根据自己交易数据校准的市场冲击模型。模型各异，但大多基于：

平方根定律（Almgren 等, 2005）
I-star 模型（Kissell, Glantz & Malamut, 2003）
基于 TCA 数据的专有模型

对回测，带保守 $Y$ 的简单平方根定律通常够用。对生产执行，你需要更详细的模型。

标准实现：

def estimate_impact(Q, ADV, sigma, Y=0.3):
    """Square-root market impact."""
    return Y * sigma * np.sqrt(Q / ADV)

def optimal_trade_schedule(Q, T, ADV, sigma, lambda_param, eta):
    """Almgren-Chriss optimal trajectory."""
    kappa = np.sqrt(lambda_param * sigma**2 / eta)
    t = np.arange(T + 1)
    x = Q * np.sinh(kappa * (T - t)) / np.sinh(kappa * T)
    n = -np.diff(x)  # Trade sizes
    return n

这给出最优执行轨迹。用 VWAP 算法或更复杂的执行算法实现。

成本感知优化失效的情形

三种状态下成本感知优化产生糟糕组合。

状态 1：成本参数太高。 如果 $c$ 设得太高，优化器在该交易时也不交易。组合漂离最优点且从不再平衡。

状态 2：成本参数太低。 如果 $c$ 设得太低，优化器交易过度。高换手、高成本、低净收益。

状态 3：成本模型错误。 如果实际成本结构是非线性的（例如，因流动性约束随交易规模增加），线性成本惩罚会漏掉这一点。

这三种的修复都是：通过 TCA 分析把 $c$ 校准到你的实际成本。对 $c$ 做敏感性分析。在历史数据上测试优化器并检查实现成本。

要点回顾

交易成本是真实的，而且显著。Markowitz 的无摩擦 MVO 忽略它们，并通过过度再平衡亏钱。

两个模型家族：Almgren-Chriss（带市场冲击的最优执行）和 Gârleanu-Pedersen（带比例成本的多期组合选择）。两者都可处理且在生产工具中实现良好。

把成本作为对换手的 L1 惩罚加入 MVO 目标。针对你特定的 alpha 衰减曲线调参。Almgren-Chriss 轨迹是最优执行路径；Gârleanu-Pedersen 模型给出连续再平衡的无交易区。

市场冲击的平方根定律是稳健的实证规律。它取决于 ADV、波动率和市场特定常数。

换手税是主动管理的隐形杀手。成本感知优化是一种工具，不能替代好的 alpha。它与 Black-Litterman 的组合给出站得住脚的机构配置模型。

换手目标在机构授权中常见。它们与成本惩罚互补，但并不总是同时使用。

下一篇文章：稳健组合优化——在不确定集上优化最坏情形。