第18章：冲击成本与Alpha衰减

信号衰减速度、冲击成本对策略夏普比率的影响。

做量化交易久了，你会发现一个挺扎心的现实：你辛辛苦苦挖出来的Alpha信号，一旦开始实盘交易，它自己就会慢慢“死掉”。

这不是玄学，是市场微观结构在起作用。说白了，你的交易行为本身，就在改变市场环境。

我个人习惯把这个问题拆成两个部分来看：一个是信号本身的衰减速度，另一个是交易带来的冲击成本。这两兄弟联手，直接决定了你策略的夏普比率能有多高。

18.1 信号衰减：为什么Alpha会“过期”？

先聊聊信号衰减。你想想看，一个有效的Alpha信号，本质上是对未来价格走势的一种预测。但市场不是静止的，参与者在学习，套利者在行动。

当你的信号被更多人发现并使用，它的预测能力就会下降。这就是信号衰减。

我在项目中遇到过一种情况：一个基于订单簿不平衡的日内信号，回测时夏普能做到3.0以上。结果实盘跑了不到两周，夏普直接掉到1.2。为什么？因为同策略的玩家太多了，大家都在抢跑，信号的价值被迅速抹平。

信号衰减通常有两种形式：

• 时间衰减： 信号预测能力随时间自然下降。比如一个基于隔夜新闻情绪的Alpha，开盘后几分钟内有效，半小时后就基本没用了。
• 竞争衰减： 其他交易者模仿或对冲你的信号，导致信号失效。这是最头疼的，因为你的对手在“学习”你。

嗯，这里要注意：回测中我们往往假设信号是“永葆青春”的，但实盘不是。回测里漂亮的夏普，可能只是因为你没考虑信号衰减。

18.2 冲击成本：交易本身就是一种“税”

冲击成本，说白了就是你的订单对市场价格造成的影响。你买，价格就涨；你卖，价格就跌。这个价差，就是冲击成本。

我刚开始做高频策略时，总觉得冲击成本是个小问题。直到有一次，一个看起来利润丰厚的套利策略，扣掉冲击成本后居然是亏钱的。那次教训让我明白：冲击成本不是可以忽略的细节，它是策略的核心约束。

冲击成本通常与以下几个因素相关：

• 订单规模： 你下的单子越大，冲击成本越高。这不是线性的，往往是指数级的。
• 市场流动性： 流动性越差，冲击成本越大。小盘股、冷门合约，都是冲击成本的重灾区。
• 交易速度： 你下单越快，冲击成本可能越大。因为快速下单往往意味着你无法等待对手盘出现。

18.3 冲击成本与Alpha衰减的“化学反应”

这两个因素不是孤立的。它们会互相放大，形成一种恶性循环。

你想想看：你的Alpha信号告诉你，某只股票要涨。你开始买入。但你的买入行为本身推高了价格，这会让你的信号看起来“已经兑现”了。结果就是，你还没买够，价格已经涨到位了。Alpha衰减了，冲击成本也付出了。

我习惯用一个简单的公式来理解这个问题：

实际收益 = 信号预测收益 - 冲击成本 - 衰减损失

这个公式看着简单，但背后藏着很多门道。比如，信号衰减速度越快，你就越需要快速交易来“抢”利润。但快速交易又会放大冲击成本。这是一个两难的选择。

18.4 对夏普比率的影响：一个量化视角

夏普比率衡量的是单位风险下的超额收益。冲击成本和Alpha衰减，都会从分子（收益）和分母（风险）两个方向同时攻击夏普比率。

具体来说：

• 收益端： 冲击成本和衰减直接吃掉你的预期收益。收益少了，夏普自然下降。
• 风险端： 冲击成本会引入额外的执行风险。比如，你本来想买1000股，结果因为冲击成本只买到了800股，仓位不完整，这本身就是一种风险。另外，衰减速度的不确定性也会增加收益的波动性。

我见过一个很典型的案例：一个中频趋势策略，回测夏普2.5。实盘时，因为信号衰减和冲击成本，夏普降到了1.0。后来我们做了优化，把交易频率降低了一半，同时改进了执行算法，夏普又回升到了1.8。你看，这个优化过程，本质上就是在平衡衰减速度和冲击成本。

18.5 如何量化分析？

光说理论不行，得能算。我个人习惯用以下步骤来做量化归因：

1. 估算信号衰减曲线： 用历史数据拟合信号预测能力随时间的变化。比如，用不同持有期的夏普比率来画一条衰减曲线。
2. 建立冲击成本模型： 常用的有平方根模型（冲击成本与订单规模的平方根成正比）或Almgren-Chriss模型。
3. 模拟执行过程： 把信号衰减和冲击成本同时纳入回测，看看策略的实际表现。
4. 计算调整后的夏普比率： 用模拟后的收益和波动，重新计算夏普。

下面是一个简单的冲击成本模型示例：

# 一个简单的平方根冲击成本模型
def impact_cost(order_size, avg_volume, volatility):
    """
    order_size: 订单规模（股数）
    avg_volume: 日均成交量
    volatility: 日波动率
    """
    participation_rate = order_size / avg_volume
    cost = 0.1 * volatility * (participation_rate ** 0.5)
    return cost

这个模型虽然简单，但在很多场景下已经够用了。我建议你根据自己交易的市场和品种，调整里面的参数。

18.6 知识体系总览

下面这张图，是我自己梳理的本章知识结构。它把信号衰减、冲击成本、夏普比率之间的关系画清楚了。

这张图的核心逻辑是：Alpha信号和交易执行是两条线，但最终汇聚到实际收益上。信号衰减和冲击成本就像两把刀，同时砍向你的利润。最后，夏普比率就成了那个“受害者”。

18.7 小结

这一章我们聊了冲击成本和Alpha衰减这两个“隐形杀手”。它们不会直接出现在你的回测报告里，但实盘时却会实实在在地吃掉你的利润。

我个人觉得，做量化交易最难的不是找到Alpha，而是如何在实盘中保护好这个Alpha。冲击成本和衰减速度，就是你需要时刻盯着的两个指标。

记住一句话：回测是理想，实盘是现实。把冲击成本和衰减纳入你的策略设计，你的夏普比率才会更接近回测时的样子。