第十四章：冲击成本模拟：蒙特卡洛模拟方法、场景生成、压力测试
冲击成本这东西，说白了就是个「黑箱」。你下了一笔大单，市场到底会怎么走？没人能给你一个确定答案。我做了这么多年量化，最深的体会就是：别指望精确预测，要学会模拟各种可能性。
这一章，我们就来聊聊怎么用蒙特卡洛方法给冲击成本建模。嗯，说白了就是——用大量随机场景，把不确定性变成可量化的风险。
14.1 为什么需要蒙特卡洛模拟？
传统的冲击成本模型，比如Almgren-Chriss，给的是一个期望值。但实际交易中，你更关心的是：最坏情况下会亏多少？
我遇到过这样一个案例：一个客户做ETF套利，按Almgren模型算出来冲击成本只有2个基点，觉得稳了。结果那天市场流动性骤降，实际冲击成本飙到了15个基点，直接亏掉了一周的利润。
为什么会这样？因为传统模型假设市场状态是稳定的。但真实市场会变——流动性会枯竭，波动率会飙升，订单簿会瞬间失衡。这些极端情况，只有蒙特卡洛模拟才能捕捉到。
14.2 蒙特卡洛模拟的基本框架
我个人习惯把蒙特卡洛模拟拆成三步：
- 场景生成——模拟市场状态（波动率、流动性、订单簿形状）
- 交易执行——在每种场景下模拟你的订单执行过程
- 统计汇总——收集所有场景的冲击成本，分析分布
下面这张图展示了整个流程：
14.3 场景生成：怎么模拟市场状态？
场景生成是整个模拟的基石。你想想看，如果场景本身就不靠谱，后面的分析全是白搭。
我一般会生成三类场景：
14.3.1 波动率场景
波动率是冲击成本的核心驱动因素。高波动率意味着市场深度更浅，滑点更大。
常用的生成方法：
- 历史抽样法：从过去N天的波动率数据中随机抽取。简单，但可能遗漏极端情况。
- 参数化模型：假设波动率服从某种分布（如对数正态），然后生成随机数。我习惯用GARCH模型来生成，因为它能捕捉波动率聚集效应。
- 跳跃扩散过程：在随机波动率的基础上，加入跳跃项。用来模拟「黑天鹅」事件。
14.3.2 流动性场景
流动性比波动率更难模拟。为什么？因为流动性变化是非连续的——可能瞬间从「充裕」变成「枯竭」。
我常用的方法：
- 基于订单簿特征的生成：从历史订单簿中提取「买卖价差」、「深度斜率」、「挂单量」等特征，然后对这些特征进行联合抽样。
- 状态转移模型：把流动性分为「高、中、低」三个状态，用马尔可夫链模拟状态切换。我在做ETF做市时发现，流动性状态往往有很强的自相关性——一旦进入低流动性状态，通常会持续一段时间。
# 伪代码：流动性状态转移模拟
states = ['high', 'medium', 'low']
transition_matrix = [
[0.85, 0.12, 0.03], # high -> high, medium, low
[0.10, 0.80, 0.10], # medium -> high, medium, low
[0.02, 0.08, 0.90] # low -> high, medium, low
]
current_state = 'high'
for i in range(252): # 模拟一年
prob = transition_matrix[states.index(current_state)]
current_state = np.random.choice(states, p=prob)
# 根据状态生成对应的流动性参数
14.3.3 订单簿形状场景
这个比较细，但很重要。不同股票的订单簿形状差异很大——大盘股通常是「浅而宽」，小盘股是「深而窄」。
我建议用参数化订单簿模型：
| 参数 | 含义 | 典型范围 |
|---|---|---|
| α（深度衰减率） | 挂单量随价格远离中间价衰减的速度 | 0.5 ~ 2.0 |
| β（价差弹性） | 价差对订单量的敏感度 | 0.1 ~ 0.5 |
| γ（不平衡度） | 买卖两侧挂单量的不对称程度 | -0.3 ~ 0.3 |
生成场景时，我会从历史数据中估计这些参数的分布，然后随机抽样。嗯，这里要注意——参数之间往往有相关性。比如深度衰减率高的股票，价差弹性通常也大。所以要用Copula或者Cholesky分解来保持相关性结构。
14.4 压力测试：最坏情况分析
蒙特卡洛模拟跑完，你会得到冲击成本的完整分布。但真正有价值的是分布的尾部——也就是最坏的那5%或1%的情况。
我把它叫做「压力测试场景」。具体做法：
- 定义压力条件：比如波动率跳升3倍、流动性下降80%、买卖价差扩大5倍。
- 生成极端场景：在蒙特卡洛模拟中，强制让某些参数进入极端状态。
- 计算条件冲击成本：只统计这些极端场景下的冲击成本。
14.5 实战案例：某中盘股的冲击成本模拟
拿一个实际案例来说。某中盘股，日均成交额2亿，我们计划交易500万。
模拟参数设置：
- 模拟次数：5000次
- 波动率场景：70%历史抽样 + 30%GARCH(1,1)
- 流动性场景：三状态马尔可夫链
- 订单簿形状：参数化模型，参数从历史数据估计
模拟结果：
| 统计量 | 冲击成本（bps） |
|---|---|
| 均值 | 8.3 |
| 中位数 | 7.1 |
| 95%分位数 | 18.6 |
| 99%分位数 | 27.4 |
| 最大值 | 42.1 |
看到这个结果，你可能会说：「均值才8.3个基点，还行啊。」但注意看99%分位数——27.4个基点，是均值的3倍多。这意味着每100次交易，就有1次冲击成本超过27个基点。
这就是蒙特卡洛模拟的价值——它告诉你风险不是平均的，而是有厚尾的。
14.6 代码实现要点
最后给点代码层面的建议。蒙特卡洛模拟的核心是「快」——5000次模拟，每次都要生成场景、执行交易、计算成本，性能很关键。
# 核心优化技巧
# 1. 向量化操作，避免循环
# 2. 预分配内存
# 3. 用numba或cython加速热点函数
import numpy as np
from numba import jit
@jit(nopython=True)
def simulate_one_scenario(vol, spread, depth, order_size):
"""单次场景模拟（用numba加速）"""
# 生成价格路径
price_path = np.random.randn(100) * vol
# 模拟成交
executed_price = price_path + spread/2 + order_size/depth
# 计算冲击成本
impact = (executed_price - price_path[0]) / price_path[0]
return impact
# 批量运行
n_scenarios = 5000
results = np.zeros(n_scenarios)
for i in range(n_scenarios):
vol = generate_vol_scenario()
spread = generate_spread_scenario()
depth = generate_depth_scenario()
results[i] = simulate_one_scenario(vol, spread, depth, 500000)
好了，蒙特卡洛模拟的核心思路就这些。记住：模拟不是预测，而是理解风险的全貌。下次做交易决策前，不妨先跑个5000次模拟，看看你的策略在极端情况下能不能扛得住。