精细化您的交易——交易成本评估与交易执行策略

在证券投资活动中，交易执行是最基本的行为。不论是单品种简单买卖还是复杂的套利策略，最终均会以基本的买入或卖出实现。随着资产管理规模的不断增加，机构投资者的交易行为对市场的影响越来越大。如何在不惊动市场的前提下买进或卖出大额证券从而承担较低的交易成本并避免市场的异常波动，已经成为机构投资者和证券监管当局最为关注的问题之一。

算法交易（Algorithmic Trading）的出现为这一问题的解决提供了帮助。算法交易技术将交易执行的目标以金融数学的方式转化为特定的策略模型，并基于计算机技术将证券订单指令流予以程序化且以恰当的模式进行交易执行，以期获得较高执行质量。在成熟市场，算法交易的用户包括经纪商、对冲基金、养老基金、共同基金，以及其他行业公司中有自己算法交易系统的自营交易部门。

1 交易成本——交易执行的焦点

证券投资活动中的交易成本可分为外生成本和内生成本两部分。以股票交易为例，外生成本包括佣金、印花税等，由交易所和监管部门制定收费比率，一般在股票实际交易之前就可以确定大小。内生成本是指股票成交过程中受到市场条件、执行情况等因素影响而产生的成本，也称为交易执行成本，包括机会成本和冲击成本两部分。冲击成本指订单交易行为对市场价格的影响程度。当订单规模等于或者小于最优报价档位（即最优卖档或最优买档）的市场深度时，订单能够在最优买价或卖价上执行；当订单规模超过最优报价档位（即最优卖档或最优买档）的市场深度时，订单的交易会使市场价格向不利于交易者的方向变化。显然，订单的交易数量越大冲击成本也越大。机会成本指从投资者下达订单开始到订单执行完毕（或者最终没有执行而撤单）时间内的价格风险。由于新信息的进入、投资者情绪、临时流动性缺失等因素的影响，证券价格波动会导致订单执行价格相对订单下达时存在一定差别，即为该订单的机会成本。

外生成本的收取大多实施固定手续费制度，投资者每笔交易所需外生成本是非常明确的。而市场条件的不确定及执行情况的内生性引发的交易不确定性使交易执行成本具有隐含性，这往往导致许多投资者在观念上及实际操作过程中将外生成本视为交易总成本而忽视了交易执行成本的存在。根据海外研究机构估算，以交易执行损失方法衡量的主要证券市场交易执行成本情况，世界主要金融市场的内生成本占交易总成本的85%左右，而外生成本仅占15%左右。这充分表明了在海外成熟证券市场交易过程中由机会成本和冲击成本构成的交易执行成本在总成本中占有更大比例。

2 交易执行策略的基本框架

2.1 即时交易还是延期交易——投资者的权衡

如何选择恰当的执行策略使交易成本最低？对大额交易需求而言，其需要在多久的时间内执行完毕，每次执行多大的头寸？这是制定执行策略时需要深入讨论的问题。

投资者可以通过一次性交易或拆分订单的方式完成大额交易。在选择前者时，大额交易很可能对市场产生较大冲击，导致实际成交价格向不利的方向变动，机构投资者需要承担较高的市场冲击成本；在选择后者时，虽然可以有效降低对市场的冲击，但大额交易全部完成的交易时间往往较长，机构投资者必须承担较大的价格波动风险，即承担较高的机会成本（如下图）。为此，机构投资者必须在不同执行策略引起的市场冲击成本和机会成本中做出权衡，选择符合自己风险偏好、效用最大的执行策略，即采取何种交易策略以及如何确定分割订单的规模。

2.2 交易执行策略的一般范式

我们以现实世界中最普遍的情况为例，阐述交易执行策略的基本框架。假定某个机构投资者考虑在时间（0，T）之间买入或卖出头寸大小为X的股票（买卖均可，这里以卖出为例）。该机构投资者在初始时刻的头寸大小为X，T时刻剩余头寸为0。设每个时刻点的交易头寸为xi，序列表征了一种交易执行策略。在实际交易过程中，存在无数种不同的交易执行策略，这里以横坐标为时间，纵坐标为持有的头寸大小的坐标体系来表征整个执行过程。假定在卖出过程中不能买入，那么每个执行过程可以表征为一条连接（0,X）点与（T,0）点的（表示持仓随着卖出交易的执行而减少）下降轨迹曲线（如下图）。

通过前文分析可知，投资者在不同的执行策略下面临着不同的风险－收益选择，不同风险偏好的投资者会选择不同的执行策略。对于风险中性投资者而言，他只关心交易过程中执行成本的大小，而不管该执行过程面临的风险，交易时可能更倾向于将交易时间拉长，拆分订单更细，以避免对市场的价格冲击，其可能会选择上图里匀速平均的执行策略C；极度厌恶风险的投资者不愿承担哪怕极小的价格风险，其会选择执行策略A，交易一开始就以当前价格（例如使用市价委托）全部卖出，将不确定性削减到最小，但承担最大的市场冲击影响；反之，对于极度偏好风险的投资者，将会选择执行策略E，即一直等待到最理想的价格及对手盘口才卖出。而对于其他风险厌恶的投资者而言，投资者会根据自身的风险偏好，选择适合自己的恰当的执行策略。

3 交易执行策略的方法

3.1．交易执行的第一代算法交易策略

最初的算法交易要解决的问题是计算机能替代人工下单，以实现每隔一段时间就按照某种模式下达交易指令的目的，这一代的算法交易策略更多的是实现自动化的订单申报的功能。目前来看，该类算法交易最成熟，使用也最为广泛，如在国际市场上使用最多的成交量加权平均价格（VWAP）、时间加权平均价格（TWAP）等都是属于该类。国内机构投资者，如券商和基金公司等，也大多利用此类算法进行交易。

3.2．交易执行的第二代算法交易策略

与第一代仅实现订单提交功能的算法策略相比，第二代关于交易执行的算法交易策略始于投资者对最优执行策略认识质的变化。第二代算法交易策略已经开始关注如下问题：在确定的交易执行期，如何分配各时点的执行头寸才能使交易成本最低？若按照类似VWAP或者TWAP策略那样的每个时刻均参与交易，如何决定交易的执行期，是数天，数小时，还是数秒，在执行快慢中如何选择权衡？总的来看，此类算法不会根据市场的状况主动选择交易的时机与数量，而是按照一个既定的目标进行交易，因而也被称为被动型算法交易，或者结构型算法交易。此类算法使用也较广泛，如在国际市场上使用较多的到达价格（Arrive Price）策略、执行损失（Implementation Shortfall）算法等都属于该类。

3.3．交易执行的第三代算法交易策略

第二代算法交易策略认为市场是平稳及可预测的，一旦根据模型和数据设定了执行策略，不管流动性及其它的市场条件的变化，交易一般不会偏离预定的“轨迹”。但在实际情况下，基于历史数据的模型无法对一些极端市场情况加以考虑，这使得投资者期望在市场条件发生变化时，交易执行策略能够进行自适应调整。因此，在行业实践中出现了很多随着价格运动而改变执行迫切度的主动性策略。除了考虑第二代算法交易策略关注的如何降低执行成本和价格风险外，这类自适应交易算法把关注的重点转向了价格趋势预测。例如，投资者如果判断市场价格开始向有利于方向运动时就推迟交易的进行，来试图捕捉其后更有利的价格，反之则加快交易的速度；当市场价格存在较强的均值回归现象时，投资者能够抓住有利的偏移。

目前，机构投资者常用的算法交易策略包括VWAP、TWAP、Target Volume、Arrive Price，在大多数海外经纪商的系统中均提供。此外，还有一些厂商为客户量身定制的策略，例如，隐身( Stealth )、游击队、狙击手(Sniper)、嗅探器(Sniffer)等等。就现有海外机构投资者的算法交易系统而言，一部分机构投资者的算法交易系统需要提供自定义参数。例如，需要交易者自定义执行的数量、执行的方式、选择的算法交易策略、交易起止时间、参与的交易量比例等，这些参数的设定决定了交易系统对该笔交易的执行情况，比如真格量化的智能单设定，或其他厂商的一些带有UI的条件单设定（见下图）。另外，许多机构投资者能够完全将自身研发的最优交易执行策略完全内嵌到交易系统中，进行类似的交易执行策略定制。

随着执行策略的研究深入和完善，算法交易策略已被对冲基金、养老基金、共同基金以及其他机构交易者广泛使用，各大经纪商或第三方交易服务商纷纷研发嵌入算法交易的交易管理系统，并在美国绝大多数的经纪商或第三方交易执行服务商中均得到了应用，如几大著名投行中Bank of America的Electronic Algorithmic Strategy Execution (EASE)，Barclays Capital的LME系统，Credit Suisse的Advanced Execution Services, Morgan Stanley的Benchmark Execution Strategies (BXS)等。根据服务提供商对使用这些系统的客户的分类统计，在Broker/Dealers、Hedge Funds、Mutual Funds、Proprietary trading desks四类客户中，比例最高的多数为Hedge Funds及 Mutual Funds，在绝大多数的服务提供商中超过一半多的客户来自于这两类。随着算法交易服务商队伍的扩张规模较大的投资银行、经纪商每年都会投入不菲的研究经费，用于开发更为迅速满足客户个性化需求的算法，以拉开与同业竞争对手的差距。而那些小机构则很难承担巨额的研发费用，不得不向大机构购买交易执行算法。

— — — — — — E N D — — — — — —
往期文章：
Numpy处理tick级别数据技巧
真正赚钱的期权策略曲线是这样的
多品种历史波动率计算
如何实现全市场自动盯盘
AI是怎样看懂研报的
真格量化策略debug秘籍
真格量化对接实盘交易
常见高频交易策略简介

如何用撤单函数改进套利成交

Deque提高处理队列效率

策略编程选Python还是C++

如何用Python继承机制节约代码量

十大机器学习算法
如何调用策略附件数据

如何使用智能单

如何扫描全市场跨月价差

如何筛选策略最适合的品种

活用订单类型规避频繁撤单风险

真格量化回测撮合机制简介

如何调用外部数据

如何处理回测与实盘差别

如何利用趋势必然终结获利

常见量化策略介绍

期权交易“七宗罪”

波动率交易介绍

推高波动率的因素

波动率的预测之道

趋势交易面临挑战
如何构建知识图谱
机器学习就是现代统计学

AI技术在金融行业的应用

如何避免模型过拟合

低延迟交易介绍

架构设计中的编程范式

交易所视角下的套利指令撮合

距离概念与特征识别

气象风险与天气衍生品

设计量化策略的七个“大坑”

云计算在金融行业的应用

机器学习模型评估方法
真格量化制作期权HV-IV价差
另类数据介绍

TensorFlow中的Tensor是什么？

机器学习的经验之谈

用yfinance调用雅虎财经数据

容器技术如何改进交易系统
Python调用C++
如何选择数据库代理
统计套利揭秘
[h1]一个Call搅动市场？让我们温习一下波动率策略[/h1][h1]如何用真格量化设计持仓排名跟踪策略[/h1][h1]还不理解真格量化API设计？我们不妨参考一下CTP平台[/h1][h1]理解同步、异步、阻塞与非阻塞[/h1][h1]隐波相关系数和偏度——高维风险的守望者[/h1]Delta中性还不够？——看看如何设计Gamma中性期权策略
[h1]Python的多线程和多进程——从一个爬虫任务谈起[/h1]线程与进程的区别皮尔逊相关系数与历史K线匹配
Python2和Python3的兼容写法 Python代码优化技巧
理解Python的上下文管理器
如何写出更好的Python代码？这是Python软件基金会的建议
评估程序化模型时我们容易忽视的指标
看看如何定位Python程序性能瓶颈
什么是Python的GIL
投资研究中的大数据分析趋势及应用
理解CTP中的回调函数
如何围绕隐含波动率设计期权交易策略
看看如何用Python进行英文文本的情感分析
算法交易的分类
Python编码的最佳实践总结
什么是波动率锥？如何用波动率锥设计期权策略？
期权的波动率策略与时间价值收集策略对比
期权用于套期保值和无风险套利
隐含波动率对期权策略的影响
卖出期权交易的风险管理原则和技巧
期权交易中的“大头针”风险
期权做市商策略简介

真格量化可访问：
https://quant.pobo.net.cn

真格量化微信公众号，长按关注：

遇到了技术问题？欢迎加入真格量化Python技术交流QQ群 726895887