因子与 Alpha 策略

Alpha 衰减不是玄学，它有一条清晰的链条。设想你发现了一个真实有效的信号（比如「低估值股票未来收益更高」）：

1. 独享期：只有你知道。你买入被低估的股票，赚到的是真 Alpha——别人还没参与，价格还没反应。
2. 扩散期：论文发表 / 同行复现 / 卖方研报推广。越来越多资金涌入买同一批股票，把价格买上去。结果是：未来预期收益被压低，信号的盈利空间缩小。
3. 定价期：信号变成了一个「人人都做」的公共风险敞口。它仍然可能有正收益，但这收益现在是风险补偿（Beta），不再是信息优势（Alpha）——你赚的钱本质是替别人承担了这个因子在坏年份大跌的风险。

历史例子一：规模因子（Size / SMB）。Banz(1981) 发现小盘股长期跑赢大盘股，曾被视为强 Alpha。但论文广为人知、小盘指数基金大量发行之后，1980 年代末到 2000 年代，小盘溢价显著减弱甚至消失了很长时间。今天 size 基本被当作一个（还不太稳定的）Beta 因子，而不是免费午餐。

历史例子二：价值因子（Value / HML）。价值股长期溢价是 Fama-French 的基石，但 2010s 经历了史上最长的价值因子回撤（"value is dead" 讨论），很多人认为是拥挤 + 无形资产会计失真 + 利率环境共同作用。这正说明：一个被广泛交易的因子，其溢价会随资金、环境周期性地被压缩甚至反转。

给新生的直觉：Alpha 是「别人还不知道的认知差」，Beta 是「大家都知道、靠承担风险拿补偿」。研究的难点不在于找一个历史上有效的信号（这很容易），而在于判断它还能不能继续有效——也就是它现在处于上面哪个阶段。

① 因子怎么「造」出来——2×3 portfolio sorts

Fama-French 的因子不是回归系数，而是真实可投资的多空组合收益序列。以 HML 为例，每年重构一次：

1. 先按市值二分：所有股票按市值中位数分成 Small(S) / Big(B) 两组。
2. 再按 B/M 三分：在每组内按账面市值比 B/M 的 30%/70% 分位分成 Low/Neutral/High 三档。
3. 于是得到 $2\times3=6$ 个组合：S/L, S/M, S/H, B/L, B/M, B/H，每个组合内市值加权。
4. HML $= \tfrac12(\text{S/H}+\text{B/H}) - \tfrac12(\text{S/L}+\text{B/L})$——「高减低」，且通过同时在大小盘里做，剥离了规模的干扰。
5. SMB 则是三档 B/M 内「小减大」的平均，剥离了价值的干扰。

这种「双重排序」设计的妙处：构造 HML 时已经对 size 中性，构造 SMB 时已经对 value 中性，两个因子相对正交，便于解释。

② HML 冗余之争

Fama-French(2015) 自己发现：在美股样本里，一旦加入 RMW 和 CMA，HML 的截距（其自身 Alpha）变得不显著——也就是 HML 的收益几乎可以被「市场+规模+盈利+投资」完全解释。直觉上：价值股（高 B/M）往往就是盈利稳健（高 RMW 倾向）且投资保守（高 CMA 倾向）的公司，所以价值溢价有很大一部分其实是盈利和投资溢价的「打包」。但在国际市场和后续样本里 HML 又常常恢复显著，所以这是个「视样本而定」的争议，不是定论。

③ 动量（UMD）为何强却没被纳入？

• 实证上极强：Jegadeesh-Titman(1993) 的 12-1 月动量在几乎所有市场、资产类别都有效，Alpha 显著且持续。
• 但 Fama-French 不愿纳入，有几个原因：(a) 动量换手极高、交易成本大，不像 size/value 那样是「买入持有」的稳态风险；(b) 它缺乏一个干净的风险故事——Fama 倾向于「溢价 = 风险补偿」，而动量更像是行为偏差（反应不足/过度），这与有效市场信仰冲突；(c) 动量有罕见但剧烈的「崩盘」（momentum crash，如 2009 反弹时空头暴涨）。
• 实务里大家照用 Carhart(1997) 四因子（三因子+UMD）。

原始因子值几乎不能直接用。下面逐步拆解，每一步都问一句「不做会怎样」：

1. 原始值计算：按定义算出每只股票当期的因子值，例如动量 = $\prod_{t-12}^{t-1}(1+r_t)-1$。注意跳过最近 1 个月是为了避开短期反转效应的污染。
2. 去极值（MAD / Winsorize）—— 先去极值还是先标准化？先去极值。
   为什么：少数极端值（财报异常、并购、数据错误）会把均值和标准差严重带偏，导致 z-score 失真。
   MAD 法：用中位数和绝对中位差，比均值/标准差更抗极端值：$\text{MAD}=\text{median}(|x_i-\tilde x|)$，把超出 $\tilde x \pm 3\cdot1.4826\cdot\text{MAD}$ 的值截断。Winsorize 则是把超过 1%/99% 分位的值压回分位点。
3. 截面标准化（z-score / rank）：把不同量纲、不同分布的因子拉到同一尺度，才能横向比较与合成。
   为什么用截面（cross-section）而非时序：选股是「同一天在股票间排序」，所以要在每个截面日内做标准化。$z_i = (x_i - \mu_{\text{cs}})/\sigma_{\text{cs}}$。若因子分布偏态严重，直接用排序（rank）更稳健——这也是为什么 IC 常用 RankIC。
4. 行业 / 市值中性化：用因子对行业哑变量和 $\ln(\text{市值})$ 做截面回归，取残差作为中性化后的因子。
   为什么：很多量价因子天然和行业、市值相关（例如小盘股波动天然大）。若不中性化，你的「波动率因子」可能只是变相在赌小盘 / 赌某个行业，暴露了你不想要的风险，且收益会被规模/行业周期主导。中性化后，因子表达的是「同行业、同市值里相对强弱」的纯净信息。
5. 缺失值填充：标准化后缺失值通常填 0（即「该股票在此因子上无信息，取行业/截面中位数水平」）。
   为什么不直接删：删股票会缩小可投资域、引入选择偏差；填 0 等价于让缺失股票在该因子上「不表态」，对组合权重影响中性。

import numpy as np, pandas as pd

def mad_clip(s, n=3.0):
    med = s.median()
    mad = (s - med).abs().median() * 1.4826
    return s.clip(med - n*mad, med + n*mad)

def neutralize(factor, ind_dummies, lncap):
    # factor 对 行业哑变量 + ln市值 做截面回归，取残差
    X = pd.concat([ind_dummies, lncap.rename("lncap")], axis=1).values
    y = factor.values
    beta, *_ = np.linalg.lstsq(X, y, rcond=None)
    return pd.Series(y - X @ beta, index=factor.index)

def build_factor(raw, ind_dummies, lncap):
    f = mad_clip(raw)                      # 1. 去极值
    f = (f - f.mean()) / f.std()           # 2. 截面标准化
    f = neutralize(f, ind_dummies, lncap)  # 3. 行业市值中性化
    return f.fillna(0.0)                   # 4. 缺失填 0

① 基本定律的直觉推导

把「主动管理」想成一连串赌注。每次决策（每只股票每期）你下一个注，注的「预测准确度」由 IC 衡量，注的「数量」由 BR（独立决策次数）衡量。关键假设：各次决策相互独立。

单次决策的信息含量 $\propto IC$。$BR$ 次独立决策叠加时，信号（期望收益）线性累加 $\propto BR\cdot IC$，而噪声（标准差）按独立求和只增长 $\propto\sqrt{BR}$。信噪比 = 信号/噪声：

$$IR=\frac{\text{信号}}{\text{噪声}}\propto\frac{BR\cdot IC}{\sqrt{BR}}=IC\cdot\sqrt{BR}$$

含义有多反直觉：一个 IC 只有 0.05（几乎看不出来）的弱信号，只要能在 1000 次独立机会上反复使用，$IR\approx0.05\times\sqrt{1000}\approx1.58$——这就是「广度战胜深度」。高频/宽截面策略正是靠 BR 取胜，而不是靠某一笔押注特别准。

② RankIC vs IC（普通 Pearson IC）

• 普通 IC：因子原始值与收益的 Pearson 相关，对极端值和非线性敏感。
• RankIC：先把因子值和收益都转成排名再求相关（即 Spearman）。更稳健，不受单调变换影响，能容忍极端值——这也是实务首选。如果一个因子 IC 高但 RankIC 低，多半是几个极端样本撑起来的，不可靠。

③ ICIR 与 t 统计的关系

设有 $N$ 期 IC 观测，检验「IC 均值是否显著大于 0」的 t 统计量为：

$$t=\frac{\overline{IC}}{\sigma_{IC}/\sqrt{N}}=\frac{\overline{IC}}{\sigma_{IC}}\cdot\sqrt{N}=ICIR\cdot\sqrt{N}$$

所以 ICIR 就是「每期的 t 贡献」，而 ICIR（按期）年化后约为 $ICIR_{\text{年}}=ICIR_{\text{月}}\cdot\sqrt{12}$。这把 Q38 的「t 统计量」和这里的 ICIR 打通了：它们度量的是同一件事——信号相对其波动有多稳。

① 为什么共线性会让组合「失效」？

多元回归 $y=X\beta+\epsilon$ 的系数解是 $\hat\beta=(X^TX)^{-1}X^Ty$。当两列因子高度相关，$X^TX$ 接近奇异（行列式趋近 0），求逆时会被放大——系数方差爆炸：

$$\text{Var}(\hat\beta_j)=\frac{\sigma^2}{(1-R_j^2)\sum_i(x_{ij}-\bar x_j)^2}$$

其中 $R_j^2$ 是「因子 j 被其它因子解释的程度」。$R_j^2\to1$（高度共线）时分母 $\to0$，方差 $\to\infty$。后果：系数符号乱跳、一正一负相互抵消（一个因子 +5，相关的另一个 -4.8），样本外稍有扰动权重就翻转——这就是「单测都行、放一起就废」。

② VIF 的数值直觉

方差膨胀因子 $VIF_j=\dfrac{1}{1-R_j^2}$ 就是上式里那个放大倍数。$R_j^2=0.9\Rightarrow VIF=10$（方差被放大 10 倍），$R_j^2=0.95\Rightarrow VIF=20$。所以「VIF>10」对应「某因子 90% 的变动能被其它因子解释」，确实该处理了。

③ 正交化 / 残差法的几何直觉

Gram-Schmidt 正交化：把因子看成向量。要让因子 B 不和 A 共线，就把 B 投影到 A 上的分量减掉，只留下垂直于 A 的残差部分：

$$B^{\perp}=B-\frac{\langle B,A\rangle}{\langle A,A\rangle}A$$

这正是「B 对 A 回归取残差」。残差 $B^{\perp}$ 与 A 正交（相关性=0），表达的是「B 中 A 没有的增量信息」。多个因子按顺序逐一对前面所有因子取残差，就得到一组互不相关的正交因子，回归立刻稳定。

④ 各方法适用场景

方法	适合	缺点
因子分组等权合成	同类因子（多个价值代理）	粗糙，丢失差异信息
残差正交化	有明确主次关系	顺序敏感、解释性差
PCA	纯预测、不需解释	主成分无经济含义
Elastic Net	因子很多、想自动筛	需调参，黑箱

① 事件复盘：2007 年 8 月 6–9 日的三天

当时大量量化多空基金（market-neutral）持有高度相似的因子组合：做多便宜/高质量/有动量的股票，做空贵的/低质量的。它们彼此并不知道仓位重叠有多严重——直到一起被迫平仓。

1. 导火索：某家（或几家）大基金可能因为信贷市场压力（次贷危机正在酝酿）需要筹集现金，开始平掉股票多空仓位——卖出它的多头、买回它的空头。
2. 价格逆动：因为大家持仓雷同，它平仓时砸的正是别人的多头、拉的正是别人的空头。于是这些「应该跑赢」的因子组合突然巨亏。
3. 去杠杆螺旋（deleveraging spiral）：亏损 → 触及风控/保证金线 → 被迫减仓 → 减仓又是卖多买空 → 进一步压低因子收益 → 更多基金触线 → 再减仓……正反馈不断自我强化。
4. 极端反差：8 月 6–8 日因子组合录得 $-5\sigma$ 到 $-10\sigma$ 级别的亏损（按历史波动几乎不可能发生）；而 8 月 10 日去杠杆结束后，因子又暴力反弹——这恰恰证明亏损源于流动性踩踏而非基本面，是典型的拥挤+杠杆事故。

关键教训：风险不只来自你的因子本身，还来自谁和你持有一样的仓位、用了多少杠杆。当持仓拥挤 × 高杠杆 × 共同的风控规则，市场就内生了脆弱性——平时低相关的策略会在压力下相关性骤升（correlation goes to 1）。

② 拥挤检测指标（实务）

维度	指标	拥挤信号
估值	因子多空腿的估值价差（如多头 P/E ÷ 空头 P/E）	达到历史高分位
做空	空头组合的借券成本 / 利用率（short interest）	飙升
拥挤度	因子组合的成对相关性、机构共同持仓重叠度（13F）	上升
动态	因子收益自相关、回撤深度与恢复时长	回撤变深、恢复变慢
资金流	同类 ETF/基金的资金净流入、换手	持续大幅流入

① 为什么叫 error maximizer（误差最大化器）？

无约束 MVO 的解析解是：

$$w^*\propto\Sigma^{-1}\mu$$

问题出在两个地方的乘积：

• $\mu$ 极难估：期望收益的估计误差巨大（年化收益的标准误差和波动同量级，几乎和噪声一样大）。优化器无法分辨「真的高收益」和「估计噪声导致的虚高」，于是它专挑那些因为估计误差而看起来收益最高的资产重仓——它在系统性地放大、押注估计误差，故称「误差最大化器」。
• $\Sigma^{-1}$ 放大相关资产的误差：当两资产高度相关，$\Sigma$ 接近奇异，求逆会把微小的 $\mu$ 差异放大成巨大的多空对冲头寸（一个 +300%、一个 -200%），权重剧烈、极端、不稳定。

② 数值直觉（一个小例子）

两个资产相关性 0.9，你对它们期望收益的估计只差 0.1%（完全在噪声范围内）。MVO 会因为这 0.1% 的差，把组合做成「重仓 A、大幅做空 B」的极端对冲——因为在它眼里 A 是「更高收益、可被 B 对冲掉风险」的免费午餐。明天估计翻转 0.1%，权重就整个反过来。输入的噪声 → 输出的剧烈摆动，这就是敏感性。

③ 三类缓解手段，对应不同病根

手段	治哪个病	机制
约束（如 $0\le w_i\le 5\%$、禁止做空、换手上限）	极端/集中权重	直接限制解空间，防止优化器走极端；实证上常比「精确最优」更稳
收缩估计（Ledoit-Wolf）	$\Sigma$ 含噪、近奇异	把样本协方差向结构化目标（如常相关矩阵）收缩，$\hat\Sigma=\delta F+(1-\delta)S$，改善求逆稳定性
Black-Litterman	$\mu$ 难估、不稳	以市场均衡隐含收益为先验，再用贝叶斯把你的主观观点按置信度融合，得到平滑、合理的 $\mu$，权重不再极端
最小方差 / 风险平价	干脆不估 $\mu$	绕开最不可靠的输入（期望收益），只用相对可靠的 $\Sigma$

核心思想：MVO 的脆弱来自「把不可靠的输入当成精确真值去优化」。所有缓解手段本质都是降低对输入精度的依赖——要么约束输出、要么平滑输入、要么干脆少用最不可靠的输入。

① 风险贡献的推导（欧拉分解）

组合波动率 $\sigma_p=\sqrt{w^T\Sigma w}$ 是权重的一次齐次函数（把所有 $w$ 翻倍，$\sigma_p$ 也翻倍）。由欧拉定理，一次齐次函数等于「各变量 × 其偏导」之和：

$$\sigma_p=\sum_i w_i\frac{\partial\sigma_p}{\partial w_i}$$

对 $\sigma_p=\sqrt{w^T\Sigma w}$ 求偏导：

$$\frac{\partial\sigma_p}{\partial w_i}=\frac{(\Sigma w)_i}{\sqrt{w^T\Sigma w}}=\frac{(\Sigma w)_i}{\sigma_p}$$

这叫资产 $i$ 的边际风险贡献（MRC）——多加一点 $i$ 的权重，总风险增加多少。于是资产 $i$ 的总风险贡献：

$$RC_i=w_i\cdot\frac{(\Sigma w)_i}{\sigma_p},\qquad \sum_i RC_i=\sigma_p$$

（教材里常省去分母 $\sigma_p$ 写成 $RC_i=w_i(\Sigma w)_i$，此时 $\sum_i RC_i=\sigma_p^2=$ 总方差，本质相同。）关键：风险贡献能干净地加总成组合总风险，这就是「让每块贡献相等」有意义的数学基础。

② 为什么要加杠杆配债？

对两资产、忽略相关性时，风险平价解约为 $w_i\propto 1/\sigma_i$（权重与波动率成反比）。假设股票年化波动 15%、债券 5%：

$$w_{\text{债}}:w_{\text{股}}=\frac{1}{5}:\frac{1}{15}=3:1\Rightarrow w_{\text{债}}=75\%,\ w_{\text{股}}=25\%$$

这样风险贡献才均衡。但问题来了：75% 配债的组合，预期收益太低——债券收益本来就低，重配债把组合收益拉到不够覆盖目标的水平。

解决办法是加杠杆：先得到「风险均衡」的配比，再整体放大（借钱买更多），把组合总波动加到目标水平（比如 10%）。这样既保持了「股债风险贡献相等」的均衡结构，又把收益拉回可接受区间。这正是 Bridgewater All Weather 的精髓：不在低风险资产上少配，而是借杠杆把整个均衡组合放大。

③ 三种配置法对比

方法	均衡的是	需要估 $\mu$？	典型结果
等权 1/N	名义权重	否	高波动资产主导风险
风险平价	风险贡献	否	重配低波动资产（需杠杆补收益）
MVO	风险调整后收益	是	权重极端、对输入敏感

① 前视偏差——最隐蔽、最致命，常常无意中犯

• 财报日期踩坑：用 12 月 31 日的年报数据，在 1 月 1 日就拿来选股。但年报实际要到 3–4 月才披露！你用了「当时还不存在」的信息。正确做法：用 point-in-time 数据，按实际披露日而非报告期末日对齐。
• 复权 / 调整后数据踩坑：用「事后复权」的价格、或事后修正过的财务数据回测。这些数字当时根本拿不到。
• 标准化用了全样本：对整段历史做 z-score 标准化时，用了包含未来的均值和标准差。应当只用截至当期的滚动统计量。
• 指数成分调整：用「今天的指数成分股」回测过去——成分是事后才纳入的（这其实也是幸存者偏差的近亲）。

真实案例直觉：一个策略回测夏普 3.0，上线后归零。排查发现——信号用了「收盘后才公布的财务修正值」，且按收盘价成交。等于「看到答案再下注」。前视偏差的可怕在于：它让回测看起来非常好，骗过你自己。

② 幸存者偏差——你只看到了赢家

• 退市股票被剔除：数据库只保留现在还在交易的股票，破产/退市/被并购的公司被删了。回测于是只在「活下来的赢家」上跑，自然高估收益——你从未买到那些归零的公司。
• 基金业绩：评价共同基金长期收益时，清盘的差基金消失了，只剩活下来的，行业平均收益被系统性高估（学界估计每年高估 1–1.5%）。
• 经典反直觉：「二战归来轰炸机弹孔分析」——Abraham Wald 指出该加固的是没弹孔的部位，因为中弹那些部位的飞机根本没飞回来。回测里「没飞回来的股票」就是退市股。

正确做法：用包含退市股的「全样本」数据库（含 delisting returns），让破产的票以真实的 -100% 计入。

③ 其余偏差的踩坑速记

偏差	真实踩坑
过拟合	把参数从「20 日均线」一路试到「19.7 日」直到回测最漂亮——参数在拟合噪声
交易成本忽略	日频反转策略毛收益年化 30%，扣掉双边千分之几的成本和冲击后变负
时段选择	只回测 2009–2021 长牛，刻意避开 2008 和 2022，策略「从没见过熊市」

① 夏普比率的正态假设缺陷

夏普比率 $SR=\dfrac{R_p-R_f}{\sigma_p}$ 只用了前两阶矩（均值、方差），隐含假设收益近似正态。但真实策略收益常有：

• 负偏（left skew）：很多策略「平时小赚、偶尔巨亏」（如卖期权、套利、carry）。它们夏普很高，但实际上是在捡硬币于压路机前——尾部藏着毁灭性风险，夏普完全看不到。
• 肥尾（excess kurtosis）：极端事件比正态预测的频繁得多，$\sigma$ 低估了真实风险。

所以两个夏普都等于 2 的策略，一个可能是稳健的，另一个可能是「卖灾难保险」，风险天差地别。索提诺、最大回撤、偏度/峰度就是用来补这块的。

② 为什么需要 $t\gt3$（而不是统计学常规的 $t\gt2$）？

核心问题是多重检验（multiple testing）。常规 $t\gt1.96$（约 2）对应「单次检验 5% 假阳性率」。但量化研究里，你不是只测一个策略——你试了成百上千个因子、参数、组合，然后挑出最好的那个。

如果你独立试 20 个纯随机的策略，按 5% 假阳率，平均就有 1 个会「显著”——纯靠运气。试 1000 个，会有约 50 个假阳性「看起来很棒」。你挑出来的「最佳策略」极可能就是这种幸运噪声。

提高门槛到 $t\gt3$（对应单次 ~0.1% 假阳率）就是在为「我偷看了很多次」付出代价——这正是 Bonferroni 等多重检验校正的精神：试得越多，门槛越高。

③ Deflated Sharpe Ratio（DSR）的直觉

Bailey & López de Prado 的 DSR 把上面的逻辑做成公式。直觉三句话：

1. 你试了 $N$ 个策略，挑出最高夏普——这个最大值本身期望就大于 0，哪怕所有策略真实夏普都是 0（顺序统计量：试得越多，最大值越高）。
2. DSR 先估出「在你试的次数 $N$、收益的偏度峰度下，纯靠运气能达到的夏普基准是多少」。
3. 再问：你观测到的夏普，显著超过这个运气基准吗？超过才算真本事。

它同时惩罚：试的次数多（$N$ 大）、样本短（$T$ 小）、负偏、肥尾。这些都会抬高「运气门槛」、压低 DSR。

① 样本内 vs 样本外的夏普落差——过拟合的体温计

关键诊断指标是「衰减度」：

$$\text{衰减} = SR_{\text{样本内}} - SR_{\text{样本外}}$$

健康策略只有小幅衰减（信号真实，新数据上仍有效）；过拟合策略断崖下跌（样本内 3.0、样本外 0.2），因为它记住的是历史的噪声，而噪声不会重复。López de Prado 的 PBO（Probability of Backtest Overfitting） 就是量化「样本内最优的配置，在样本外排到后半段的概率」——概率越高，越是过拟合。

② Walk-Forward 验证：模拟「真实地往前走」

普通的「随机划分训练/测试」对时间序列是错的（会用未来训练、预测过去，泄漏信息）。Walk-Forward 尊重时间箭头：

窗口1: 训练[2010-2013] → 测试[2014]
窗口2: 训练[2011-2014] → 测试[2015]
窗口3: 训练[2012-2015] → 测试[2016]
...每次只用过去拟合参数，在紧接着的未来段检验，再滚动前移

• 滚动窗口（rolling）：训练窗长度固定，整体往前滑（适应市场变化）。
• 扩展窗口（anchored/expanding）：起点不变，训练集越来越长（用尽所有历史）。

把每个测试段的收益拼起来，得到一条从未被参数拟合污染过的样本外曲线——这比单次样本外更接近真实运行。进阶有 López de Prado 的 CPCV（组合purged交叉验证），用 purge/embargo 切断训练测试间的信息泄漏。

③ 为什么「经济学解释优先」是最强的防过拟合武器？

统计手段（样本外、DSR、Walk-Forward）都是事后检验，能减少但不能消除「碰巧好看」的风险——只要你搜索空间够大，总能撞到通过所有检验的运气策略。

事前的经济逻辑则从源头压缩了搜索空间：你不是盲目暴力搜参数，而是先有一个关于市场为什么会这样定价的假设（行为偏差、风险补偿、结构性约束、流动性供给……），再去数据里验证它。这把「从 10000 个随机想法里挑最好的」变成「检验 1 个有理由的想法」——多重检验的负担骤降，假阳性概率骤降。

López de Prado 的核心倡议正是：回测是验证工具，不是发现工具。先有机制假设，再用回测证伪；而不是对着回测曲线反复调参、让回测来「发明」策略——后者几乎必然过拟合。

① 市场冲击是什么、为什么是凹的（平方根）？

市场冲击 = 你自己的交易把价格推往不利方向的成本。买得多，价格被你买高；卖得多，被你砸低。它和价差不同：价差是「过马路的固定过路费」，冲击是「你块头越大、过得越费劲」的拥挤成本。

实证发现冲击对订单大小是凹函数（平方根而非线性）：$\text{Impact}\propto\sqrt{V/ADV}$。直觉——市场有「弹性」，下单后流动性会陆续补充，所以单位冲击随规模递减；但仍随规模上升，因为你消耗了订单簿深度。把订单做成日成交量 1% 和 4%，冲击不是 4 倍而是约 2 倍（$\sqrt4=2$）。

② Almgren-Chriss 模型的两难：冲击 vs 时机风险

AC 模型的精髓不只是一个冲击公式，而是一个最优执行框架。当你要清掉一大笔仓位，面临权衡：

• 交易太快 → 冲击成本大（短时间砸盘/扫货，价格被推得厉害）。
• 交易太慢 → 时机风险（timing risk）大：拖得越久，价格越可能因市场波动 $\sigma$ 自己漂走，给你带来不确定性。

AC 用「执行成本均值 + $\lambda\times$ 执行成本方差」构造目标函数（$\lambda$ 是风险厌恶），解出一条最优交易轨迹（trading trajectory）——风险厌恶越高，越倾向快速完成（少冒时机风险）；越不在意波动，越铺开慢慢交易（省冲击）。这就是 VWAP/TWAP/IS 等执行算法的理论根。

③ 为什么高换手策略「收益被冲击吃掉」——短期反转的例子

短期反转策略：买过去一周跌得最多的、卖涨得最多的，赌它们反弹/回落。它在毛收益层面（paper）往往非常漂亮，IC 高、夏普高。但它有两个致命特征：

1. 极高换手：信号每周（甚至每天）翻新，要不断调仓——年换手可达几十倍。每次调仓都付一次冲击+价差。
2. 专挑流动性差的票：反转收益常集中在小盘、低流动性股票（它们才会被错杀又反弹），而这些恰恰是 $ADV$ 小、冲击成本最高的票。

组合起来：换手 × 冲击 × 标的流动性差 = 成本爆炸。一个毛年化 30% 的反转策略，扣掉双边价差和按平方根模型估的冲击后，净收益可能归零甚至为负。这就是为什么短期反转「学术上显著、实务上难做」——它的 Alpha 大部分是对承担流动性提供与交易成本的补偿，普通投资者赚不到。