执行算法与最优执行

执行（execution）是把「投资决策」变成「实际持仓」的最后一公里。一个年化 20% 的选股信号，如果执行环节多付出 30 bp 的冲击成本、每年换手 50 次，那么光是执行就会吃掉约 15% 的收益。研究做得再好，执行不行，收益就蒸发在盘口里。

工程上真正难的地方在于：执行面对的是一个会对你的行为做出反应的市场。你买得越多越快，价格就被你推得越高；你买得越慢，价格漂移的风险就越大。这个「冲击成本 vs 时间风险」的对抗，是执行算法的核心矛盾，也是 Almgren-Chriss 这类模型要解决的问题。

与 OMS 关注「订单状态是否正确」不同，本文关注的是「成交价格是否划算」。订单管理与执行算法 已经介绍了 TWAP/VWAP/POV 的基本调度与 OMS 状态机，本文不重复这些基础，而是深入最优执行理论、冲击成本建模、暗池与智能路由，以及执行质量的归因方法。

本文按「基准 → 冲击 → 容量 → 最优轨迹 → 自适应 → 路由 → 归因 → 调优 → 工程」的顺序展开，重点放在「为什么」而不是「调用哪个库」。

目录

1. 执行的三个基准与实现落差
2. 冲击成本的两种形态
3. 平方根冲击律与策略容量
4. Almgren-Chriss 最优执行轨迹
5. 自适应执行与成交量预测
6. 暗池、内部化与智能路由
7. 执行质量的归因分解
8. 执行参数的在线调优
9. 执行系统的工程结构

1. 执行的三个基准与实现落差

评价一笔执行的好坏，必须先选一个基准。基准选错，结论会完全相反：

实现落差（Implementation Shortfall, IS） 以到达价为基准，是最全面的指标，因为它把延迟、冲击、择时全部算进去：

def implementation_shortfall(fills, arrival_mid, side):
    qty = sum(f.qty for f in fills)
    vwap = sum(f.price * f.qty for f in fills) / qty
    sign = 1 if side == 'BUY' else -1
    # 买入成交价高于到达价为负贡献，单位 bp
    return sign * (vwap - arrival_mid) / arrival_mid * 10000

「实现落差」这个词容易被误用：它既指上面这个成本指标，也指「计划调度与实际成交之间的偏差」。工程上要把两者分开看——前者衡量结果，后者衡量执行过程。一个 IS 为 5 bp 的执行，可能是「计划 5 bp、偏差 0」，也可能是「计划 0、偏差 5」，改进方向完全不同。

VWAP 基准适合被动型委托，但它有个隐藏缺陷：市场 VWAP 包含了你自己的成交量。如果你占当日成交的 20%，那么你的成交价会被自己的冲击推高，VWAP 基准反而显得「达标」。严肃的评估要用「剔除自身成交的 VWAP」作为基准。

2. 冲击成本的两种形态

市场冲击必须拆成两部分，因为它们的性质完全不同：

临时冲击来自流动性消耗：你把盘口的挂单吃掉了，价格临时偏离，等新挂单补上就回落。永久冲击来自信息泄露：市场从你的持续买入中推断出「有资金在建仓」，于是重估价格，这部分不会回来。

def temporary_impact(rate, eta):
    # rate: 单位时间的执行量占比；eta: 流动性系数
    return eta * rate                      # 线性临时冲击

def permanent_impact(total_qty, adv, gamma, sigma):
    # 永久冲击通常与参与率成正比，并随波动率放大
    return gamma * sigma * (total_qty / adv)

这个区分直接决定执行策略：如果冲击主要是临时的，那么「慢慢执行」几乎无成本，TWAP 就是最优；如果冲击有永久成分，那么拖延执行等于让永久冲击持续作用于更大的剩余持仓，应该更快执行。

滑点（slippage）是冲击在单笔订单上的微观表现：挂单价与实际成交价之差。回测里常用固定滑点（如 10 bp），但真实滑点随订单大小、标的流动性、时段剧烈变化。开盘后 5 分钟的滑点是午盘的 35 倍，小盘股的滑点是大盘蓝筹的 510 倍。用单一固定值建模，会系统性地低估小盘策略成本。

3. 平方根冲击律与策略容量

大量实证研究发现，冲击成本对订单规模呈次线性——不是线性的，而是接近平方根：

冲击成本 ≈ Y · σ · sqrt(Q / V)

σ：标的日波动率
Q：订单量
V：日均成交量（ADV）
Y：经验系数，股票市场约 0.3~1.0

这个「平方根律」是执行领域最重要的经验规律之一。它的含义是：规模翻四倍，冲击只翻一倍。这解释了为什么大资金仍然可以交易——如果冲击是线性的，规模一大成本就爆炸。

import math

def sqrt_impact(qty, adv, daily_vol, y=0.5):
    """返回以 bp 为单位的冲击成本估计"""
    return y * daily_vol * math.sqrt(qty / adv) * 10000

print(f"{sqrt_impact(0.10 * 1e8, 1e8, 0.02):.1f} bp")   # 买入 10% ADV，约 31.6 bp
print(f"{sqrt_impact(0.40 * 1e8, 1e8, 0.02):.1f} bp")   # 买入 40% ADV，约 63.2 bp

策略容量（capacity） 由此推导：当冲击成本逼近策略的预期 alpha 时，策略就到达了容量上限。一个日频 alpha 为 50 bp 的策略，如果单日下单量达到 25% ADV 时冲击是 50 bp，那么它的容量就是「每天不超过 25% ADV」。

容量估算要保守，因为平方根律的系数 Y 在市场压力下会显著上升。2018 年、2020 年 3 月的极端行情里，同样的订单量冲击成本是平时的 3~5 倍。按常态系数算出的容量，在危机中会瞬间失效。

4. Almgren-Chriss 最优执行轨迹

Almgren-Chriss（AC）框架把执行形式化为一个随机最优控制问题：在「冲击成本（随执行速率增加）」和「时间风险（随执行时间增加）」之间求最优折中。

目标：min E[成本] + λ · Var[成本]

成本 = 临时冲击（与速率 v 成正比）+ 永久冲击（与累计量成正比）
风险 = 剩余持仓暴露于价格波动 σ

最优解：x(t) = X · sinh(κ(T − t)) / sinh(κT)
κ = sqrt(λ σ² / η)     λ 风险厌恶，η 流动性

import numpy as np

def ac_schedule(X, T, kappa, n=10):
    t = np.linspace(0, T, n + 1)
    remaining = X * np.sinh(kappa * (T - t)) / np.sinh(kappa * T)
    return np.diff(-remaining)   # 每段应执行的量

print(ac_schedule(1e6, 1.0, kappa=5.0, n=5).round(0))   # κ 大：前重后轻，快速执行
print(ac_schedule(1e6, 1.0, kappa=0.5, n=5).round(0))   # κ 小：接近均匀，类似 TWAP

AC 的两个极限很有启发：

• κ → 0（低风险厌恶或高流动性）：解退化为均匀分布，即 TWAP。
• κ → ∞（高风险厌恶或低流动性）：解退化为「立即全部执行」，即市价单。

所以 TWAP 不是「拍脑袋的简单算法」，而是 AC 在特定参数下的最优解。真正需要调的是 κ，而 κ 由alpha 的衰减速度决定：alpha 衰减越快，κ 越大，越应该快速执行。

AC 的局限也要清楚：它假设冲击函数已知且稳定、价格服从算术布朗运动、没有成交量约束。真实市场里这三个假设都不成立。工程实践中 AC 更多是提供直觉和参数框架，而不是直接照搬轨迹。

5. 自适应执行与成交量预测

静态调度（TWAP/VWAP）的问题是不响应市场变化：如果中途成交量突然枯竭，VWAP 会为了追赶进度而激进下单，推高成本。

自适应执行（adaptive execution）动态调整参与率，目标是最小化实现落差而非贴合 VWAP：

class AdaptiveExecutor:
    def __init__(self, total, alpha_decay, risk_aversion=1.0):
        self.remaining = total
        self.alpha_decay = alpha_decay       # alpha 每秒衰减率
        self.lam = risk_aversion

    def target_rate(self, elapsed, horizon, volatility, adv):
        # 剩余时间越少、alpha 衰减越快 → 速率越高
        urgency = self.alpha_decay * (1 - elapsed / horizon)
        base = self.remaining / max(horizon - elapsed, 1e-9)
        return base * (1 + self.lam * urgency / max(volatility, 1e-6))

成交量预测是自适应执行的关键输入。A 股日内成交量呈 U 形：开盘 15 分钟和收盘 30 分钟成交量最大，午间最低。用历史同期的平均分布作为先验，再用当日实时成交量做贝叶斯更新：

def predict_volume_profile(hist_profiles, realized_ratio):
    # hist_profiles: 历史各时段成交量占比矩阵 (days × bins)
    prior = hist_profiles.mean(axis=0)              # 先验 U 形分布
    remaining_bins = len(prior) - len(realized_ratio)
    # 已实现部分修正剩余部分的预测
    scale = realized_ratio.sum() / prior[:len(realized_ratio)].sum()
    return prior * scale

成交量预测的误差会直接转化为执行误差。经验上，开盘前的预测误差约 15~25%，到收盘前会收敛到 5% 以内。因此自适应执行应该越往后越激进，把预测不确定性留给后半段。

6. 暗池、内部化与智能路由

暗池（dark pool）是不显示报价、只在成交后披露的流动性池。它的价值是降低冲击：在暗池里，你的大单不会出现在公开盘口上，不会被其他参与者察觉。

暗池的核心风险是逆向选择：愿意在暗池和你成交的对手，往往掌握你不知道的信息（比如即将发布的利好/利空）。你的成交价看似是「中间价」，但成交本身就说明价格即将朝不利方向变动。

def dark_pool_adverse_selection(fills, mid_after_5min):
    # 成交后 5 分钟中间价相对成交价的变化，正值表示被逆向选择
    return np.mean([
        (mid_after_5min[f.id] - f.price) / f.price * f.sign
        for f in fills
    ]) * 10000   # bp

智能路由（SOR, Smart Order Router） 的目标是在多个场所间分配订单，使总成本最小。它要同时考虑：各场所的报价、深度、历史成交率、手续费差异、以及延迟。

def route(order, venues):
    # 按「有效价格 = 报价 + 预期冲击 - 手续费返还」排序
    ranked = sorted(venues, key=lambda v: v.price + v.impact - v.rebate)
    alloc, left = {}, order.qty
    for v in ranked:
        take = min(left, v.display_qty)
        alloc[v.id] = take
        left -= take
        if left == 0:
            break
    return alloc

A 股目前是单交易所集中撮合，没有真正意义上的暗池与多场所路由；但在港股、美股、期货跨市场场景里，SOR 是执行系统的核心模块。理解它也有助于理解为什么海外执行成本结构的差异那么大。

7. 执行质量的归因分解

一笔执行的实现落差可以分解成几个来源，分解清楚才能知道该优化哪一环：

IS = 延迟成本 + 冲击成本 + 择时成本 + 机会成本

延迟成本：决策时刻 → 订单到达市场
冲击成本：成交对价格的推动
择时成本：执行期间价格自然漂移
机会成本：未成交部分的机会损失

def decompose_is(fills, decision_px, arrival_px, final_px, target_qty):
    filled = sum(f.qty for f in fills)
    vwap = sum(f.price * f.qty for f in fills) / filled
    delay = (arrival_px - decision_px) / decision_px          # 延迟
    impact = (vwap - arrival_px) / arrival_px                 # 冲击
    timing = (final_px - vwap) / final_px                     # 执行后漂移
    unfilled = (target_qty - filled) / target_qty
    return {
        'delay_bp': delay * 10000,
        'impact_bp': impact * 10000,
        'timing_bp': timing * 10000,
        'opportunity_bp': unfilled * (final_px - arrival_px) / arrival_px * 10000,
    }

机会成本最容易被忽略。如果一笔买入委托因为限价太保守只成交了 60%，剩余 40% 的仓位没建上，而价格随后涨了 3%，这 40% 的机会损失（约 120 bp）比整个冲击成本还大。很多执行系统的限价逻辑只优化「成交价」，结果系统性地牺牲了成交率。

归因结果可以直接映射到改进动作：

归因的价值在于指导改进：如果延迟成本占比高，要优化的是链路和决策到报单的时间；如果冲击成本占比高，要放慢节奏或换用暗池；如果机会成本占比高，要放宽限价或提高参与率。

8. 执行参数的在线调优

执行算法的参数（参与率、限价偏移、切片间隔）不能一次调好就固定。市场流动性是变化的，参数需要在线自适应：

调优的方法是控制变量 + A/B：同一类委托随机分配到不同参数组，比较实现落差。这本质上是在线实验设计，与 可观测性 里的实验度量是同一种方法论。

def tune_participation(records, current_rate, step=0.01):
    # 找到「边际冲击 < 边际 alpha 收益」的参与率
    lo, hi = current_rate, min(current_rate + 0.05, 0.30)
    impact_lo = mean_impact(records, rate=lo)
    impact_hi = mean_impact(records, rate=hi)
    marginal_impact = (impact_hi - impact_lo) / (hi - lo)
    if marginal_impact > marginal_alpha(records):
        return max(lo - step, 0.02)     # 冲击上升太快，降速
    return hi

要注意不要过拟合执行参数。执行样本的信噪比很低（每笔成交的成本受当天行情影响极大），用几十笔成交就调参，很容易把当天的运气当成参数效果。至少要有几百笔同类型委托、跨越不同市场状态，参数调整才有统计意义。

9. 执行系统的工程结构

执行系统（Execution Management System, EMS）在 OMS 与柜台之间，负责调度、路由与监控：

策略/OMS ──Parent Order──► EMS ──Child Orders──► 柜台/交易所
                             │
                             ├─ 调度器（何时下多少）
                             ├─ 路由器（下到哪里）
                             ├─ 限价器（什么价格）
                             └─ 监控器（进度与偏差）

延迟敏感的环节（限价计算、路由决策）应该放在低延迟路径上，与 低延迟交易系统架构 里的无锁与预分配模式一致；而调度与预测这类计算密集但非实时的部分，可以放在独立的进程里。

执行系统必须记录决策时刻的市场快照（到达价、盘口、成交量）。没有这些数据，事后无法计算实现落差，也无法归因。执行日志的完整性比执行算法的高深更重要——一个平庸但可观测的算法，比一个精妙但黑盒的算法更容易持续改进。

与交易所的交互细节（订单类型、撤改时序）在撮合引擎设计与订单管理里讨论，EMS 只需保证发出的子单符合场所规则。

权衡取舍

执行速度的选择本质上是在「冲击」和「时间风险」之间移动。判断依据是 alpha 的半衰期：半衰期 10 分钟的信号，执行窗口不应超过 30 分钟；半衰期一天的信号，可以用一整天慢慢做。把执行速度和 alpha 衰减匹配起来，是执行系统最重要的一个决策。

基准的选择也有取舍：IS 基准对主动型策略公平，但波动大（受市场漂移影响）；VWAP 基准稳定，但可能掩盖真实成本。实践中两个都算，IS 用于内部改进，VWAP 用于对客户汇报。

常见坑清单

1. 用到达价还是收盘价不分：主动策略用收盘价基准会低估延迟成本，必须用 IS。
2. 固定滑点建模：忽略滑点随规模、流动性、时段的变化，系统性低估小盘成本。
3. 忽略永久冲击：以为慢执行零成本，实际永久冲击随总成交量累积。
4. VWAP 含自身成交：基准被自己的冲击抬高，评估失真。
5. 容量按常态系数算：危机中冲击系数放大数倍，容量瞬间失效。
6. 机会成本不计入：只看成交价不看成交率，限价太保守导致建仓不足。
7. 暗池不看逆向选择：中间价成交看似便宜，成交后价格反向变动。
8. 用少量样本调参：几十笔成交调执行参数，把运气当规律。
9. 不记录到达价快照：事后无法计算 IS，执行质量无从评估。
10. 自适应执行越走越保守：把预测不确定性全留给尾盘，尾盘被迫激进。

小结

执行的核心矛盾是冲击成本与时间风险的对抗，所有执行算法都是这个矛盾的某种折中：TWAP 是极端被动，市价单是极端激进，Almgren-Chriss 给出了参数化的最优路径。理解平方根冲击律，就理解了为什么大单要拆、为什么策略有容量上限、为什么危机中执行成本会暴涨。

判断一个执行系统是否成熟，看三件事：有没有用 IS 而非 VWAP 做内部评估？有没有把机会成本算进去？执行参数有没有基于足够样本在线更新？ 三件事都做到了，执行才是一个可优化的工程问题，而不是一个玄学。

下一步建议阅读 撮合引擎设计 ，理解订单在交易所侧如何被撮合与排队，这决定了你的限价单能否成交、排在什么位置；如果你关心执行链路本身的延迟，可以回顾低延迟交易系统架构里的无锁与预分配模式。