一、冲击成本归因：从Brinson到多因子
冲击成本这东西，说白了就是你的交易指令对市场价格的「推土机效应」。我做了这么多年量化，见过太多人只盯着alpha，却忽略了冲击成本这个隐形杀手。今天我们就来聊聊，怎么用归因分析把冲击成本拆开揉碎了看。
1.1 Brinson归因思想：换个角度看冲击
做资产配置的人都知道Brinson归因，它把超额收益拆成配置效应、选股效应和交互效应。我当年第一次接触这个框架时就在想——这玩意儿能不能用在冲击成本上？
答案是肯定的。冲击成本本质上也是一种「损失」，我们可以用类似的思路拆解它。
核心思想：把冲击成本拆成「市场整体冲击」和「个股特异性冲击」两部分。就像Brinson把收益拆成大盘贡献和选股贡献一样。
具体来说，我习惯这样建模：
冲击成本 = 市场冲击因子 × 市场暴露 + 个股冲击残差
其中：
- 市场冲击因子：反映整体市场流动性环境
- 市场暴露：组合对市场的敏感度（类似Beta）
- 个股冲击残差：由个股交易行为导致的额外成本嗯，这里要注意——市场冲击因子不是常数。我记得2020年3月美股熔断那会儿，这个因子直接翻了5倍。如果你还用平时的参数去算冲击成本，那结果会差得离谱。
1.2 多因子归因模型：把冲击拆得更细
光拆成市场和个股还不够。我在项目中遇到过一个问题：两个股票明明市值差不多，冲击成本却差了一倍。为什么？
因为冲击成本受多个因子影响。我建议至少考虑以下维度：
| 因子类别 | 具体因子 | 解释 |
|---|---|---|
| 流动性因子 | 相对买卖价差、Amihud非流动性指标 | 流动性越差，冲击越大 |
| 波动率因子 | 已实现波动率、GARCH预测波动 | 波动越大，冲击成本非线性增长 |
| 交易强度因子 | 换手率、订单流不平衡 | 交易越密集，冲击越明显 |
| 规模因子 | 市值、流通市值 | 小盘股冲击成本通常更高 |
有了这些因子，我们就可以做多因子归因了。公式长这样：
冲击成本_i = α + β₁×流动性_i + β₂×波动率_i + β₃×交易强度_i + β₄×规模_i + ε_i你想想看，这其实就是一个线性回归。每个因子的系数β告诉我们：这个因子每变化一个单位，冲击成本会变化多少。
实战技巧：我建议用滚动窗口估计这些系数。因为市场环境在变，因子的「定价」也在变。比如2021年量化私募大爆发那阵子，交易强度因子的系数明显上升——大家都在抢跑，冲击成本自然水涨船高。
1.3 一个完整的归因流程
说了这么多理论，我们来走一遍实际流程。这是我个人常用的步骤：
- 数据准备：收集每笔交易的冲击成本、以及对应的因子数据
- 因子标准化：把因子转成Z-score，方便比较系数大小
- 回归估计：用OLS或WLS估计因子系数
- 归因分解：把冲击成本拆成「因子贡献」+「残差」
- 异常检测：残差过大的交易，需要人工复核
我曾经用这套流程帮一家私募排查问题。他们发现某只小盘股的冲击成本总是异常高，一查才发现是交易员下单时用了「市价单」而不是「限价单」。嗯，这就是残差分析的价值——帮你找到系统之外的问题。
1.4 避坑指南
我曾经踩过的坑：
- 多重共线性：波动率因子和流动性因子往往高度相关。我建议用VIF检验一下，如果VIF>10，考虑用主成分分析降维。
- 非线性关系：冲击成本跟交易量不是线性关系。当交易量超过日均成交量的10%时，冲击成本会急剧上升。这时候可以考虑加一个平方项。
- 时间序列自相关：今天的冲击成本跟昨天有关。用Newey-West标准误可以解决这个问题。
1.5 可视化：冲击成本归因框架
下面这张图是我自己设计的归因框架。它把整个流程串起来了：
这张图把整个归因流程分成了四层：数据输入、因子提取、模型归因、结果应用。我个人觉得最关键的其实是「残差分析」那块——很多隐藏问题都是从这里揪出来的。
1.6 小结
冲击成本归因不是花架子。它能帮你回答三个核心问题：
- 我的冲击成本主要来自哪里？（市场 vs 个股）
- 哪些因子在驱动冲击成本？（流动性？波动率？）
- 有没有异常交易需要关注？（残差分析）
说白了，这套框架就是给你的冲击成本装上一台「CT机」。哪里有问题，扫一眼就知道。下一章我们会聊具体怎么用Python实现这套框架，包括数据清洗、因子计算和回归估计的完整代码。