6、冲击成本参数估计：永久冲击系数估计、临时冲击系数估计、波动率估计
好，咱们进入第六章。这一章是实战手册里最「硬核」的部分之一。
前面我们讲了冲击成本模型长什么样，也讲了怎么用交易数据去拟合。但模型里的那些参数——永久冲击系数、临时冲击系数、波动率——到底怎么算出来？
说白了，参数估计不准，模型就是摆设。我见过不少团队，模型搭得漂漂亮亮，一上线就亏钱，回头一查，参数全是拍脑袋估的。
今天咱们就把这三个参数掰开揉碎，讲清楚。
6.1 永久冲击系数估计
永久冲击，指的是你的订单对市场造成的「不可逆」影响。比如你买了一大笔股票，把价格推高了，就算你买完了，价格也回不到原来的位置。
这个系数，我习惯用VWAP（成交量加权平均价）和TWAP（时间加权平均价）的差值来估计。
核心思路：
永久冲击 = 订单执行期间的市场价格变化 - 临时冲击（可逆部分）
但在实际中，我们通常用回归模型直接分离两者。
具体做法是这样的：
- 收集历史交易数据，包括每笔订单的成交量、订单方向（买/卖）、执行价格、基准价格（比如订单到达前的市场价）。
- 计算每笔订单的价格冲击：冲击 = (执行价格 - 基准价格) / 基准价格。
- 用回归模型拟合：冲击 = α + β₁ × (成交量/市场总成交量) + β₂ × 订单方向 + ε。
这里的 β₁ 就是永久冲击系数。为什么？因为成交量占比越大，你的订单对市场的影响越持久。
我的经验：
我曾经在拟合一个高频股票时，发现永久冲击系数特别小，几乎为零。一开始我以为模型错了，后来才发现——那只股票流动性极好，几百万的订单打进去，价格纹丝不动。嗯，这就是流动性好的典型特征。
代码实现也不复杂，用 Python 的 statsmodels 库就能搞定：
import statsmodels.api as sm
import pandas as pd
# 假设 df 包含列：volume_ratio（成交量占比）, direction（1买/-1卖）, impact（价格冲击）
X = df[['volume_ratio', 'direction']]
X = sm.add_constant(X)
y = df['impact']
model = sm.OLS(y, X).fit()
permanent_coef = model.params['volume_ratio']
print(f"永久冲击系数: {permanent_coef:.6f}")这里要注意一点：数据频率。我建议用分钟级数据，太细了噪声大，太粗了丢失信息。
6.2 临时冲击系数估计
临时冲击，说白了就是你的订单「吓到了」市场，但等交易结束，价格会慢慢恢复。
这个系数怎么估？我个人的习惯是看订单簿的恢复速度。
具体来说：
- 找到那些大单成交后，价格在短时间内（比如1-5分钟）又回到原位的案例。
- 计算这些案例中，价格偏离的幅度和持续时间。
- 用回归模型拟合：临时冲击 = γ × (成交量/市场深度) + δ × 订单方向。
这里的 γ 就是临时冲击系数。市场深度越浅，临时冲击越大。
避坑指南：
我曾经犯过一个错误——把永久冲击和临时冲击混在一起回归。结果两个系数都估计不准。后来我改用两阶段回归：先估计永久冲击，把残差拿出来再估计临时冲击。效果好了很多。
两阶段回归的代码示例：
# 第一阶段：估计永久冲击
model_perm = sm.OLS(y, X).fit()
residuals = model_perm.resid # 残差 = 临时冲击 + 噪声
# 第二阶段：估计临时冲击
# 假设临时冲击与订单规模、市场深度有关
X_temp = df[['order_size', 'market_depth']]
X_temp = sm.add_constant(X_temp)
model_temp = sm.OLS(residuals, X_temp).fit()
temporary_coef = model_temp.params['order_size']
print(f"临时冲击系数: {temporary_coef:.6f}")你想想看，为什么临时冲击系数比永久冲击系数更难估？因为临时冲击的「恢复」过程，受太多因素影响——市场情绪、其他订单的到达、新闻事件……所以，我建议用高频数据（比如 tick 级数据）来估计，样本量越大越好。
6.3 波动率估计
波动率，是冲击成本模型里最基础的参数。没有波动率，你连订单的「风险」都算不清楚。
估计波动率的方法很多，我挑三个最实用的讲：
| 方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 历史波动率 | 低频交易、长期策略 | 简单、稳定 | 滞后、对突变不敏感 |
| 已实现波动率 | 高频交易、日内策略 | 实时、准确 | 需要高频数据 |
| GARCH模型 | 波动率聚类明显的市场 | 能捕捉波动率变化 | 参数估计复杂 |
我个人最常用的是已实现波动率。为什么？因为它能反映「当下」的市场状态。你想想看，如果今天市场突然暴跌，你用过去30天的历史波动率，根本反应不过来。
已实现波动率的计算很简单：
import numpy as np
# 假设 prices 是分钟级价格序列
returns = np.diff(np.log(prices))
realized_vol = np.sqrt(np.sum(returns**2))
print(f"已实现波动率: {realized_vol:.6f}")这里有个细节：采样频率。我建议用5分钟或10分钟的频率。太细了（比如1分钟），会受到微观结构噪声的干扰；太粗了（比如1小时），又会丢失日内波动信息。
我的一个小技巧：
在估计波动率时，我会同时计算上行波动率和下行波动率。因为市场在上涨和下跌时，波动特征往往不同。比如，下跌时的波动率通常更大。这个差异，在冲击成本模型里能帮你更精准地控制风险。
知识体系总览
下面这张图，把本章的三个参数估计方法串起来了。你可以看到，永久冲击和临时冲击是「兄弟」，一个管长期影响，一个管短期扰动；而波动率是「地基」，所有估计都离不开它。
好了，这一章的内容就到这里。参数估计是个细活，急不来。我建议你拿到数据后，先画图看看分布，再动手跑回归。很多时候，数据里的异常值会直接把你的系数带偏。
嗯，下一章我们会聊怎么把这些参数用到实盘交易中。但今天，先把这三个系数估准了再说。