5D Library › 高频限价订单簿微观结构、霍克斯自激点过程与逆向选择毒流 · English

第六章 大单怎样拆:阿尔姆格伦—克里斯最优执行

执行缺口

前几章站在流动性提供者一边;本章换到需要流动性的一边。一家机构决定卖出 100 万股,从做出决定时的价格(「到达价」)到最后一股成交,所得往往少于「纸面」上的价值。佩罗德把这个差额称为执行缺口(implementation shortfall),并把它分解为显性成本、冲击成本与延误造成的机会成本 (Perold 1988)。卖得快,冲击大;卖得慢,价格在这段时间里随机游走,结果的不确定性大。最优执行讨论的就是这个权衡。

伯西马斯与罗 1998 年用动态规划处理风险中性的情形:在线性永久冲击、价格无信息漂移时,期望成本最小的策略是在各时段平均分配,即 TWAP(时间加权平均价格)策略 (Bertsimas and Lo 1998)。阿尔姆格伦与克里斯把风险纳入目标函数,给出了均值—方差意义下的有效前沿 (Almgren and Chriss 2001)。

阿尔姆格伦—克里斯模型

把执行时段 [0,T][0, T] 分为 NN 段,每段长 τ=T/N\tau = T/N;xkx_k 为第 kk 个时刻仍持有的股数(x0=Xx_0 = X,xN=0x_N = 0),nk=xk−1−xkn_k = x_{k-1} – x_k 为第 kk 段卖出的股数。价格按

Sk=Sk−1+στ1/2ξk−τg(nk/τ)S_k = S_{k-1} + \sigma\tau^{1/2}\xi_k – \tau\,g(n_k/\tau)

演化,g(v)=γvg(v) = \gamma v 是永久冲击;第 kk 段的成交价为 Sk−1−h(nk/τ)S_{k-1} – h(n_k/\tau),h(v)=εsgn(v)+ηvh(v) = \varepsilon\,\mathrm{sgn}(v) + \eta v 是临时冲击(ε\varepsilon 约为半个价差加手续费)。执行缺口 XS0−∑nkS̃kX S_0 – \sum n_k \tilde S_k 的期望与方差为

E=12γX2+εX+η̃τ∑knk2,V=σ2τ∑kxk2,η̃=η(1−γτ2η).E = \tfrac12\gamma X^2 + \varepsilon X + \frac{\tilde\eta}{\tau}\sum_k n_k^2, \qquad V = \sigma^2\tau\sum_k x_k^2, \qquad \tilde\eta = \eta\left(1 – \frac{\gamma\tau}{2\eta}\right).

对给定的风险厌恶系数 λ\lambda 最小化 E+λVE + \lambda V,得到

xk=sinh⁡(κ(T−tk))sinh⁡(κT)X,2τ2(cosh⁡(κτ)−1)=λσ2η̃.x_k = \frac{\sinh\big(\kappa(T – t_k)\big)}{\sinh(\kappa T)}\,X, \qquad \frac{2}{\tau^2}\big(\cosh(\kappa\tau) – 1\big) = \frac{\lambda\sigma^2}{\tilde\eta}.

λ\lambda 越大,κ\kappa 越大,轨迹越「前倾」:越早卖出越多,以较高的期望成本换取较低的方差。λ→0\lambda \to 0 时轨迹变为直线,即 TWAP;1/κ1/\kappa 可以理解为卖出大部分头寸所需时间的尺度。对一切 λ≥0\lambda \ge 0 作图,就得到期望成本—标准差平面上的有效前沿。作者框架中的双曲正弦轨迹、λ\lambda 的作用与有效前沿核对无误,但要说明适用条件:线性的永久与临时冲击、算术布朗运动、价格没有可预测的漂移,以及均值—方差准则。

证据

关于这些假设,有三点值得补充。第一,休伯曼与斯坦兹尔证明,在他们的框架中,若要排除通过反复买卖操纵价格获利(准套利)的可能,永久冲击必须是线性的 (Huberman and Stanzl 2004);这为线性永久冲击提供了理论理由。第二,奥比扎耶娃与王江把订单簿的有限深度与恢复(韧性)写进模型,此时最优策略在开始和结束时各有一笔离散交易,中间以连续速度交易,与阿尔姆格伦—克里斯的平滑轨迹不同 (Obizhaeva and Wang 2013)。第三,元订单的实证冲击近似与成交量的平方根成正比,而不是线性(第 39 本已讨论),所以线性临时冲击是一个便于求解的近似。

下面的程序取示意参数:一只 50 美元的股票,卖出 100 万股,5 天内分 50 段完成;日波动 0.95 美元,γ=2.5×10−7\gamma = 2.5\times10^{-7},η=2.5×10−6\eta = 2.5\times10^{-6},ε=0.0625\varepsilon = 0.0625。它计算不同 λ\lambda 下的期望缺口、标准差与时间尺度 1/κ1/\kappa,用蒙特卡洛核对公式,最后比较 TWAP 与按 U 形日内成交量分配的 VWAP。

推导

# Almgren-Chriss (2001) optimal liquidation of X shares in N periods of length tau with
# linear permanent impact g(v) = gam v and temporary impact h(v) = eps sgn(v) + eta v.
# Optimal holdings x_k = X sinh(kap (T - t_k)) / sinh(kap T), where
#   (2 / tau^2) (cosh(kap tau) - 1) = lam sig^2 / eta_t,
#   eta_t = eta (1 - gam tau / (2 eta)).
# Expected shortfall E = gam X^2 / 2 + eps X + (eta_t / tau) sum n_k^2,
# variance V = sig^2 tau sum x_k^2. Parameters are ILLUSTRATIVE (a $50 stock, 1,000,000
# shares over 5 days in 50 slices); lam is the risk aversion (per $).
import math, random, statistics

X, S0, SIG, T, N = 1_000_000, 50.0, 0.95, 5.0, 50
GAM, ETA, EPS = 2.5e-7, 2.5e-6, 0.0625
TAU = T / N; ETAT = ETA * (1 - GAM * TAU / (2 * ETA))

def traj(lam):
    if lam == 0:
        return [X * (1 - k / N) for k in range(N + 1)]
    kap = math.acosh(1 + lam * SIG ** 2 / ETAT * TAU ** 2 / 2) / TAU
    return [X * math.sinh(kap * (T - k * TAU)) / math.sinh(kap * T) for k in range(N + 1)]

def cost(x, eta_k=None):
    n = [a - b for a, b in zip(x, x[1:])]
    eta_k = eta_k or [ETAT] * N
    E = GAM * X ** 2 / 2 + EPS * X + sum(e / TAU * v * v for e, v in zip(eta_k, n))
    V = SIG ** 2 * TAU * sum(v * v for v in x[1:])
    return E, V

def simulate(x, rng, paths=20_000):
    n = [a - b for a, b in zip(x, x[1:])]; out = []
    for _ in range(paths):
        S, cash = S0, 0.0
        for v in n:                                        # slice k sells at S_{k-1} - h
            cash += v * (S - EPS - ETA * v / TAU)
            S += SIG * math.sqrt(TAU) * rng.gauss(0, 1) - GAM * v
        out.append(X * S0 - cash)                          # implementation shortfall
    return out

if __name__ == "__main__":
    print("strategy                     E[shortfall] $   sd $     1/kappa (days)")
    for name, lam in (("TWAP (lam = 0)", 0), ("lam = 1e-7", 1e-7), ("lam = 1e-6", 1e-6),
                      ("lam = 1e-5", 1e-5), ("lam = 1e-4", 1e-4)):
        x = traj(lam); E, V = cost(x)
        kap = (math.acosh(1 + lam * SIG ** 2 / ETAT * TAU ** 2 / 2) / TAU) if lam else 0
        hl = f"{1 / kap:8.2f}" if lam else "       -"
        print(f"  {name:24s}   {E:12,.0f}   {math.sqrt(V):9,.0f}   {hl}")
    E1 = GAM * X ** 2 / 2 + EPS * X + ETAT / TAU * X ** 2
    print(f"  {'everything in slice 1':24s}   {E1:12,.0f}   {0:9,.0f}")
    rng = random.Random(2001); x = traj(1e-6); E, V = cost(x); sim = simulate(x, rng)
    print(f"Monte Carlo, lam = 1e-6, 20,000 paths: mean {statistics.fmean(sim):,.0f}"
          f" ({E:,.0f}), sd {statistics.stdev(sim):,.0f} ({math.sqrt(V):,.0f})")
    u = [1.6, 1.2, 1.0, 0.85, 0.8, 0.8, 0.85, 1.0, 1.3, 1.6]       # intraday U-shape
    vol = [u[k % 10] for k in range(N)]; vbar = statistics.fmean(vol)
    xv = [X]
    for v in vol:
        xv.append(xv[-1] - X * v / sum(vol))
    xv[-1] = 0.0
    eta_v = [ETAT * vbar / v for v in vol]                 # thinner book in quiet periods
    for lab, ek in (("constant eta", None), ("eta inversely prop. to volume", eta_v)):
        Et, Vt = cost(traj(0), ek); Ev, Vv = cost(xv, ek)
        print(f"{lab}: TWAP E {Et:,.0f} sd {math.sqrt(Vt):,.0f};"
              f" VWAP E {Ev:,.0f} sd {math.sqrt(Vv):,.0f}")
# strategy                     E[shortfall] $   sd $     1/kappa (days)
#   TWAP (lam = 0)                  685,000   1,208,032          -
#   lam = 1e-7                      692,710   1,139,533       5.25
#   lam = 1e-6                      961,940     828,686       1.66
#   lam = 1e-5                    2,545,884     441,579       0.53
#   lam = 1e-4                    7,360,846     199,051       0.17
#   everything in slice 1        25,062,500           0
# Monte Carlo, lam = 1e-6, 20,000 paths: mean 956,607 (961,940), sd 830,322 (828,686)
# constant eta: TWAP E 685,000 sd 1,208,032; VWAP E 720,976 sd 1,207,900
# eta inversely prop. to volume: TWAP E 718,634 sd 1,208,032; VWAP E 685,000 sd 1,207,900

TWAP(λ=0\lambda = 0)的期望缺口为 685,000 美元,标准差 1,208,032 美元;λ=10−6\lambda = 10^{-6} 时,期望缺口升到 961,940 美元,标准差降到 828,686 美元,1/κ=1.661/\kappa = 1.66 天;λ=10−4\lambda = 10^{-4} 时,期望缺口 7,360,846 美元,标准差只有 199,051 美元。把全部股票放在第一段卖出,期望成本高达 25,062,500 美元,标准差为零。蒙特卡洛(20,000 条路径)给出均值 956,607 美元、标准差 830,322 美元,与公式的 961,940 与 828,686 在模拟误差之内(均值的标准误约 5,900 美元)。图 5 左图是有效前沿,右图是几种 λ\lambda 下的持仓轨迹。

左:阿尔姆格伦—克里斯有效前沿(期望执行缺口对其标准差),圆点为 TWAP,方块与三角为 λ = 10^-6 与 10^-5。右:不同风险厌恶下的持仓轨迹(示意参数)。

TWAP、VWAP 与激进执行

作者框架要求把最优轨迹与 TWAP、VWAP 和激进执行对比。TWAP 是 λ=0\lambda = 0 的端点:期望成本最低、风险最大。激进执行是另一端:几乎没有价格风险,但临时冲击极大。VWAP(成交量加权平均价格)策略按预期的日内成交量分布分配卖出量,常被用作执行质量的基准;小西给出了以 VWAP 为目标、使执行均价与市场 VWAP 之差的方差最小的最优分配 (Konishi 2002)。

程序最后两行说明 VWAP 在阿尔姆格伦—克里斯框架中的位置。若临时冲击系数 η\eta 在一天中不变,VWAP 只是把卖出量从安静时段挪到繁忙时段,期望成本 720,976 美元,比 TWAP 高 5.3%,标准差几乎相同,所以它不在有效前沿上。若临时冲击与时段成交量成反比(成交越活跃,冲击越小),结论倒过来:VWAP 的期望成本为 685,000 美元,正是风险中性下的最优值,而 TWAP 升到 718,634 美元,高 4.9%。所以「VWAP 是否最优」取决于冲击怎样随成交量变化,不能一般地断言。

注

冰山订单。 作者框架把「冰山订单拆分」放在本章标题中。阿尔姆格伦—克里斯模型回答的是「每个时段卖多少」,并假设每段都按临时冲击函数成交;每段怎样挂单(市价单还是限价单、显示多少)是另一层问题。冰山订单只显示部分数量,以排队位置为代价减少信息暴露,第五章的注已讨论,并引用了埃塞尔与门希的最优显示量模型 (Esser and Mönch 2007)。在实践中,二者通常分层处理:上层按执行时间表决定每段的数量,下层决定每段的挂单方式。

假说 · 尚未验证 · 线性冲击的系统性偏差

作者的假说(尚未确立): 用线性临时冲击校准的阿尔姆格伦—克里斯事前成本估计,在真实的元订单数据中系统性地低估大单(占日成交量比例高)的执行缺口、高估小单的执行缺口,与冲击的凹性(如平方根律)一致。什么样的结果能证明它是错的: 在事先固定的数据、分组与校准方法下,「实际缺口减事前估计」对订单规模的回归斜率的置信区间包含零。

本章小结

阿尔姆格伦—克里斯模型在线性冲击与均值—方差准则下给出双曲正弦形状的最优轨迹,风险厌恶系数 λ\lambda 在期望成本与方差之间滑动,形成有效前沿;TWAP 与激进执行是前沿的两端。程序中的蒙特卡洛与公式一致。VWAP 只有在临时冲击与成交量成反比时才是风险中性下的最优策略,在常数冲击下它的成本比 TWAP 高 5.3%。冰山订单是挂单显示的问题,与拆单时间表分层处理。线性冲击是便于求解的近似,元订单的实证冲击近似为平方根律(第 39 本)。

参考文献

Almgren, Robert, and Neil Chriss. 2001. “Optimal Execution of Portfolio Transactions.” Journal of Risk 3 (2): 5–39. https://doi.org/10.21314/JOR.2001.041.
Bertsimas, Dimitris, and Andrew W. Lo. 1998. “Optimal Control of Execution Costs.” Journal of Financial Markets 1 (1): 1–50.
Esser, Angelika, and Burkart Mönch. 2007. “The Navigation of an Iceberg: The Optimal Use of Hidden Orders.” Finance Research Letters 4 (2): 68–81.
Huberman, Gur, and Werner Stanzl. 2004. “Price Manipulation and Quasi-Arbitrage.” Econometrica 72 (4): 1247–75.
Konishi, Hizuru. 2002. “Optimal Slice of a VWAP Trade.” Journal of Financial Markets 5 (2): 197–221.
Obizhaeva, Anna A., and Jiang Wang. 2013. “Optimal Trading Strategy and Supply/Demand Dynamics.” Journal of Financial Markets 16 (1): 1–32.
Perold, André F. 1988. “The Implementation Shortfall: Paper Versus Reality.” Journal of Portfolio Management 14 (3): 4–9.

Fan, Y. (2026). High-Frequency Limit Order Book Microstructure, Hawkes Self-Exciting Point Processes and Adverse-Selection Flow Toxicity: From the Avellaneda–Stoikov Market-Making Equations to VPIN, Read Beside Classical Chinese Thought on Market Equilibrium [高频限价订单簿微观结构、霍克斯自激点过程与逆向选择毒流] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23828065 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).