2. 交易成本基础

在Pre-Trade交易成本预测中，第一步不是建模，而是把“成本”拆清楚。很多团队一上来就做回归或机器学习，结果预测误差很大，原因往往不是算法不行，而是成本口径混乱：把佣金、点差、冲击、延迟、机会成本混在一个标签里，模型学到的只是噪声。本节将建立一套可计算、可归因、可用于盘前预测的成本分类框架。

一、核心原理：显性成本与隐性成本的分野

交易成本最基础的分法是显性成本与隐性成本。显性成本是在成交回单或对账单上可以直接看到的费用，具有确定性、可事先计算；隐性成本则发生在执行过程中，由市场互动产生，事前只能估计，事后才能归因。

• 显性成本：佣金、交易所规费、印花税、过户费、结算费、平台使用费等。它们通常按成交金额、股数或笔数计费，与执行路径关系较弱。
• 隐性成本：买卖价差、市场冲击、延迟成本、机会成本、择时成本、未成交风险等。它们与订单规模、流动性、波动率、执行速度强相关，是Pre-Trade预测的主要对象。

二、方法流程：从订单到成本归因的链路

要预测成本，先要定义成本的计算链路。一个标准的执行成本分析流程如下：

1. 确定基准价格：通常用决策价格（Decision Price）、到达价格（Arrival Price）或VWAP作为基准。
2. 记录执行价格：实际成交均价或逐笔成交价格。
3. 计算执行差额：执行价格与基准价格之差，乘以成交数量，得到执行成本。
4. 拆分成本成分：将执行差额分解为点差、冲击、择时、机会成本等。
5. 归因与预测：用历史归因结果训练盘前模型，输入订单特征与市场特征，输出成本预测值。

下面是一个简化的成本计算伪代码，便于理解各成分如何进入总成本：

# 输入
decision_price = 100.00      # 决策价格
arrival_price  = 100.05      # 到达价格
exec_price     = 100.18      # 实际成交均价
shares         = 50000       # 成交股数
unfilled       = 5000        # 未成交股数
close_price    = 100.30      # 收盘价格

# 显性成本
commission = shares * 0.0003
tax        = shares * 0.001
explicit_cost = commission + tax

# 隐性成本
delay_cost    = (arrival_price - decision_price) * shares
impact_cost   = (exec_price - arrival_price) * shares
opportunity   = (close_price - decision_price) * unfilled
timing_cost   = (exec_price - arrival_price) * shares * 0.2  # 示例拆分

total_cost = explicit_cost + delay_cost + impact_cost + opportunity + timing_cost

注意：不同机构对择时成本与冲击成本的拆分口径不同，但原则是不重不漏。一旦口径确定，就要在预测、归因和考核中保持一致。

三、案例/场景：一笔大额买单的成本拆解

假设某机构要在流动性中等的小盘股上买入50万股，决策时价格10.00元，到达市场时价格已涨到10.05元，最终成交均价10.18元，收盘价10.30元，未成交5万股。我们可以这样拆解：

这个案例说明：显性成本只占总成本很小一部分，真正决定执行绩效的是冲击成本和机会成本。如果Pre-Trade模型只预测佣金，就完全失去了意义。

四、误区/复盘：常见成本认知陷阱

在实际项目中，以下误区非常普遍，值得逐条复盘：

• 误区一：把显性成本当总成本。佣金低不代表执行好，隐性成本往往是大头。
• 误区二：冲击成本与择时成本混为一谈。冲击是自身订单造成的，择时是市场节奏造成的，两者归因不同，优化手段也不同。
• 误区三：忽略机会成本。未成交部分如果事后价格上涨，机会成本可能远超已成交部分的冲击成本。
• 误区四：用单一基准价格。不同基准（到达价、VWAP、收盘价）会得出完全不同的成本结论，必须与策略目标匹配。
• 误区五：预测标签口径不一致。训练用冲击成本，预测用总成本，模型必然失效。