4. 行业轮动信号中的交易成本建模与净收益修正

把“毛收益”拆成可核算的净收益

行业动量轮动策略的净值曲线通常先由行业指数收益算出，这条曲线默认“零成本、无摩擦”。但真实调仓要付双边佣金、卖出印花税，还要承受大额换手带来的冲击成本。本节在例3的月度调仓动量组合基础上，建立一套可复算的成本模型，把毛收益逐期扣减为净收益，并用换手率量化侵蚀程度。

成本口径先固定下来，避免方向与符号混乱。设单边佣金率 c、卖出印花税率 s、单边冲击成本率 k（以成交金额为基数）。一次调仓中，若某行业权重从 w_old 变为 w_new，则换手额 turn = |w_new − w_old|。买入方向只付佣金与冲击成本，卖出方向额外付印花税，因此单期组合成本率为：

cost_t = Σ_i [ c·|Δw_i| + k·|Δw_i| + s·max(0, w_old,i − w_new,i) ]
       = (c + k)·Σ_i|Δw_i| + s·Σ_i max(0, w_old,i − w_new,i)

教学示例参数取：单边佣金 c = 0.0003（万三），卖出印花税 s = 0.0005（千分之五，仅卖出方），单边冲击成本 k = 0.0010（千分之一，假设中小资金、行业ETF流动性中等）。这些是示例假设值，实际应按券商费率、标的流动性与下单方式替换。

用一段可运行代码完成毛/净收益对比

下面代码自包含：构造 6 个行业的月度收益矩阵与动量信号，按例3的“过去N日动量横截面排序、取前2名等权、月度调仓”逻辑生成权重，再逐期扣成本，输出毛净值、净净值、累计换手与侵蚀比例。所有随机数据由固定种子生成，结果可复现，属于教学示例而非实测。

import numpy as np
import pandas as pd

rng = np.random.default_rng(20240604)
T, N = 60, 6                      # 60个月，6个行业
industries = [f"IND{i}" for i in range(1, N+1)]

# 示例：各行业月度收益（含少量持续性，便于动量有信号）
base = rng.normal(0.006, 0.05, size=(T, N))
mom_persist = np.zeros((T, N))
for t in range(1, T):
    mom_persist[t] = 0.3 * base[t-1] + 0.7 * base[t]
rets = pd.DataFrame(mom_persist, columns=industries)

# 动量信号：过去3个月累计收益，横截面排序取前2
lookback, top_k = 3, 2
weights = pd.DataFrame(0.0, index=rets.index, columns=industries)
for t in range(lookback, T):
    signal = (1 + rets.iloc[t-lookback:t]).prod() - 1
    picks = signal.nlargest(top_k).index
    weights.loc[rets.index[t], picks] = 1.0 / top_k

# 成本参数（示例假设）
c, s, k = 0.0003, 0.0005, 0.0010

gross_nav, net_nav = [1.0], [1.0]
turnover_list, cost_list = [], []
prev_w = pd.Series(0.0, index=industries)

for t in range(T):
    w = weights.iloc[t]
    dw = (w - prev_w).abs()
    sell = (prev_w - w).clip(lower=0)
    cost = (c + k) * dw.sum() + s * sell.sum()
    port_ret = (w * rets.iloc[t]).sum()

    gross_nav.append(gross_nav[-1] * (1 + port_ret))
    net_nav.append(net_nav[-1] * (1 + port_ret - cost))
    turnover_list.append(dw.sum())
    cost_list.append(cost)
    prev_w = w

result = pd.DataFrame({
    "gross_nav": gross_nav[1:],
    "net_nav": net_nav[1:],
    "turnover": turnover_list,
    "cost": cost_list,
})
print(result.tail())
print("累计换手:", round(sum(turnover_list), 3))
print("毛收益:", round(gross_nav[-1]-1, 4),
      "净收益:", round(net_nav[-1]-1, 4),
      "侵蚀:", round((gross_nav[-1]-net_nav[-1])/ (gross_nav[-1]-1), 4))

运行后重点看三件事：一是 turnover 序列，月度调仓若每期都大幅换仓，累计换手会远高于1；二是 cost 序列，它随换手线性放大，卖出方向还叠加印花税；三是毛净值与净净值末值的差，即成本侵蚀的绝对幅度。把侵蚀额除以毛收益增量，得到侵蚀比例，可直接用于判断该策略在给定费率下是否还值得执行。

换手率如何侵蚀轮动收益

下图把单期调仓的成本构成与净值分叉关系画在一起：左侧是权重变化如何分别触发佣金、印花税与冲击成本，右侧是毛净值与净净值随累计换手拉开差距的示意。图中数值为示例参数下的结构性关系，用于理解传导路径，不代表某次真实回测结果。

结果判读与可执行检查

把代码输出整理成一张对照表，是本节最直接的交付物。下表字段可直接填入自己的回测结果，用于横向比较不同费率假设下的策略可行性。

完成本节后，应能回答：给定费率与换手序列，净收益比毛收益少多少、侵蚀比例多大、冲击成本升到多少时策略失效。这三个答案就是后续例5做ETF可交易性验证、例6做宏观条件收益统计时的成本基准。