平方根冲击的两个必要条件

导语

你可以把一笔大单想成一辆重卡进城。它如果一次性冲进窄巷，路会被堵死；如果拆成很多小车、隔一会儿来一辆，街边又不断有人把空位补上，拥堵就会变成另一种形状。交易里的“大单”也类似。机构买入或卖出很多股票时，成本不只是手续费，还包括自己把价格推高或压低的那部分，这就叫市场冲击。

市场冲击里有一个很有名的经验规律：平方根律（square-root law）。它说，大单造成的价格冲击，通常近似跟成交量占当天市场成交量比例的平方根一起增长。常见写法是：

$I / σ_{D} = c \cdot (Q / V_{D})^{δ}$

其中 $Q$ 是大单规模， $V_{D}$ 是日成交量， $σ_{D}$ 是日波动，经验上 $δ \approx 0.5$ 。这条规律很重要，因为它是交易成本模型和大单拆分策略的基准。问题是：它为什么会出现？今天这组论文给出的答案很克制：至少在 S1 的最小限价订单簿模型里，平方根律不是单靠“大单规模分布”或“订单簿长什么样”就能解释，而是需要两个机制一起出现：订单拆分，以及做市商式的流动性补给。下文数字主要来自论文自己的模拟与摘要；除平方根律本身有多篇材料互相支持外，多数强结论仍是单一研究团队的模型内结果。

两个条件：先拆开，再有人补位

S1 研究的是限价订单簿（limit order book）里的冲击形成。限价订单簿可以理解为市场的排队表：不同价格上，有多少人愿意买、多少人愿意卖。大单如果直接吃掉这些挂单，价格就会被一路推过去。

论文搭了一个最小 agent-based model，也就是用几类规则化交易者模拟市场。里面有机构投资者、HFT/market-maker、散户和 news agents。机构投资者负责产生 metaorder，也就是一笔大父订单；它会被拆成很多 child orders，也就是小子订单。HFT/market-maker 则在买卖两边不断挂单，并在成交后以一定概率补回流动性。散户提供背景交易，news agents 偶尔制造外生波动。

这个设置的关键，不是它像不像真实市场的完整复制品，而是它可以做“反事实”实验：把某个机制关掉，看平方根律还在不在。

S1 先把模型校准到 Tokyo Stock Exchange benchmark，文中引用的基准是 $⟨ δ ⟩ = 0.489$ 。在 2000 个 independently parameterised stocks 上，模型复现出 $⟨ δ ⟩ = 0.539 \pm 0.048$ 。也就是说，在这个模拟世界里，冲击指数确实落在平方根律附近。

然后论文开始拆机器。去掉 order splitting 后， $δ$ 从 0.549 降到 0.324。也就是说，大父订单不再分批执行，而是一次性打进订单簿，平方根形状明显塌掉。去掉 market makers 的 liquidity replenishment 后， $δ$ 降到 0.386。流动性补给还在但拆单规则、价格限制、momentum trading、background liquidity 等扰动变化时， $δ$ 的变化小于 10%。

这让论文给出一个很明确、但边界也很明确的判断：在这个模型内，order splitting 和 liquidity replenishment 是平方根律的 jointly necessary mechanisms。换句话说，不是“只要大单规模服从某种分布就行”，也不是“只看可见订单簿形状就行”。大单要被切成很多次，市场还要在这些间隔里补回流动性，两者耦合起来，才更像平方根冲击。

旧解释为什么不够用？

S1 还把三类已有解释放到同一批模拟数据上比较。

第一类是 GGPS。它把冲击指数和 metaorder size distribution 的尾部指数联系起来，预测 $δ = β - 1$ 。简单说，它认为“大单规模分布的尾巴有多厚”会决定冲击曲线。

第二类是 FGLW。它不看父订单规模，而看 child-order count distribution，也就是一笔父订单被拆成多少个子订单的分布，预测 $δ = α - 1$ 。

第三类是 LOB walking。它从可见订单簿出发：如果你一次性用市价单扫过订单簿，累计深度如何随价格距离增长，就会决定冲击，预测 $δ = 1 / (1 + γ)$ 。

S1 的结果是：在相同模拟数据上，这三类解释都没对上。GGPS 和 FGLW 分别把 per-stock measured $δ$ 高估约 2 倍和 4 倍；LOB walking 则低估。论文的解释是，这些单机制预测都少了一个动态过程。真实执行不是一笔单静态扫过一本订单簿，而是一串小单在时间里推进；在小单之间，订单簿会被重新填充。

这也是 S1 最有价值的地方。它没有只说“某个理论不对”，而是用同一个模拟市场做压力测试，再用消融实验指出：真正改变指数的，是拆单和补给。论文也强调，这是 computational、model-internal test。不能直接外推成“真实市场普遍已经证明如此”。

平方根冲击也可能放大策略反馈

S2 来自同一组作者，但问的是另一个问题：如果市场里有学习型机构交易者和大量从众散户，平方根冲击会不会参与形成操纵周期？

它的模拟里，一个 evolutionary-optimized institutional agent 和 20,000 个 herding retail traders 互动。论文称，这个机构智能体会自发发现 multi-cycle predatory strategy，在 2000 trading days 里产生 8--11 个完整周期。收益数字需要降调理解：best of 20 seeds 是 +51%，均值是 +37.7%，但这仍然是模拟结果，不是可交易业绩。

更重要的是机制。S2 称系统存在 Hopf transition。Hopf transition 可以理解为一个系统从稳定点变成持续振荡：参数跨过临界值后，价格和仓位不再回到静止状态，而是进入周期运动。论文写到，振幅 $A \propto (C - C_{c})^{α}$ ，其中 $α$ 与标准预测 $1 / 2$ 一致；在 herding-scale 参数空间里还存在 discontinuous fold transition。

它还做了一个关键替换：如果把 square-root impact 换成 linear impact，Hopf bifurcation 会消失，retail market 变得 unconditionally stable。论文因此说，square-root impact 对这些 manipulation cycles 是 necessary。即使 $β = 0$ ，也就是不依赖 retail herding，position-tracking feedback coupled with square-root price impact 仍能形成 self-sustained nonlinear oscillator。

但这不能拿来证明 S1 的“拆单 + 补给”结论。S2 支持的是另一层命题：在它的学习智能体市场里，平方根形状本身会改变反馈系统的稳定性。两篇论文都围绕 square-root impact，但回答的问题不同。

反事实路径为什么难？

S3 则从估计方法切入。它提醒我们，市场冲击严格说是两条价格轨迹的差：一条是执行策略发生后的观测价格轨迹，另一条是如果没有这笔策略、本来会发生的反事实价格轨迹。

难点很直接：反事实轨迹看不见。你不能同时在同一个市场里既执行又不执行同一笔单。S3 因此提出一种基于 perturbed intensities 的 point processes 条件模拟。point process 可以理解为描述“事件何时发生”的随机过程，比如订单到达、成交或撤单。论文给出一个 exact, event-driven algorithm，用于 aggressive、passive 和 mixed strategies 的 pathwise market impact estimation。

这里的 exact 也要放在边界里读：它指在给定模型和 thinning representation 下的条件模拟精确性，不等于真实市场冲击天然就能被准确估计。它对本专题的意义，是把“冲击到底怎么估”这件事往更严格的反事实路径上推进。

为什么值得关注

平方根律有点像交易成本研究里的地心引力。很多执行模型默认它存在，但真正难的问题是：它来自哪里？什么时候会失效？

S1 的贡献，是把这个经验规律拆成了两个更可操作的机制：订单拆分提供时间间隔，流动性补给让订单簿在间隔里恢复。单看大单规模分布，或者单看某一刻可见订单簿，都抓不住这个动态过程。

S2 的提醒则更偏系统风险：一旦平方根冲击被放进反馈交易系统，它可能不只是成本函数，而会影响市场稳定性。S3 补上方法论侧的一块：要严肃谈冲击，就要面对“没有这笔交易时价格会怎样”的反事实问题。

三者合起来看，平方根冲击不再只是一个拟合得不错的曲线。它更像一个连接执行、流动性供给、智能体反馈和反事实估计的接口。今天这组论文的进展，不在于把真实市场的因果链条一次性证明完，而在于把“平方根律为什么出现”这个老问题，推进到可以被逐项关掉、逐项测试的层面。

局限与未知

S1 的“jointly necessary”只适用于它的最小 LOB/agent-based model，不能直接写成真实市场的普遍必要条件。
S1 与 S2 来自同一研究团队，独立性较弱；S2 也不是对 S1 机制结论的独立验证。
S3 的精确性依赖给定模型和条件模拟设定，不代表实际市场里的反事实冲击估计已经自然解决。