🎯 今日核心问题

  1. 一个年换手 24 次的策略,一年要交多少摩擦成本?
  2. A股的印花税、过户费、佣金、滑点,分别怎么建模才不算自欺?

📖 精读提纲

【一】四项成本,缺一不可

佣金:目前主流券商万 2.5 到万 1.5,最低 5 元一笔。注意「最低 5 元」对小资金是硬约束——40 万分 20 只票,每次调仓单笔 2 万元,万 2.5 佣金只有 5 元,正好卡在最低线上;如果分 50 只票,单笔 8000 元,佣金仍然是 5 元,实际费率变成万 6.25,翻了一倍半。

印花税:卖出单边千分之一,2023 年 8 月 28 日起从千分之一减半执行至今。这一项是A股特有的重税,且只对卖出收,所以买入成本约万 2.5,卖出成本约万 2.5 + 千分之一 ≈ 万 12.5,卖出是买入的五倍。

过户费:沪深两市均按成交金额的万分之 0.1 双向收取,金额很小,加上只是为了让模型完整。

滑点:你算出的成交价和你实际拿到的价格之间的差。这是四项里最容易被低估、也最容易做假的一项。日频回测里如果你用「T+1 开盘价」成交,而信号是 T 日收盘后算的,那么开盘价本身已经包含了隔夜跳空——这部分不是滑点而是真实收益;真正的滑点是开盘后你那笔单子在盘口上吃掉的价差。

【二】换手率是指数级的成本放大器

把上面的数字加总:单次买入成本 ≈ 万 3.6(佣金万 2.5 + 过户费万 0.1 + 滑点约千分之一),单次卖出成本 ≈ 万 13.6。一次完整换手(卖旧买新)成本约 0.17%。

这个数字看起来微不足道,但乘以换手率就恐怖了。假设你持有 20 只票、每周全仓换一次,年换手 50 次,年化成本 = 50 × 0.17% ≈ 8.5%。如果你的策略毛收益年化 20%,扣完成本只剩 11.5%;如果毛收益 12%,扣完只剩 3.5%,还不如买货币基金。这就是为什么「高频调仓的选股策略」在纸面上很美、实盘必死。

还有一层隐藏成本是规模。40 万分 20 只,单票 2 万,在日均成交 5000 万以上的票上几乎无冲击;但策略放大到 400 万时,单票 20 万就会吃掉 1% 的日成交量,冲击成本跳一个量级。这就是策略容量问题。

【三】实战应用:把成本写进回测框架

正确做法是在净值计算时逐笔扣成本,而不是最后从年化里「大约减掉 10 个点」。三档建模精度,按需求选:

第一档(固定费率):买入扣 0.03%,卖出扣 0.13%。适合快速评估,能抓住大部分问题。

第二档(分项 + 最低佣金):佣金 max(万 2.5 × 金额, 5) + 卖出印花税千分之一 + 过户费万 0.1。这是最贴近A股实际的档位,也是我今天代码里实现的那一档。

第三档(含冲击成本):在第二档之上,按「下单金额 / 日均成交额」的开方线性放大滑点,业界常用 cost = k × sqrt(参与率)。个人 40 万资金用第二档足够,但要记住容量上限在哪。

【四】常见误区

💻 代码示例

import pandas as pd

# a) A股成本参数(2024 年后的费率)
COMM_RATE   = 0.00025   # 佣金 万2.5
COMM_MIN    = 5.0       # 最低 5 元/笔
STAMP_SELL  = 0.0005    # 印花税 千分之0.5(2023-08 减半后)
TRANSFER    = 0.00001   # 过户费 万0.1,双向
SLIP        = 0.001     # 滑点 千分之一

def trade_cost(amount, side, comm_rate=COMM_RATE, slip=SLIP):
    # side 取 buy 或 sell, amount 为成交金额, 单位为元
    comm = max(amount * comm_rate, COMM_MIN)
    fee  = comm + amount * TRANSFER + amount * slip
    if side == "sell":
        fee += amount * STAMP_SELL
    return fee

for side in ("buy", "sell"):
    for amt in (8000, 20000, 40000):
        c = trade_cost(amt, side)
        print(f"{side} {amt:>6}元  成本={c:7.2f}元  费率={c/amt:.4%}")

# b) 换手率到年化成本的换算
def annual_cost(turnover_per_year, hold_n=20, side_ratio=0.5):
    # turnover_per_year 为年换手次数, 全仓算 1 次完整换手
    rt = trade_cost(1e6 * side_ratio, "sell") / 1e6 + \
         trade_cost(1e6 * (1 - side_ratio), "buy") / 1e6
    return turnover_per_year * rt

for t in (5, 12, 24, 50):
    print(f"年换手 {t:>2} 次 → 年化摩擦成本约 {annual_cost(t):.2%}")

# c) 接入回测循环:逐笔扣成本
def backtest_with_cost(price_df, weights):
    # price_df: 每日收盘价 DataFrame, index 为日期, columns 为代码
    # weights : 每日目标权重 DataFrame, 形状同上
    # 返回    : 扣除成本后的净值序列
    daily_ret = price_df.pct_change().fillna(0)
    gross = (weights.shift(1) * daily_ret).sum(axis=1)

    # 权重变化 = 当天需要交易的金额比例
    dw = (weights - weights.shift(1)).abs().sum(axis=1).fillna(0)
    port_value = 400_000            # 40 万本金
    sell_part = (weights.shift(1) - weights).clip(lower=0).sum(axis=1).fillna(0)
    buy_part  = dw - sell_part

    sell_cost = sell_part * (COMM_RATE + TRANSFER + STAMP_SELL + SLIP)
    buy_cost  = buy_part * (COMM_RATE + TRANSFER + SLIP)
    cost_ratio = sell_cost + buy_cost
    # 最低 5 元佣金:按 5000 元以下单笔估算,这里简化为整体费率修正
    net = gross - cost_ratio
    nav = (1 + net).cumprod() * port_value
    return pd.DataFrame({"gross": (1 + gross).cumprod() * port_value,
                         "net": nav,
                         "cost_drag": cost_ratio})

# d) 敏感性:毛收益 20%,看不同换手率下的净收益
for t in (6, 12, 24, 50):
    ann_cost = annual_cost(t)
    print(f"年换手{t:>3}次: 毛20% → 净 {20 * (1 - ann_cost / 20):.1f}% "
          f"(成本拖累 {ann_cost:.1%}/年)")

✏️ 今日动手

1) 打开你在第一周写的回测框架,找出它有没有扣成本。如果没有,立刻补上 trade_cost 函数,用卖出 20 万元、买入 20 万元各算一遍,确认卖出成本是买入的五倍左右。

2) 计算你目标策略的年换手率:先数每周调仓换掉几只票(比如 20 只里换 6 只 = 30%),乘以 50 周。把年换手率代入上面的 annual_cost,看看你原本「年化 20%」的策略扣完成本还剩多少。

3) 做一张「毛收益 vs 换手率」的二维敏感性表:毛收益取 10/15/20/25%,换手取 6/12/24/50。你会发现有一个换手临界点,超过它再多赚的毛收益全部被成本吃掉——这个点就是你策略的调仓频率上限。

🔖 明日预告

明天讲一个比成本更硬的约束:涨跌停。你算出来的信号说「明天开盘买入」,但那只票明天一字涨停,你根本买不到。科创板 20% 涨跌幅、创业板 20%、主板 10%、ST 股 5%——不同板块的约束完全不同,回测里不处理这些,收益基本是假的。