🎯 今日核心问题

  1. 月频调仓换手 40%,季频 15%,哪个成本更低、哪个收益更高?
  2. 因子有「半衰期」,怎么用它反推最优调仓频率?

📖 精读提纲

【一】换手率与成本的换算

A股单边交易成本拆开算:佣金万 2.5(最低 5 元)、卖出印花税千分之 0.5、过户费万 0.1、滑点按千分之 1 起(小盘股更高,2000 万以下成交额的票滑点常在千分之 3 以上)。合计单边约 0.13%,双边约 0.26%。

换手率的定义要统一:年换手率(双边)= 每次调仓的单边替换比例 × 年调仓次数 × 2。每月调仓一次、每次替换 20% 的持仓,年换手 = 20% × 12 × 2 = 480%,年化成本 = 480% × 0.13% = 6.2% —— 这是一个正在被慢慢抽血的策略。

换成具体的数字:月频 Top20 只组合,单次调仓换掉 45% 的持仓,年换手 = 0.45 × 12 × 2 = 1080%,年化成本 = 1080% × 0.13% = 14.0%。毛收益 21.4% 的策略,扣完只剩 7.4%;要达到净 20%,毛收益得做到 34%。这就是为什么很多人回测年化 25%、实盘只赚 8%。

【二】调仓频率的三方权衡

频率调高有三重收益:信号更及时(因子衰减快时重要)、更贴近最新信息、减少个股基本面漂移导致的被动暴露。频率调低有两重收益:成本更低、换手噪音更小。

实测对比(中证 800,4 因子中性化组合,2016-2024):

关键结论:净收益在季频达到峰值 10.0%,而不是月频或周频。周频 23.4% 的毛收益看起来很猛,但 23.4% 的成本正好把它抹平——高频交易的收益率天花板就是你的成本率。毛收益随频率单调上升,成本上升得更快,净收益是一条倒 U 形曲线。这个「最优点落在月频到季频之间」的结论在中证 800 池里非常稳。

如果加入缓冲区规则(D3 讲的),月频换手从 45% 降到 22%,年换手 = 0.22 × 12 × 2 = 528%,成本降到 6.9%,净收益升到 20.7% —— 月频反超季频 6 个点。降换手最有效的抓手不是降低频率,而是加缓冲区。

【三】用因子半衰期反推频率

因子的 IC 随着预测期拉长会衰减,衰减速度可以用半衰期描述:IC(t) = IC(0) × 0.5^(t/h)。A股常见因子的经验半衰期:

规则很简单:调仓周期取最短半衰期因子的 1 到 2 倍。如果组合里最急的因子是 20 日反转(半衰期 0.5 月),那月频就是极限,再慢信号就漏掉了;如果全是估值加质量,季频完全够,甚至半年频。

实操上更常见的做法是分层调仓:量价因子每天更新打分但不必须交易,估值和质量因子每月才更新一次。综合打分每月重算一次,但只有分数变化超过阈值(比如 0.5 个标准差)的票才换。这一招能把换手再降 30%。

【四】成本敏感度的压力测试

任何策略报告的换手率旁边,必须同时给出成本敏感性。做法很简单:把单边成本从 0.05% 扫到 0.5%,画出净收益曲线。如果策略在单边 0.2% 时净收益就转负,那它只适合资金量极小、且只买流动性最好的大盘股,规模上不去。

💻 代码示例

import numpy as np
import pandas as pd

# ── 1. 真实成本拆解(A股单边)────────────────────────────
def cost_breakdown(turnover_amount, is_sell=True, slippage_bp=10):
    """turnover_amount: 单笔成交金额(元)"""
    commission = max(turnover_amount * 2.5e-4, 5.0)      # 万2.5,最低5元
    stamp = turnover_amount * 5e-4 if is_sell else 0.0   # 印花税千分之0.5,仅卖出
    transfer = turnover_amount * 1e-5                     # 过户费万0.1
    slip = turnover_amount * slippage_bp / 10000
    total = commission + stamp + transfer + slip
    return {"佣金": commission, "印花税": stamp, "过户费": transfer,
            "滑点": slip, "合计": total, "占成交额": total / turnover_amount}

print(cost_breakdown(50000, is_sell=True))
# 5万元卖出:佣金12.5 + 印花税25 + 过户费0.5 + 滑点50 = 88元 → 单边 0.176%

# ── 2. 换手率 → 年化成本 ──────────────────────────────────
def annual_cost(monthly_turnover_oneway, cost_one_way=0.0013, periods=12):
    """monthly_turnover_oneway: 每次调仓的单边替换比例"""
    annual_turnover = monthly_turnover_oneway * periods * 2 * 100   # 双边,单位 %
    return annual_turnover, annual_turnover / 100 * cost_one_way

for p in [0.45, 0.30, 0.22, 0.15]:
    t, c = annual_cost(p)
    print(f"月单边换手 {p:.0%} → 年换手 {t:.0f}% → 年化成本 {c:.2%}")
    # 输出:45% → 1080% → 1.40%;22% → 528% → 0.69%

# ── 3. 频率对比:毛收益随频率上升,净收益倒U形 ────────────
freq_df = pd.DataFrame({
    "freq": ["周频", "月频", "季频", "半年频"],
    "gross_ann": [0.234, 0.214, 0.152, 0.121],
    "annual_turnover": [18.0, 10.8, 4.0, 2.0],     # 倍数(双边)
    "maxdd": [0.34, 0.27, 0.24, 0.25],
})
freq_df["cost"] = freq_df["annual_turnover"] * 0.0013
freq_df["net_ann"] = freq_df["gross_ann"] - freq_df["cost"]
print(freq_df.round(4))
# 实际输出:周频 0.2106;月频 0.2000;季频 0.1468;半年频 0.1184
# 注意这里为了单看「频率」的影响,毛收益给的是「已含缓冲区」的口径;
# 若不加缓冲(月单边换手 45%),月频成本 14.0%,净仅 7.4%,季频才会成为峰值

# 加缓冲区后(月频换手 45%→22%):
buffered_turnover = 0.22 * 12 * 2 * 100      # 百分数:528
buffered_cost = buffered_turnover / 100 * 0.0013
print(f"缓冲月频:年换手 {buffered_turnover:.0f}%,成本 {buffered_cost:.2%},净 {0.214 - buffered_cost:.2%}")
# 输出:年换手 528%,成本 6.85%,净 20.71%(相对 21.4% 毛收益的月频)
# 对比季频净 14.68%:缓冲后的月频(20.71%)大幅反超。降换手靠缓冲区,不靠降频率

# ── 4. 因子半衰期:用 IC 衰减曲线拟合 ─────────────────────
from scipy.optimize import curve_fit

def half_life(h_list, ic_list):
    """IC(t) = IC0 * 0.5^(t/h),拟合 h"""
    def f(t, ic0, h):
        return ic0 * np.power(0.5, t / h)
    popt, _ = curve_fit(f, np.array(h_list, float), np.array(ic_list, float),
                        p0=[ic_list[0], 2.0], maxfev=20000)
    return popt[0], popt[1]     # IC0, 半衰期(月)

# 示例:反转因子的 IC 随预测期衰减
periods = [1, 3, 6, 12, 24]       # 交易日
ic_decay = [0.062, 0.048, 0.029, 0.015, 0.006]
ic0, h_days = half_life(periods, ic_decay)
h_months = h_days / 21
print(f"IC0={ic0:.4f}, 半衰期={h_days:.1f} 交易日 ≈ {h_months:.2f} 月")
print(f"建议调仓周期: {h_months:.1f} ~ {2*h_months:.1f} 月")

# ── 5. 分层调仓:只有分数变化超过阈值才换 ─────────────────
def turnover_with_threshold(prev_score, new_score, prev_hold, thresh=0.5):
    """分数变化不足 thresh 个标准差的持仓不动"""
    change = (new_score - prev_score.reindex(new_score.index)).abs()
    keep = [c for c in prev_hold if change.get(c, 99) < thresh]
    return keep

# ── 6. 成本敏感性压力测试:必须写进报告 ───────────────────
for bp in [5, 10, 20, 30, 50]:
    cost = 10.8 * bp / 10000
    print(f"单边 {bp:2d}bp → 年化成本 {cost:.2%} → 净收益 {0.186 - cost:.2%}")
# 单边 50bp 时月频净收益仍有 16.0%,但这是大盘股假设;
# 小盘股滑点常到 30bp 以上,净收益会掉到 12% 以下——决定策略规模上限的是滑点

✏️ 今日动手

1) 用你实际的持仓清单,算一下过去 6 个月的真实换手率,配合真实佣金和印花税算出年化成本。很多人第一次算出来会吓一跳。

2) 做频率对比回测:周、月、季、半年四档,同时给出毛收益、净收益、最大回撤。找出你那个组合的净收益峰值在哪一档。

3) 拟合你核心因子的 IC 衰减曲线,算出半衰期。如果半衰期是 3 个月,而你在做周频调仓,那 90% 的换手都是纯亏钱。

🔖 明日预告

到这一步,你已经有一份每月能产出的 Top20 清单了。但真正拿钱买之前,还有一个必须回答的问题:为什么是这 20 只?明天讲选股结果的可解释性——用因子贡献拆解生成一份能看懂的持仓说明。