第一节 换手的口径与来源# 1. 单边换手、双边换手与分母#
组合换手（Portfolio Turnover） ：为使调仓前组合到达目标组合而交易的权重总量；它衡量交易规模，不直接等于交易成本或平均持有期。单边换手（One-way Turnover） ：买入与卖出大致相等时只计算一侧的交易量，等于交易权重绝对值之和的一半。双边换手（Two-way Turnover） ：同时累计买入和卖出，数值通常是同口径单边换手的两倍。 设调仓前总权重为 w t − \mathbf w_{t^-} w t − w t ∗ \mathbf w_t^* w t ∗
Δ w t = w t ∗ − w t − , T O t = 1 2 ∑ i = 1 N ∣ Δ w i , t ∣ . \boldsymbol{\Delta w}_t=\mathbf w_t^*-\mathbf w_{t^-},
\qquad
TO_t=\frac12\sum_{i=1}^{N}\left|\Delta w_{i,t}\right|. Δ w t = w t ∗ − w t − , T O t = 2 1 i = 1 ∑ N ∣ Δ w i , t ∣ .
w t − , w t ∗ ∈ R N \mathbf w_{t^-},\mathbf w_t^*\in\mathbb R^N w t − , w t ∗ ∈ R N Δ w t ∈ R N \boldsymbol{\Delta w}_t\in\mathbb R^N Δ w t ∈ R N N N N T O t TO_t T O t T O t = 1 TO_t=1 T O t = 1 只有在完全投资、无外部现金流且资产集合包含所有资金去向时，∑ i Δ w i , t = 0 \sum_i\Delta w_{i,t}=0 ∑ i Δ w i , t = 0 1 / T O a n n u a l 1/TO_{annual} 1/ T O ann u a l
2. 被动漂移与固定权重再平衡#
买入并持有组合（Buy-and-hold Portfolio） ：不主动改变证券数量，权重随各资产相对收益自然漂移。固定权重组合（Fixed-weight Portfolio） ：每次调仓都恢复预设权重，因此即使预测没有改变也会发生再平衡交易。被动漂移（Passive Portfolio Drift） ：证券价格变化引起的权重机械变化，不代表管理人获得了新信息。 若期初权重为 w i , t − 1 w_{i,t-1} w i , t − 1 r i , t r_{i,t} r i , t
w i , t − = w i , t − 1 ( 1 + r i , t ) 1 + r p , t , r p , t = ∑ j = 1 N w j , t − 1 r j , t . w_{i,t^-}
=\frac{w_{i,t-1}(1+r_{i,t})}{1+r_{p,t}},
\qquad
r_{p,t}=\sum_{j=1}^{N}w_{j,t-1}r_{j,t}. w i , t − = 1 + r p , t w i , t − 1 ( 1 + r i , t ) , r p , t = j = 1 ∑ N w j , t − 1 r j , t .
w i , t − 1 w_{i,t-1} w i , t − 1 w i , t − w_{i,t^-} w i , t − i i i r i , t r_{i,t} r i , t i i i t − 1 t-1 t − 1 t t t r p , t r_{p,t} r p , t 恢复期初权重所需的单边换手可直接写为：
T O d r i f t , t = 1 2 ( 1 + r p , t ) ∑ i = 1 N ∣ w i , t − 1 ( r i , t − r p , t ) ∣ . TO_{drift,t}
=\frac{1}{2(1+r_{p,t})}
\sum_{i=1}^{N}\left|w_{i,t-1}(r_{i,t}-r_{p,t})\right|. T O d r i f t , t = 2 ( 1 + r p , t ) 1 i = 1 ∑ N ∣ w i , t − 1 ( r i , t − r p , t ) ∣ . 多头资产的收益高于组合收益时权重上升，低于组合收益时权重下降；空头资产的方向相反。漂移换手由相对收益而非绝对涨跌驱动：所有资产收益相同时，权重不变，换手为零。
对等权、仅多头组合，若横截面收益近似正态，平均收益为 r ˉ t \bar r_t r ˉ t d t d_t d t
E ( T O d r i f t , t ) ≈ d t ( 1 + r ˉ t ) 2 π . E(TO_{drift,t})
\approx\frac{d_t}{(1+\bar r_t)\sqrt{2\pi}}. E ( T O d r i f t , t ) ≈ ( 1 + r ˉ t ) 2 π d t . d t d_t d t r ˉ t \bar r_t r ˉ t E ∣ r − r ˉ ∣ = d 2 / π E|r-\bar r|=d\sqrt{2/\pi} E ∣ r − r ˉ ∣ = d 2/ π
例：漂移换手。 某资产期初权重为 4%，一期上涨 10%，组合其余部分收益为零。组合收益为 0.04 × 10 % = 0.4 % 0.04\times10\%=0.4\% 0.04 × 10% = 0.4% 0.04 × 1.10 / 1.004 ≈ 4.38 % 0.04\times1.10/1.004\approx4.38\% 0.04 × 1.10/1.004 ≈ 4.38%
3. 预测变化、主动杠杆与换手# 预测变化换手（Forecast-induced Turnover） 是风险调整预测更新导致目标主动权重变化而产生的换手，与被动漂移换手属于不同来源。为隔离这一来源，考虑无约束长短组合，并暂时忽略价格漂移、交易约束和股票池变化。
若标准化风险调整预测为 s ~ i , t \tilde s_{i,t} s ~ i , t
h i , t = σ T E N − 1 s ~ i , t σ i , ρ s = corr c s ( s ~ t , s ~ t − 1 ) , h_{i,t}
=\frac{\sigma_{TE}}{\sqrt{N-1}}
\frac{\tilde s_{i,t}}{\sigma_i},
\qquad
\rho_s=\operatorname{corr}_{cs}
(\tilde{\mathbf s}_{t},\tilde{\mathbf s}_{t-1}), h i , t = N − 1 σ T E σ i s ~ i , t , ρ s = corr cs ( s ~ t , s ~ t − 1 ) , 则预测变化产生的预期单边换手近似为：
E ( T O f o r e c a s t ) ≈ N π σ T E 1 − ρ s E c s ( 1 σ i ) . E(TO_{forecast})
\approx
\sqrt{\frac N\pi}\,\sigma_{TE}
\sqrt{1-\rho_s}\,
E_{cs}\!\left(\frac1{\sigma_i}\right). E ( T O f or ec a s t ) ≈ π N σ T E 1 − ρ s E cs ( σ i 1 ) .
h i , t h_{i,t} h i , t i i i t t t σ T E \sigma_{TE} σ T E s ~ i , t \tilde s_{i,t} s ~ i , t t t t z z z σ i \sigma_i σ i σ T E \sigma_{TE} σ T E i i i ρ s \rho_s ρ s IC。E c s ( 1 / σ i ) E_{cs}(1/\sigma_i) E cs ( 1/ σ i ) 该近似还要求连续预测近似联合正态、预测变化与特质风险独立，且 N N N TE 稳定。换手随目标 TE 线性上升、随 N \sqrt N N
主动总杠杆 L = ∑ i ∣ h i , t ∣ L=\sum_i|h_{i,t}| L = ∑ i ∣ h i , t ∣
E ( L ) ≈ 2 N π σ T E E c s ( 1 σ i ) , E ( T O f o r e c a s t ) ≈ E ( L ) 1 − ρ s 2 . E(L)\approx
\sqrt{\frac{2N}{\pi}}\,\sigma_{TE}
E_{cs}\!\left(\frac1{\sigma_i}\right),
\qquad
E(TO_{forecast})\approx E(L)\sqrt{\frac{1-\rho_s}{2}}. E ( L ) ≈ π 2 N σ T E E cs ( σ i 1 ) , E ( T O f or ec a s t ) ≈ E ( L ) 2 1 − ρ s . 杠杆使持仓与交易近似同比放大，但市场冲击通常随交易规模凸增，因此净主动收益不会同比放大。高 ρ s \rho_s ρ s
预 测 自 相 关 ρ s T O / L 0 . 2 5 0 . 5 0 0 . 7 5 1 . 0 0 - 1 - 0 . 5 0 0 . 5 0 . 8 1 ρ s = 0 . 9 ， T O / L ≈ 0 . 2 2 4 图 8-1：在无约束、固定目标跟踪误差的近似中，单边换手与主动总杠杆之比为 TO / L = √[(1 - ρ_s) / 2]。预测越持久，换手越低；ρ_s = 1 时目标不变，ρ_s = -1 时头寸方向完全翻转。 例：预测变化换手。 设 N = 25 N=25 N = 25 TE 为 4%，所有股票的特质波动率均为 20%，ρ s = 0.9 \rho_s=0.9 ρ s = 0.9 E ( L ) ≈ 50 / π × 0.04 / 0.20 = 79.8 % E(L)\approx\sqrt{50/\pi}\times0.04/0.20=79.8\% E ( L ) ≈ 50/ π × 0.04/0.20 = 79.8% 79.8 % × 0.1 / 2 = 17.8 % 79.8\%\times\sqrt{0.1/2}=17.8\% 79.8% × 0.1/2 = 17.8%
第二节 复合预测与信号持久性# 1. 复合预测依赖完整的跨期相关结构# 复合预测（Composite Forecast） 是多个同期或滞后预测的线性组合。它的换手不能由各分量换手简单相加，因为同一时点的预测相关、各预测的自身序列相关以及预测之间的跨期交叉相关都会影响净交易。
把 K K K S t ∈ R N × K \mathbf S_t\in\mathbb R^{N\times K} S t ∈ R N × K
s c , t = S t v , C = S t ′ S t N − 1 , D = S t ′ S t + 1 N − 1 . \mathbf s_{c,t}=\mathbf S_t\mathbf v,
\qquad
\mathbf C=\frac{\mathbf S_t'\mathbf S_t}{N-1},
\qquad
\mathbf D=\frac{\mathbf S_t'\mathbf S_{t+1}}{N-1}. s c , t = S t v , C = N − 1 S t ′ S t , D = N − 1 S t ′ S t + 1 .
s c , t ∈ R N \mathbf s_{c,t}\in\mathbb R^N s c , t ∈ R N t t t v ∈ R K \mathbf v\in\mathbb R^K v ∈ R K C ∈ R K × K \mathbf C\in\mathbb R^{K\times K} C ∈ R K × K D ∈ R K × K \mathbf D\in\mathbb R^{K\times K} D ∈ R K × K t t t t + 1 t+1 t + 1 在协方差结构平稳、相邻两期共享同一 C \mathbf C C
ρ c ( v ) = v ′ D v v ′ C v . \rho_c(\mathbf v)
=\frac{\mathbf v'\mathbf D\mathbf v}
{\mathbf v'\mathbf C\mathbf v}. ρ c ( v ) = v ′ Cv v ′ Dv . C \mathbf C C IC 的时间序列协方差；后者决定预测技能的分散化。联合相关矩阵必须半正定，因此同期相关、序列自相关与跨期交叉相关不能分别任意指定。两个分量各自换手较高时，若其预测创新方向相反，组合交易仍可能净额抵销。
2. 移动平均以响应速度交换换手# 预测移动平均（Forecast Moving Average） 是把当前预测与滞后预测作为不同分量进行线性组合。二期形式为：
s m a , t = v 0 s t + v 1 s t − 1 , v 0 + v 1 = 1. \mathbf s_{ma,t}
=v_0\mathbf s_t+v_1\mathbf s_{t-1},
\qquad v_0+v_1=1. s ma , t = v 0 s t + v 1 s t − 1 , v 0 + v 1 = 1. 令 ρ s ( k ) = corr c s ( s t , s t − k ) \rho_s(k)=\operatorname{corr}_{cs}(\mathbf s_t,\mathbf s_{t-k}) ρ s ( k ) = corr cs ( s t , s t − k )
ρ m a ( 1 ) = v 0 v 1 + ( v 0 2 + v 1 2 ) ρ s ( 1 ) + v 0 v 1 ρ s ( 2 ) v 0 2 + v 1 2 + 2 v 0 v 1 ρ s ( 1 ) . \rho_{ma}(1)
=\frac{
v_0v_1+(v_0^2+v_1^2)\rho_s(1)+v_0v_1\rho_s(2)
}{
v_0^2+v_1^2+2v_0v_1\rho_s(1)
}. ρ ma ( 1 ) = v 0 2 + v 1 2 + 2 v 0 v 1 ρ s ( 1 ) v 0 v 1 + ( v 0 2 + v 1 2 ) ρ s ( 1 ) + v 0 v 1 ρ s ( 2 ) .
v 0 v_0 v 0 v 1 v_1 v 1 ρ s ( 1 ) \rho_s(1) ρ s ( 1 ) ρ s ( 2 ) \rho_s(2) ρ s ( 2 ) ρ m a ( 1 ) \rho_{ma}(1) ρ ma ( 1 ) 加入滞后项并不必然提高持久性。从 v 1 = 0 v_1=0 v 1 = 0 ρ m a ( 1 ) \rho_{ma}(1) ρ ma ( 1 )
ρ s ( 2 ) > 2 [ ρ s ( 1 ) ] 2 − 1. \rho_s(2)>2[\rho_s(1)]^2-1. ρ s ( 2 ) > 2 [ ρ s ( 1 ) ] 2 − 1. 例如 ρ s ( 1 ) = 0.90 \rho_s(1)=0.90 ρ s ( 1 ) = 0.90 ρ s ( 2 ) = 0.81 \rho_s(2)=0.81 ρ s ( 2 ) = 0.81 0.62 0.62 0.62 v 0 = v 1 = 0.5 v_0=v_1=0.5 v 0 = v 1 = 0.5 ρ m a ( 1 ) = 0.95 \rho_{ma}(1)=0.95 ρ ma ( 1 ) = 0.95 IC、预测创新协方差和成本，不能只最大化平滑后的自相关。
第三节 信息期限与调仓期限# 1. 滞后 IC、期限 IC 与信息期限#
滞后信息系数（Lagged Information Coefficient） ：时点 t t t k k k 期限信息系数（Horizon Information Coefficient） ：时点 t t t H H H 信息期限（Information Horizon） ：滞后 IC 随预测距离变化的完整函数或仍具经济意义的期限范围，不等同于调仓频率或持有期。 令 s t \mathbf s_t s t t t t r t + k \mathbf r_{t+k} r t + k k k k
I C l a g ( k ) = corr c s ( s t , r t + k ) , IC^{lag}(k)
=\operatorname{corr}_{cs}(\mathbf s_t,\mathbf r_{t+k}), I C l a g ( k ) = corr cs ( s t , r t + k ) , I C h o r ( H ) = corr c s ( s t , R t ( H ) ) , R i , t ( H ) = ∏ k = 1 H ( 1 + r i , t + k ) − 1. IC^{hor}(H)
=\operatorname{corr}_{cs}
\left(\mathbf s_t,\mathbf R_t^{(H)}\right),
\qquad
R_{i,t}^{(H)}=\prod_{k=1}^{H}(1+r_{i,t+k})-1. I C h or ( H ) = corr cs ( s t , R t ( H ) ) , R i , t ( H ) = k = 1 ∏ H ( 1 + r i , t + k ) − 1.
I C l a g ( k ) IC^{lag}(k) I C l a g ( k ) k k k IC，k = 1 k=1 k = 1 I C h o r ( H ) IC^{hor}(H) I C h or ( H ) H H H IC。R t ( H ) \mathbf R_t^{(H)} R t ( H ) H H H 预测必须使用时点 t t t H H H IC 序列产生机械自相关；显著性检验需使用适配重叠窗口的标准误或非重叠样本。
2. 期限 IC 是滞后 IC 的风险缩放汇总# 当各未来单期收益较小，可以用 R t ( H ) ≈ ∑ k = 1 H r t + k \mathbf R_t^{(H)}\approx\sum_{k=1}^{H}\mathbf r_{t+k} R t ( H ) ≈ ∑ k = 1 H r t + k
I C h o r ( H ) ≈ ∑ k = 1 H I C l a g ( k ) H = I C l a g ‾ H H . IC^{hor}(H)
\approx
\frac{\sum_{k=1}^{H}IC^{lag}(k)}{\sqrt H}
=\overline{IC^{lag}}_H\sqrt H. I C h or ( H ) ≈ H ∑ k = 1 H I C l a g ( k ) = I C l a g H H . I C l a g ‾ H \overline{IC^{lag}}_H I C l a g H H H H IC 的算术平均。分子汇总预测协方差，分母因 H H H H \sqrt H H
第 H 期 滞 后 I C 累 计 H 期 期 限 I C 未 来 期 数 H I C - 0 . 0 4 0 . 0 0 0 . 0 4 0 . 0 8 0 . 1 2 1 2 3 4 5 6 7 8 示 例 峰 值 ： H = 4 图 8-2：教学序列中的滞后 IC 每期下降 0.02。期限 IC 汇总多个未来单期的预测内容，起初因累积信息而上升；纳入接近零或为负的远期 IC 后转为下降。该图是公式示意，不是历史回测。 期限 IC 初期上升不表示延长持有期必然提高年化 IR。它可能只是累计了更多预测协方差；与此同时，每年的独立决策次数减少。图中第 4 期后期限 IC 下降，是因为新增滞后 IC 已接近零或为负，而不是因为累计收益本身必然均值回归。
3. 有效 IC、有效换手与频率比较# 为在同一基础期间比较不同调仓期限，可定义：
I C e f f ( H ) = I C h o r ( H ) H , T O e f f ( H ) ∝ 1 − ρ s ( H ) H , IC_{eff}(H)=\frac{IC^{hor}(H)}{\sqrt H},
\qquad
TO_{eff}(H)\propto\frac{\sqrt{1-\rho_s(H)}}{H}, I C e f f ( H ) = H I C h or ( H ) , T O e f f ( H ) ∝ H 1 − ρ s ( H ) , Q I C , T O ( H ) = I C e f f ( H ) T O e f f ( H ) ∝ I C h o r ( H ) H 1 − ρ s ( H ) . Q_{IC,TO}(H)
=\frac{IC_{eff}(H)}{TO_{eff}(H)}
\propto
\frac{IC^{hor}(H)\sqrt H}{\sqrt{1-\rho_s(H)}}. Q I C , T O ( H ) = T O e f f ( H ) I C e f f ( H ) ∝ 1 − ρ s ( H ) I C h or ( H ) H .
I C e f f ( H ) IC_{eff}(H) I C e f f ( H ) IC。ρ s ( H ) \rho_s(H) ρ s ( H ) H H H T O e f f ( H ) TO_{eff}(H) T O e f f ( H ) TE 与特质风险常数后的单位期间换手代理。Q I C , T O ( H ) Q_{IC,TO}(H) Q I C , T O ( H ) 若季度预测满足 ρ s ( H ) = 0.9 H \rho_s(H)=0.9^H ρ s ( H ) = 0. 9 H 4 1 − 0.9 = 1.26 4\sqrt{1-0.9}=1.26 4 1 − 0.9 = 1.26 1 − 0.9 4 = 0.59 \sqrt{1-0.9^4}=0.59 1 − 0. 9 4 = 0.59 IR 相同，年度调仓在该假设下仍可能只有不到一半的换手。实际频率还取决于信息到达、非线性冲击成本、风险约束和订单净额，不能用 Q I C , T O Q_{IC,TO} Q I C , T O
预测持久性与预测技能还具有不同的衰减曲线。若 0 < ρ s ( 1 ) < 1 0<\rho_s(1)<1 0 < ρ s ( 1 ) < 1 ρ s ( k ) = [ ρ s ( 1 ) ] k \rho_s(k)=[\rho_s(1)]^k ρ s ( k ) = [ ρ s ( 1 ) ] k ln ( 0.5 ) / ln [ ρ s ( 1 ) ] \ln(0.5)/\ln[\rho_s(1)] ln ( 0.5 ) / ln [ ρ s ( 1 )] IC 也按独立参数指数衰减时，才能另算技能半衰期。高预测自相关不能推出滞后 IC 衰减慢，真实衰减也可能非单调、随市场状态切换或在事件日跳变。
第四节 换手约束与实施选择# 1. 在换手前沿上优化 alpha 模型# 换手约束下的最优 alpha 模型（Optimal Alpha Model under a Turnover Constraint） 是在预测技能分散化与预测持久性之间选择分量权重的模型；其目标是最大化组合预测的 IR，同时把预测自相关维持在与换手预算一致的水平。
设 K K K v \mathbf v v
max v I R ( v ) = v ′ μ I C v ′ Ω I C v \max_{\mathbf v}
\quad
IR(\mathbf v)
=\frac{\mathbf v'\boldsymbol\mu_{IC}}
{\sqrt{\mathbf v'\boldsymbol\Omega_{IC}\mathbf v}} v max I R ( v ) = v ′ Ω I C v v ′ μ I C s.t. ρ c ( v ) = v ′ D v v ′ C v ≥ ρ m i n , v ′ C v = 1. \text{s.t.}\quad
\rho_c(\mathbf v)
=\frac{\mathbf v'\mathbf D\mathbf v}
{\mathbf v'\mathbf C\mathbf v}
\ge\rho_{min},
\qquad
\mathbf v'\mathbf C\mathbf v=1. s.t. ρ c ( v ) = v ′ Cv v ′ Dv ≥ ρ min , v ′ Cv = 1.
v ∈ R K \mathbf v\in\mathbb R^K v ∈ R K μ I C ∈ R K \boldsymbol\mu_{IC}\in\mathbb R^K μ I C ∈ R K IC 的估计均值。Ω I C ∈ R K × K \boldsymbol\Omega_{IC}\in\mathbb R^{K\times K} Ω I C ∈ R K × K IC 时间序列的协方差矩阵，描述预测技能的共同波动。C ∈ R K × K \mathbf C\in\mathbb R^{K\times K} C ∈ R K × K D ∈ R K × K \mathbf D\in\mathbb R^{K\times K} D ∈ R K × K ρ m i n \rho_{min} ρ min TE、股票数、特质风险和换手上限反推的最低复合预测自相关。 IR 对 v \mathbf v v v ′ C v = 1 \mathbf v'\mathbf C\mathbf v=1 v ′ Cv = 1 ρ c = ρ t a r g e t \rho_c=\rho_{target} ρ c = ρ t a r g e t IR 与换手的前沿；使用不等式则允许优化器在预算内选择。自相关约束是二次比值，问题通常没有解析解，需要数值求解。
Ω I C \boldsymbol\Omega_{IC} Ω I C C \mathbf C C D \mathbf D D IC 已消失，继续追求高自相关只会牺牲毛预测能力。
2. 毛 IR 最优不等于净收益最优# 在线性成本教学近似下，同一期间的预期净主动收益可写为：
E ( r n e t A ∣ I t ) ≈ I R ( v ) σ T E − c T O ( v ) . E(r^A_{net}\mid\mathcal I_t)
\approx IR(\mathbf v)\,\sigma_{TE}
-c\,TO(\mathbf v). E ( r n e t A ∣ I t ) ≈ I R ( v ) σ T E − c T O ( v ) .
r n e t A r^A_{net} r n e t A I t \mathcal I_t I t t t t I R ( v ) σ T E IR(\mathbf v)\sigma_{TE} I R ( v ) σ T E c c c T O ( v ) TO(\mathbf v) T O ( v ) 成本率或资产规模上升时，净收益最优点通常移向更高预测自相关和更低换手，而毛 IR 最优点不变。现实中的价差、冲击与机会成本因股票和订单方向而异，冲击还常呈凸性；因此线性式只用于理解方向，实际优化应把逐笔成本函数写入目标，而非对所有因子使用同一换手惩罚。
3. 小额交易阈值的收益、风险与跨期后果#
Alpha 暴露（Alpha Exposure） ：目标主动权重与当前预测 alpha 的内积，A t = h t ′ α t A_t=\mathbf h_t'\boldsymbol\alpha_t A t = h t ′ α t 不交易阈值（No-trade Threshold） ：当建议交易权重的绝对值不超过给定界限时维持旧持仓的实施规则。 在单期、无漂移、无其他约束、股票特质风险相同且连续预测联合正态的模型中，权重阈值 ε w \varepsilon_w ε w
ε s = ε w N σ 0 σ T E , s Δ = 2 ( 1 − ρ s ) . \varepsilon_s
=\frac{\varepsilon_w\sqrt N\,\sigma_0}{\sigma_{TE}},
\qquad
s_{\Delta}=\sqrt{2(1-\rho_s)}. ε s = σ T E ε w N σ 0 , s Δ = 2 ( 1 − ρ s ) . 剩余单边换手与完整交易换手之比为：
T O ( ε w ) T O ( 0 ) = exp ( − ε s 2 2 s Δ 2 ) = exp ( − ε s 2 4 ( 1 − ρ s ) ) . \frac{TO(\varepsilon_w)}{TO(0)}
=\exp\!\left(-\frac{\varepsilon_s^2}{2s_{\Delta}^2}\right)
=\exp\!\left(-\frac{\varepsilon_s^2}{4(1-\rho_s)}\right). T O ( 0 ) T O ( ε w ) = exp ( − 2 s Δ 2 ε s 2 ) = exp ( − 4 ( 1 − ρ s ) ε s 2 ) .
ε w \varepsilon_w ε w ε s \varepsilon_s ε s ε w \varepsilon_w ε w σ 0 \sigma_0 σ 0 TE 使用同一期限。s Δ s_{\Delta} s Δ s ~ i , t + 1 − s ~ i , t \tilde s_{i,t+1}-\tilde s_{i,t} s ~ i , t + 1 − s ~ i , t 同一模型下，保留的 alpha 暴露比例具有解析形式：
A ( ε w ) A ( 0 ) = 1 + s Δ ε s 2 π exp ( − ε s 2 2 s Δ 2 ) − s Δ 2 2 erf ( ε s 2 s Δ ) , \frac{A(\varepsilon_w)}{A(0)}
=1+
\frac{s_{\Delta}\varepsilon_s}{\sqrt{2\pi}}
\exp\!\left(-\frac{\varepsilon_s^2}{2s_{\Delta}^2}\right)
-\frac{s_{\Delta}^2}{2}
\operatorname{erf}\!\left(
\frac{\varepsilon_s}{\sqrt2s_{\Delta}}
\right), A ( 0 ) A ( ε w ) = 1 + 2 π s Δ ε s exp ( − 2 s Δ 2 ε s 2 ) − 2 s Δ 2 erf ( 2 s Δ ε s ) , 其中 erf ( ⋅ ) \operatorname{erf}(\cdot) erf ( ⋅ ) ρ s \rho_s ρ s
剩 余 换 手 T ( ε ) / T ( 0 ) a l p h a 暴 露 A ( ε ) / A ( 0 ) 不 交 易 阈 值 ε w （ b p ） 保 留 比 例 0 . 2 5 0 . 5 0 0 . 7 5 1 . 0 0 0 2 0 4 0 6 0 8 0 1 0 0 9 8 . 5 % 6 7 % 图 8-3：单期联合正态模型下，小额交易阈值提高时，剩余换手下降快于 alpha 暴露。参数为 N = 500、目标 TE = 5%、同质特质风险 = 30%、预测自相关 ρ_s = 0.9；30 bp 阈值保留约 67% 换手和 98.5% alpha 暴露。该模型未计入多期累积偏离与异质交易成本。 图示参数下，30 bp 阈值把换手降至完整交易的约 67%，同时保留约 98.5% 的当期 alpha 暴露。该结果说明小交易对换手的边际贡献可能大于对单期预测暴露的贡献，不构成通用阈值建议；阈值应比较节省的价差与冲击、损失的预期 alpha、风险偏离、未成交机会成本和下一期累积订单。
