高Alpha≠高容量：35种股票异象的交易成本与资金承载能力实测

在量化投资领域，Alpha 常常被当作衡量策略优劣的核心标尺——收益越高、统计显著性越强，策略看起来就越有吸引力。但对机构投资者来说，真正重要的问题往往更直接：这笔收益到底能装下多少资金？

论文《The Capacity of Equity Anomalies》（2026年9月26日）从交易成本与市场流动性的角度，重新评估了35种股票异象的经济价值。研究发现，高 Alpha 策略未必能承载大规模资金；相反，一些 Alpha 较低的盈利能力和质量策略，却可能支撑数百亿美元的资金。决定策略容量的关键，不只是预测收益本身，还包括换手率、持仓股票的流动性，以及投资者如何执行交易。

模型思路

研究将“交易容量”定义为：在考虑交易成本、市场冲击和市场对冲之后，一项策略仍能获得不低于现金收益的最大资金规模。

作者使用 NYSE Daily TAQ 高频交易与报价数据，结合 CRSP 股票收益数据及公司特征数据，构建了35种特征排序策略，覆盖价值、投资、盈利能力、动量、质量、低风险等13类异象。

在交易成本建模方面，作者采用 Obizhaeva-Wang 最优执行框架，分别估计以下几个部分：

• 买卖价差，即交易者为立即成交所支付的成本；
• 永久价格冲击，即订单流对股票基本价格产生的持续影响；
• 暂时价格冲击，即大额交易对成交价格造成、但会随流动性恢复而消退的影响；
• 流动性补充速度，即订单簿在交易冲击后恢复的速度。

这里最关键的区别在于，交易成本并非始终与资金规模成正比。买卖价差形成相对线性的成本，而价格冲击会随着订单规模扩大而加剧。因此，资金越大，策略每单位资金承担的交易成本可能越高。

研究进一步区分了两种容量：

• 便携式 Alpha 容量：剔除市场风险后，策略仍能超过现金收益的最大资金规模；
• 动态容量：不进行市场对冲时，策略至少能够保本的最大资金规模。

此外，作者还考察了部分调仓的效果，即不一次性调至目标仓位，而是分多个时期逐步完成交易。

实证结果

1. Alpha 与容量并不等价

35种多空特征策略中，只有21种多头策略具有正的便携式 Alpha 容量，容量中位数为13.2亿美元，但不同策略之间差异极大，范围从1.43亿美元到326亿美元。

最高 Alpha 策略并不是最具容量的策略。例如，“过去5日最高收益”策略的月度 Alpha 约为0.41%，在样本中最高，但其便携式 Alpha 容量仅为17.9亿美元。相比之下，利润率策略的月度 Alpha 只有0.11%，容量却达到231亿美元，约为前者的97倍。

容量最高的策略主要集中在盈利能力、现金流和质量领域：

• 营业利润/总资产：325.8亿美元；
• 利润率：231亿美元；
• 营业利润/账面权益：206.7亿美元；
• 营业现金流/资产：199.8亿美元；
• Quality minus Junk：142.7亿美元。

这些策略的共同特征是换手率较低，同时交易的股票相对具有流动性。

2. 价格冲击是容量差异的主要来源

研究表明，比例型交易成本可以解释策略在小规模下是否具有盈利性，但真正决定策略能扩张到多大规模的，是价格冲击。

以10亿美元资金为例，动量策略的月度价格冲击成本约为0.20%；当资金扩大到100亿美元时，该成本上升至0.90%；扩大到500亿美元时，则达到1.67%。

相比之下，营业利润/账面权益策略的换手率仅约为动量策略的八分之一，在10亿美元规模下的月度价格冲击成本仅为0.015%，即使达到500亿美元，成本也约为0.46%。

换手率和股票流动性分别代表两种成本来源。Amihud 策略的月度换手率只有0.12次，但由于持有的股票流动性较差，在100亿美元规模下的月度冲击成本达到1.20%。短期反转策略持有的股票相对更具流动性，但月度换手率达到1.77次，冲击成本仍达到1.56%。

因此，低换手率本身并不足以保证高容量，关键在于“交易多少”与“交易什么”的共同作用。

3. 多空因子容量并未显著领先

多空因子通常比单纯多头组合拥有更高的 Alpha，但同时需要交易多头和空头两端，交易成本也会同步增加。

研究中，具有正容量的多空因子，其容量中位数为15.3亿美元，仅略高于多头策略的13.2亿美元。比如，营业现金流/资产因子的 Alpha 为0.91%，容量达到88亿美元；而异质波动率因子 Alpha 为0.87%，容量却只有3.56亿美元。

这说明，增加空头腿虽然可能提高组合 Alpha，但并不一定带来更大的资金承载能力。空头组合的换手率和流动性状况，同样决定最终容量。

4. 放慢调仓速度可以显著扩大容量

最具实践意义的发现之一，是交易规则本身会显著改变策略容量。

在保持目标组合和预测信号不变的情况下，作者让投资者只完成部分调仓，而不是每月一次性调至目标权重。结果显示，在原本具有正容量的多空因子中，选择合适的调仓速度后，容量中位数提高了约13倍。

机器学习策略的结果尤其明显。基于153项公司特征构建的梯度提升树策略，在完全月度调仓下：

• 等权机器学习策略容量仅为1300万美元；
• 市值加权机器学习策略容量为1.77亿美元。

当采用部分调仓后，两者容量分别提高至约13亿美元和190亿美元。

这表明，机器学习模型即使具有较强预测能力，如果预测信号导致组合权重频繁变化，也可能因为交易成本而难以实施。交易速度本身，是预测模型经济价值的重要组成部分。

结论

这项研究的核心启示是：收益率衡量的是策略每投入1美元能赚多少，但容量衡量的是有多少美元能够真正赚到这笔收益。

高 Alpha 策略可能集中于小盘股、低流动性股票，或需要频繁交易，因此在资金扩大后，收益会迅速被价格冲击吞噬。相反，盈利能力和质量策略虽然 Alpha 相对较低，却能够依靠低换手率和较高流动性承载更大规模的资金。

对于量化投资者而言，评价一个策略不能只看回测收益、Sharpe 比率或统计显著性，还需要进一步考察：

• 策略在不同资金规模下的交易成本曲线；
• 组合换手率与持仓股票的流动性；
• 大额订单相对于市场成交量的比例；
• 全量调仓与部分调仓之间的差异；
• 交易成本对复合收益和最终容量的影响。

尤其是在机器学习和高频更新策略中，预测能力与可投资规模并不是同一个问题。一个更强的信号，如果伴随着更剧烈的组合变化，未必能够转化为更高的机构投资价值。真正具有经济意义的策略，应当同时具备有效的预测能力、合理的交易成本和可持续的资金容量。

论文原文： https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7524338