Rob Carver：交易成本优化新方案——先收缩夏普比率再扣减成本

系统交易实践者Rob Carver在其2026年组合优化系列第11篇文章中，提出了一个处理交易成本的新方法。他的出发点是一个在量化投资中广泛接受的观察：交易成本比预期收益更容易预测。成本是相对确定的数字，而收益估计充满噪声。那么在优化预测权重时，如何让这种不对称性自然地反映在结果中？

Carver列举了六种已有方案，从完全忽略成本、使用净收益、到将成本乘以大于1的系数来人为放大其权重。他认为乘系数法虽然直觉正确——既然成本更确定就应该给更大权重——但引入了一个需要额外优化的参数factor，增加了复杂度。他提出的新方案是：先对毛收益的夏普比率进行收缩估计，然后直接从收缩后的值中扣除每笔交易成本。

这个方法的逻辑在于：收缩本身已经处理了收益估计的不确定性。当你对一个噪声较大的夏普比率估计进行收缩时，你实际上是在说我不太确定这个收益预测有多好。而成本不需要收缩，因为它是已知的。所以先收缩再扣减，自然地实现了给确定的成本更多权重、给不确定的收益更少权重的效果，而不需要人为设定一个乘数。Carver给出的具体参数是：夏普比率收缩0.5，相关系数收缩0.75，数据不足五年时使用更高收缩。

但Carver也坦承这套方法存在一个悬崖效应：他设定0.01夏普比率点数作为成本上限，超过这个阈值的工具会被动态优化直接排除。一个成本为0.012的工具和一个成本为0.008的工具，在优化中的待遇截然不同。他的缓解方案是在优化层面将成本封顶在0.01，让高成本工具在权重计算中表现得像成本恰好是0.01的工具，但在实际执行层面仍然排除。他承认这仍然是一种双重标准，有点混乱，但比之前完全忽略成本的做法要好。

文章最后给出了Carver当前黄金标准预测权重优化的完整架构：从外到内依次是滚动样本外优化、跨工具平均池化（对毛收益分别用本工具、资产类别和全样本三套数据优化后取平均）、反向权重处理（允许发现作者未预料到的有效策略）、聚类（目标六簇）、以及最内层的收缩加成本扣减。工具权重使用相同结构但去掉池化步骤。Carver明确表示，下一篇文章将在这个架构上用一个较小的可处理组合进行测试。