执行算法有哪些局限性？
简而言之：什么是执行算法？
执行算法是一组规则，用于决定如何在一段时间内下单。它不会一次性发送全部订单，而是可能将订单拆分为更小的部分，选择下单时机，并根据观察到的交易条件（如流动性或订单簿变化）进行调整。
一个关键区别有助于解释其局限性：算法可以控制执行过程（如下单时机、订单大小和路由选择），但无法完全控制市场结果（如价格变动、交易对手行为以及最终实际支付的成本）。
执行过程中局限性的产生
即使在不涉及实时市场数据的情况下，我们也可以通过“计划行为”与“实际条件”之间的差距来理解这些局限性。
典型的输入包括目标交易量、执行时间窗口以及最小化交易成本或降低持仓风险等目标。稳定的机制包括“拆分订单”或“发送较小的子订单”等预设规则。而可变条件则包括波动性、可用流动性、买卖价差、市场深度以及交易暂停或中断等情况。此外，服务商或基础设施状况也很重要，例如订单是否延迟、部分被拒，或在不同交易场所成交。
这意味着执行算法通常依赖于对执行窗口期间市场条件演变的假设（显性或隐性）。当这些假设不成立时，实际结果可能显著偏离预期。
证据或示例：常见的失效模式
识别局限性的一个有效方法是观察即使算法逻辑在其设计上“正确”，仍可能出现的失效情况。
-
滑点与预期成交价的偏差
如果在子订单发送过程中市场价格朝不利方向移动，实际平均成交价可能比计划更差。由于算法无法控制整体价格走势，因此可能无法避免这种不利变动。 -
部分成交与剩余风险敞口
如果并非所有子订单都被完全成交，剩余数量可能被延迟执行、取消，或在不同条件下成交。这会改变最终的平均成本，并增加时间风险。 -
延迟、消息处理与撤单时机
如果决策点与下单之间存在延迟，或撤单指令到达过晚，算法可能无法按预期顺序执行操作。结果可能导致实际执行路径与原计划不一致。
局限性、不确定性与风险
当不确定性较高，或执行环境变化速度超过算法响应能力时，执行算法的效果会大打折扣。
主要局限性包括：
- 市场条件和成本导致的结果波动性。 执行结果受波动性、流动性、点差、佣金和费用影响。历史关系不能保证未来表现。
- 模型与现实的脱节。 回测和简化假设可能掩盖流动性变化、成本波动或订单簿动态变化的影响。
- 约束敏感性。 最大订单规模、交易场所规则和操作限制等约束条件可能影响算法是否能按计划执行。
由于未来不可预测，应将性能预期视为依赖于特定假设的条件性结果。独立验证通常需要在现实条件下，将算法的决策逻辑与实际执行结果进行比较，而非仅依赖单一历史时期的数据。
验证与后续问题
为客观评估局限性，避免过度宣称，应关注可独立验证的内容：
- 执行逻辑在执行窗口内对流动性、点差和价格演变做出了哪些假设？
- 在不同条件下，实测结果（平均成交价、成交比例和执行时间）与模型目标之间有何差异？
- 哪些操作限制可能导致延迟、部分成交或订单被拒？
如果你想进一步深入，一个实用的后续问题是：当市场条件变化速度超过算法适应能力时，风险是如何管理的？