1703564732
1703564733
1703564734
对于参数为λ的泊松分布来说，它满足：
1703564735
1703564736
1703564737
1703564738
1703564739
因此能够得出：
1703564740
1703564741
1703564742
1703564743
1703564744
一些研究表明，市场冲击量与交易量的平方根相关（Hasbrouck，1991；Madhavan和Smidt，1991；BARRA，1997）：
1703564745
1703564746
1703564747
1703564748
1703564749
其中α是个常数，被称为市场冲击参数。
1703564750
1703564751
将式（6-19）代入式（6-18）中，我们得到：
1703564752
1703564753
1703564754
1703564755
1703564756
其中，μ被定义为单位交易时间内的股票交易数量。
1703564757
1703564758
对交易时间进行时间调整的目的是保持这个数量为常数，所以这个公式也说明每单位交易时间的收益率方差也是常数。现在我们取消之前做的时间调整，这意味着波动率σt和μt，以及单位实际时间的交易数量都成了随机变量。抵消两边的公共因子Δt以后[参考式（6-18）]，我们得到：
1703564759
1703564760
1703564761
1703564762
1703564763
这个公式清楚地给出了交易量和波动率之间的关系。许多研究（Clark，1973；Tauchen和Pitts，1983；Karpoff，1987）都证实了这点。很少有交易员会对这个关系式进行争论（尽管他们会争论到底是交易量导致了波动率变化，还是应该服从相反的因果关系）。这个模型也留下了另一个未决的争论——交易量应该是以交易的次数还是以股票数量来进行衡量。但是在这里，无论哪种选择，结果都是一致的。
1703564764
1703564765
式（6-22）给出了简单的用来衡量市场冲击的方法：
1703564766
1703564767
1703564768
1703564769
1703564770
我们知道如何去估计波动率，剩下来要做的只是去估计每单位时间的股票成交量。
1703564771
1703564772
优点
1703564773
1703564774
·该模型易于理解和应用。
1703564775
1703564776
·该模型符合我们的基本直觉：一只股票的交易越活跃，我们的交易所导致的市场冲击就越小。
1703564777
1703564778
·我们不需要去处理单笔交易层面的数据。
1703564779
1703564780
·我们可以像使用BSM和第1章提到的对冲模型那样使用这个模型。我们能够针对每个独立的市场对模型进行微调，把它乘上一个预设因子便可以。比如，我们可能发现DAX的股票比FTSE的股票更容易产生波动（美林曾经计算了一份这样的预设因子列表。我之所以没列在这里，是因为这些数字可能已经失效了，而且它们是经过询问美林的交易员后得到的。我认为它们只是反映了单个交易员的观点，而不是每个市场的基本面情况，但这点没法证明。这些预设因子可能是优秀的、专注的交易员能够显著突出于交易员整体水平的一个方面）。
1703564781