Jarque Bera和卡方拟合优度检验不能在5%显著水平上拒绝两个数据集中局部极小值成本分布的高斯假设。因此，我们找到了大量在预期成本方面非常相似的极端点。正如预期的那样，随着市场影响函数变得更加线性，局部极小值成本的标准偏差降低。同样，当模型变为线性时，局部极小值之间的欧氏距离减小。一般来说，许多极小值的存在可能会反映数值误差，或是一个具有多个极小值的景观。第一种情况经常发生在景观杂乱无章[18,51]的情况下，即存在变量空间的方向，其成本基本不变。Rosenbrock函数给出了这种行为的一个众所周知的例子，其中Jarque Bera测试给出了γ=δ=0.5情况下的p值=0.22，而cas eγ=0.45，δ=0.5情况下的p值=0.49。卡方拟合优度检验给出了γ=δ=0.5情况下的p值=0.36，γ=0.45情况下的p值=0.93，δ=0.55.0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 1-505101520x10-3δCγ=0.42γ=0.44γ=0.46γ=0.48γ=0.50.50.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 1-0.02-0.015-0.01-0.00500.0050.010.0150.02δCγ=0.42γ=0.44γ=0.46γ=0.48γ=0.5图8：通过SQP最小化获得的非线性瞬态冲击模型的最佳成本。我们考虑一个购买计划，其中X=0.1，即单一市场交易量的10%，以及N=100（顶部）和N=150（底部）子区间的细分。我们在每次优化中使用1000个起点。我们只考虑无动态套利区中的参数。

保持不变，相对于全局极小值的成本不是δ的单调函数。全球极小值位于一个狭长的抛物线形山谷中。草率可能会导致难以找到全局最小值，因为在很多方面，成本函数是最明显的。或者，地形可能崎岖不平，许多局部极小值被局部山峰隔开。崎岖的地形吸引了物理学[54]、进化生物学[53]和计算机科学的关注。一个崎岖景观的例子是考夫曼的自然景观[54]。自旋玻璃哈密顿量的局部最小能量分布用反常分布描述。为了区分这两种选择，并描述成本状况，我们进行了两种类型的分析。首先，我们应用二阶条件来测试找到的极值中哪些是实际最小值，而不是鞍点。我们对SQP算法找到的局部极小值进行二阶导数测试。在约束优化的情况下，最小值的二阶有效条件可以用边界Hessian[20,36]的行列式形式表示。我们报告了凹形碰撞情况下的详细分析，当我们选择N=100时。我们对凹凸碰撞（见下文）案例重复了这一分析，定性地得出了相同的结果。我们的优化程序从1000个初始点开始，所以我们在SQP算法收敛的最终点上计算上述测试。对于无套利区域中参数δ和γ的任何值，超过95%的极值点是实际的极小值。

剩下的点是鞍点。其次，我们通过使用拉格朗日景观函数的边界海森的特征值和特征向量来识别其stiff和sloppy方向，直接检验景观是松散的假设。人们可以通过在局部极小值下计算的黑森山脉的奇异值谱来研究景观功能对变化的敏感性。草率模型由六个或六个以上数量级的特征值的常数对数密度来描述[18,51]。景观对变化的敏感性由特征值的平方根给出。对于sloppymodels，这意味着一个人应该沿着最倾斜的本征方向移动1000倍以上，以改变相同数量的函数。我们计算了拉格朗日函数在凹形市场冲击函数情况下的边界海森特征值谱，我们发现这些谱与asloppy景观不兼容。大部分特征值都有类似的10阶小值-2.这意味着接近局部最小值的区域不受影响。综上所述，上述分析表明，绝大多数极值点都是实际极小值，局部极小值周围的区域在某些方向上没有弯曲。这表明，在市场冲击下，成本前景是崎岖不平的，而不是草率的。这种情况让人想起寻找描述蛋白质的自由能场的全球最小值[49]。与我们的问题相似的是自由能的结构，由许多Lennard-Jones势的和来描述，即一个非凸非周期函数。大量的局部极小值是非凸函数求和的结果，而不是周期函数存在的结果。

类似地，在凹面碰撞的情况下，成本是图5中描述的2-D玩具模型的函数之和；这样的函数是非凸和非周期的。4.3.3单调策略在本节中，我们考虑单调策略，即位置X（t）是买入（卖出）元订单时间的非减（非增）函数的策略。因此，我们强制执行交易触发操纵的缺席。从数值成本最小化的角度出发，我们施加了额外的约束vi≥ 0, 我（为了一个购买计划）。这个额外的约束与投资组合优化中的无卖空约束是一致的[16]。我们使用直接搜索方法，特别是生成集搜索算法[28]。显然，在这种情况下，成本是正的；我们在表2中报告了最优策略的成本。我们发现，随着瞬时市场影响函数变得更加非线性（即δ减小），预期成本增加。此外，预期成本高于SQP算法，但仍显著低于使用DHAM方法获得的策略的预期成本。0.5 100.020.04时间卷0.5 100.010.020.03时间卷0.5 100.0050.01时间卷0.5 102468x 10-3倍体积0.5 1024x 10-3倍体积0.5 1012x 10-3次交易量γ=0.5，δ=0.5γ=0.5，δ=0.6γ=0.5，δ=0.7γ=0.5，δ=0.8γ=0.5，δ=0.9γ=0.5，δ=1图9：由单调购买计划的直接搜索算法给出的最优解，其中X=0.1，即γ=0.5的单一市场交易量的10%。我们报告了在每个时间间隔内要进行分级的体积，即viT/N。图9给出了γ=0.5情况下最优解的结构；γ=0.45的结果相似。

我们观察到的主要特征是，随着δ的减小，市场影响函数变得更加非线性，最优交易函数变得越来越稀疏。然后，最佳策略包括几次突然的买入，中间穿插着长时间的停牌。这个结果的几何解释是，解位于a（N）的边界上- 1） 单纯形。这与我们的无约束SQP结果一致，其中最优策略正好位于单纯形的边缘之外。直接搜索只是在单纯形所描述的可行区域的边缘停止。最后请注意，在单调性约束下，在第一个区间开始交易是最优的，而在没有这种约束的情况下，在第一次交易之前通过卖出来缓慢压低价格是最优的。5规范化解决方案在本节中，我们展示了非线性影响模型（2.2）可以使用两种不同的方法进行规范化，这两种方法都反映了我们迄今忽略的市场的重要特征。在第5.1节中，我们向模型中添加了差价成本，以惩罚可能导致负执行成本的错误交易方式。这相当于一种再监管化。在第5.2节中，我们修改了高交易率下瞬时市场影响函数的形状；由此产生的市场影响函数是凹凸的。5.1增加价差成本在本节中，我们在等式（2.1）的模型中增加价差成本，以惩罚错误交易。方程（2.1）可被视为描述中间价的演变。

当执行市场指令时，有一半的买卖价差2δS的额外成本，交易价格由S（t）=S（0）+Ztf（˙x（t））G（t）给出- s） ds+ZtσdW（s）+δSZtδ（s）- t） 符号（˙x（s））ds，（5.1）扩散项是一个临时影响项，可以用δ-影响函数来描述；它只影响订单执行时的价格，不影响市场价格。该术语也可以表示与绝对执行量成比例的任何成本或费用。然后，预期的执行成本由c[π]=CG[π]+CS[π]=ZT˙x（t）Ztf（˙x（s））G（t）给出- s） ds dt+δSZT |˙x（t）| dt。（5.2）因此，第二项将惩罚任何包含买卖交易的策略。对于所有交易具有相同符号的策略，该术语被最小化，即CS[π]=δSX。这种惩罚是计算机科学中广泛使用的套索正则化的一种形式，Brodie等人[16]使用它来惩罚Markowitz投资组合优化中的空头头寸。Busseti和Lillo[19]通过使用这种形式的分散成本对实际数据进行规范化，从而校准了最佳执行策略。为了将传播和影响的相对成本参数化，我们定义了无量纲质量r=CS[V W AP]/CG[V W AP]，这是根据方程（5.1）的模型，VWAP执行的传播成本和影响成本之间的比率。这个量由δS=rf（X）T1给出-γ(1 - γ) (2 - γ） （5.3）通过选择r的值，我们设置了δS的值。我们考虑了小传播成本的情况，即r=10%，以及高传播成本的情况，即。

r=50%，对离散化成本函数C[v]=NXi=1NXj=1vif（vj）Aij+δSTNNXi=1 | vi |，（5.4）进行数值优化，参数与第4节中相同，N=100，X=0.1，γ=0.45，δ=0.55。图10分别绘制了高分摊成本和低分摊成本情况下数值优化中对应于全局最小值的策略。即使执行限价指令，实践中也会发现，由于逆向选择，部分买卖价差会额外增加。0.5 100.0050.010.0150.02时间卷0.5 1-0.00500.0050.010.0150.020.0250.030.035timevolume r=50%r=10%图10：在存在差价成本的情况下，由SQP算法给出的购买计划的最优解，其中X=0.1，即市场容量的10%。我们报告了每个时段的交易量，即γ=0.45，δ=0.55时的viT/N。左边是高分摊成本的情况，即r=50%，右边是低分摊成本的情况，即r=10%。对于r=50%和CSQP=5.9×10，预期执行成本为CSQP=0.026-3对于r=10%。尽管交易引发的价格操纵仍然存在，但在这两种情况下，流动成本现在都是正的。事实上，对于r=50%，我们发现CSQP=0.026，CSQP=5.9×10-3对于r=10%。SQP策略仍优于VWAP、GSS和DHAM策略。最后，高价差成本的影响是负交易量的大幅减少，类似于布罗迪等人[16]观察到的马科维茨投资组合权重。在这种情况下，与权重绝对值之和成比例的最终化项会导致最优解，由此产生的投资组合是稀疏的，几乎没有资产，也没有空头头寸。

类似地，在具有高价差成本的非线性市场影响模型中，购买计划的最优解决方案的特点似乎是几次由时间间隔分隔的交易活动，在这些时间间隔中，我们有一个非常弱的负交易活动。此外，较高的差价成本会导致与单调策略类似的液化成本。5.2凹凸冲击到目前为止，我们假设可以任意快速交易，同时保持冲击f（v）的相同函数形式。虽然这简化了问题的数学处理，但这是不现实的，因为我们不能在实践中以任意高的速度进行交易。在大约0.25 0.5 0.75 1 1.25 1.500.511.522.533.544.5vfG（v）d=0.1d=0.5d=1图11：参数值的凹凸冲击函数：c=1，δ=0.55，XM=1，T=1。此时，交易率如此之高，以至于一个人深入到订单簿中进行交易，在订单簿中可用的流动性更少，在这一点上，可以预期f（·）变得凸。这促使我们通过假设一个凹凸影响函数来规范瞬态影响模型，该函数既可能惩罚过高的交易率，也可能消除负预期清算成本的问题。具体而言，我们考虑冲击函数的以下形式：fG（v）=c符号（v）(|v | | v |+vδ+d | v |（|v |+v）v），（5.5），其中v=XM/T是单位时间的市场容量XM，c和d是正常数。图11显示了这种影响函数的形式。常数d是凸项相对于凹项大小的度量，凹项的阶数为一。如果d<< 1我们得到了一个凹形冲击函数。参数d也直接设置值v*其中函数的凸度变化，其中f′G（v*) = 0，见表3的第二列。

人们可以想到ratev*近似于合理交易的最高利率。我们举例说明了在γ=0.45、δ=0.55、N=100的情况下，对于四个不同的d值：0.1、0.5、1、2，使用1000个起始点进行每次优化，期望成本的数值最小化结果。在图12中，我们绘制了这四种情况下的最优策略。我们观察到，凸项大小的增加会导致最大交易率的降低，以及购买是最优的周期数的增加。被撞击的v形物体的凸出部分*hvSQP>0iσ（vSQP>0）成本SQP成本VWAP0。1 1.0755 1.1485 0.3193-0.00245 0.032660.5 0.4256 0.4835 0.0911 0.01674 0.037821 0.2678 0.3229 0.0443 0.02887 0.044282 0.1639 0.2170 0 0.0292 0.04752 0.05718表3：在第一列中，我们报告了v的值*其中f′G（v）*) = 其他列报告了γ=0.45、δ=0.55、N=100情况下SQP优化的相关数据。当凸项的大小增加时，交易速度降低；相反，成本增加了。最后一列报告了存在凹凸影响时VWAP策略的成本。这就像是高交易率的障碍。在表3中，我们比较了SQP策略的成本与相应VWAP策略的成本。随着对流规模的增加，我们不再发现负的预期清算成本；至少在模拟中，冲击函数的凸部的存在能够使非线性瞬态冲击模型正则化。值得注意的是，v的值*接近每个案例的平均交易率。因此，通过了解影响函数，可以粗略估计最佳交易速度。最后，我们将研究扩展到整个无动态套利区域，以观察成本如何变化。

图13显示了作为δ函数的不同γ值的预期成本，分别考虑了d=0.1和d=1的情况。在前一种情况下，我们观察到一个参数空间区域的代价为负，而如果凸项足够大，则有可能在强非线性区域消除负代价。进一步的研究表明，随着N的增加，这个结果并没有改变（数据未显示）。最后，我们注意到，在凹凸碰撞的情况下，就像在凹面碰撞的情况下一样，成本是δ的非单调函数。总之，我们的发现强调了内在市场影响函数f的特定形状对于最优策略规律性的重要性。6结论在本文中，我们研究了在[26]的非线性瞬态影响模型中寻找最优执行策略的问题。我们考虑了几种不同的方法，讨论了它们的有效性范围和它们产生的解决方案的特点，并比较了它们的相关预期成本。我们还将注意力集中在可能存在的不同形式的价格操纵上。如果允许策略的类别受到约束，以消除零交易率的可能性，则成本最小化问题可转化为凹凸影响函数的Urysohn积分方程。VWAP的成本为CV W AP=c XT（1-γ)(1-γ)(2-γ)XXM+Xδ+dX（X+XM）（XM）.0.5 10123x10-3卷0.5 1024x 10-3卷0.5 10246x 10-3倍体积0.5 1051015x 10-3timevolume d=2d=1d=0.5 d=0.1图12：在存在凹凸冲击的情况下，由SQP算法给出的购买计划的最优解，其中X=0.1，即市场容量的10%。我们报告了每个时间间隔内待交易的体积，即γ=0.45，δ=0.55，N=100的情况下的viT/N。

当凸项的大小增加时，即随着d的增加，交易率降低。预期执行成本见表3。第一种。为了求解具有该约束的最优执行策略，我们提出了一种离散同伦分析技术。通过构造初始猜测的连续变形（如VWAP）来获得解。我们已经证明，用这种方法找到的最优解不是时间反转对称的，而是在凹形市场冲击的情况下的前置。我们的预期成本分析表明，此类解决方案的表现远远优于VWAP等传统执行策略。积分方程法只能找到成本函数的局部极小值。为了寻找全局最小值，我们对代价函数进行了直接数值最小化。从我们使用SQP全局优化技术进行的分析中，我们发现离散成本函数呈现出崎岖不平的地形，许多局部极小值被峰值隔开。全局最小值（以及其他许多次优最小值）对应于交替买卖的策略，因此允许交易触发的价格操纵。特别是，对于买入计划而言，最佳解决方案包括短期高利率交易，以及长期低利率抛售。更糟糕的是，当非线性很强且离散化非常精确时，我们会发现负执行成本。结合我们模型中市场冲击的瞬态特性，这意味着具有纯幂律凹形冲击的非线性瞬态冲击模型允许价格操纵，即。

绕着三圈。5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 1-50510x10-3δCγ=0.42γ=0.44γ=0.46γ=0.48γ=0.50.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 10.020.0250.030.035δCγ=0.42γ=0.44γ=0.46γ=0.48γ=0.5图13：购买程序的SQP算法给出的最优解的成本，其中x=0.1，即市场容量的10%，N=100个子区间，以及上下凹凸函数（d=0.1）。我们使用1000个起点进行每次优化，只考虑（2.6）定义的无动态套利区域中的参数。我们观察到，持有γ固定的预期成本不是δ的单调函数。对于d=0.1，观察到任何γ值的负成本，而对于d=1，我们没有观察到负成本。由于预期收入为正，因此不考虑实际使用这种模型。特别是，这表明[26]中没有价格操纵的条件（2.6）是必要的，但不是有效的。我们还研究了在买（卖）计划中不允许销售（买）的最优单调策略。这种优化是通过一种无导数的直接搜索方法，特别是生成集搜索算法来执行的。在这种情况下，我们消除了交易触发的价格操纵，我们不再看到负的预期成本，并相应地优化了策略。换言之，最好是在几次密集的交易中进行交易，其间有长时间的不交易。最后，我们提出了两种规范化瞬态影响模型的方法，这两种方法都反映了在模型的简单版本中被忽略的市场的重要特征。在第一种方法中，我们添加了价差成本，有效地执行了Lor套索正则化，这将为购买计划带来负面交易。

在交易成本足够高的情况下，最优执行策略不再表现出负的预期成本，最优购买策略变得稀疏而突然，几分钟的强正交易被零或轻微负交易分隔开来。在第二种方法中，我们在市场影响函数中添加了一个凸组件，这使得以高交易率进行交易的成本非常高。我们观察到，如果凸分量足够大，负的预期执行成本将再次消除。我们的结果表明，仍然缺乏一个完全令人满意的市场影响模型，该模型不存在价格操纵，并且与实证观察结果一致，为未来的研究留下了一个富有成果的领域[22]。感谢Dario Trevisan关于变分法的有益讨论。这项研究得到了汇丰控股有限公司的部分支持。附录。1 Dang的定点算法在本节中，我们分析Dang[21]提出的迭代方案，通过求积方法找到方程（3.21）的数值解。Dang考虑幂律冲击函数f（v）=符号（v）|v |δ，其中δ>1。如果我们想研究δ<1的情况，我们应该找到一种方法来处理f′（v）的有限一阶导数v=0的问题。我们定义了市场影响函数^f（v）^f（v）=符号（v）（+|v |）Δ^f′（v）=δ（+|v |）δ的微扰形式-1（A.1），其中扰动由参数0<给出<< 1.通过这种方式，交易率可以假设R上的任何值。我们搜索方程（3.21）的解vi（），其扰动接近于零，即≈ 0.Dang从方程（3.21）中定义一个非线性映射，并从初始猜测vi开始搜索映射的固定点。

这意味着我们有一系列近似解vi，vi，vi，··，收敛到地图的固定点是收敛迭代方案的必要条件[11,17]。迭代方案由TaylorexpansionFij（vm）定义≈ 菲吉虚拟机-1.+vmj- 虚拟机-1jF’ij虚拟机-1., （A.2）我们使用了不同的离散化方法来近似积分方程，包括Dang使用的productNystrom方法[44]。我们发现，我们的结论并不取决于所使用的离散化类型。其中f′ij（v）=（^f′（vj），如果j≤ i^f′（vi），如果j>i（A.3）是方程（3.22）中Fij（v）相对于vj的导数。在Dang之后，我们为每一次迭代求解以下线性系统：Kvm=~c.（A.4）。这定义了一个非线性映射Mvm=K-1.虚拟机-1.~c虚拟机-1.= M虚拟机-1., （A.5）其中kij=GijF′ij虚拟机-1.,~ci=λ-iXj=1Gij菲吉虚拟机-1.-虚拟机-1jF′ij虚拟机-1.. （A.6）我们搜索的解决方案是地图M的固定点，即v*= M（v）*), 如党[21]所言。从最初的猜测开始，我们寻找一个值“m”，其中N维向量vm是m>m的常数向量。一个简单的标量控制是否已达到固定点是平均值，定义为“vm=1/NPNi=1vmi”。为了实施一个程序，确定满足交易总量约束（3.26）的λ值，平均场v也很有用。很明显，对于一般的动态系统，恒定平均场v的条件不能保证固定点的存在，因为也可能存在更复杂的吸引子e。G一个混沌吸引子，其中平均场是常数。在这里，我们只想研究一个必要条件，以便找到非线性映射M的固定点。此外，需要注意的是，映射M的演化不满足方程（3.26）的约束，即。

如果初始点vis在超平面上，当我们迭代映射M时，它可能会超出它。这就是我们应该调整常数λ的原因，以便在一定精度内满足我们的约束。Dang提出的初始猜测vi=v，i、 是一个常数向量，其分量由vf′（v）NXj=1G1j=λ给出。（A.7）原则上，固定点可能取决于我们选择作为解决方案初始猜测的起点V。我们在这个初始猜测的基础上增加了一组均匀分布的初始猜测，在这里我们可以观察到我们的DHAM方法和Dang的定点方法之间的根本区别。DHAM方法基于这样一个观察，即这个动力系统必须被视为一个二维系统；相比之下，Dang开发了一种方法，该方法在tradingrate v.simplex的过去和现在的值之间缺乏相互作用，无法调查不同吸引子的存在。该方法的收敛性由两个参数决定：N和δ。我们对Dang的定点法的收敛性进行了广泛的分析。收敛标准是平均场的相对标准偏差低于某个阈值，通常为10-9.γ=0.5和=0的分析结果如图1所示，但对于的较小值，也得到了类似的结果。我们观察到，当N增加时，收敛的δ值集减小，也就是说，我们有一个δ分钟，在这个δ分钟内，程序不收敛，也就是说，我们没有找到地图M的固定点，见图1。当程序收敛时，解不依赖于初始猜测，即地图M只有一个吸引盆地。此外，收敛速度非常快，在地图的几次迭代中达到固定点。

然而，随着N的增加，Dang的算法只在弱非线性情况下收敛。鉴于我们对Dang算法确实收敛的情况的关注，使用Dang算法获得的解与使用我们提出的DHAM和SQP方法获得的解相比如何？在图14中，我们报告了非常弱的非线性情况的结果，其中n=100，T=1，X=0.1，γ=0.5，δ=0.95，=10-6.我们发现，在这种情况下，Dang方法收敛得非常快（右图），并且该解基本上与使用DHAM方法得到的解一致（左图）。使用SQPalgorithm的数值优化解是振荡的，在正交易率和负交易率之间交替。总之，Dang的算法仅在弱非线性和/或时间间隔的离散化非常粗糙的情况下收敛。当Dang方法收敛时，解与本文提出的DHAM方法得到的解非常接近。然而，Dhamap方法不仅适用于Dang算法收敛的弱非线性区域，而且适用于强非线性区域。A.2同伦导数如第3节所述，所谓同伦导数用于推导方程（3.8）中大于一阶的变形方程，即计算m>1时的vm。这样的计算很困难，因为它们依赖于非线性算子N。对于我们的问题，我们需要计算幂律函数的同伦导数。具有整数指数的非线性幂律函数，即f（φ）=φk，k∈ N，由Molabahrami和Khani[40]研究，以找到Burgers-Huxley方程的近似解。Wang等人[50]研究了真实幂律指数的情况，分析了幂律流体膜在不稳定拉伸表面上的流动。

我们的例子（2.12）比简单的幂律函数更复杂。Turkyilmazoglu[48]和Liao[33]给出的最新结果显示了如何计算任何光滑函数的同伦导数。同伦导数edm[f（φ）]=（1/m！）mf（φ）/pmi由递推关系dm[f（φ）]=m给出-1Xk=01.-公里Dm-k[φ]φDk[f（φ）], （A.8）0.5 1-0.500.511.522.533.5x 10-3第0 10 20 30 40 500.09980.09980.09990.09990.10.10.1001m次迭代“VSQPDHAM固定点图14：左面板。弱非线性区域中使用危险定点法、DHAM和theSQP法的最优解：γ=0.5，δ=0.95，N=100，T=1，X=0.1。右面板报告了定点法的平均场vm与aVWAP初始猜测和λ=2.87的快速收敛* 10-3.请注意，初始猜测超出了迭代过程开始时的限制。在p=0时进行评估。该和由两个同伦导数项组成。第一个是虚拟机-k、 第二项给出了向量的多项式项，它乘以fi（v），i=1，····，m，在初始猜测时计算的导数。如果市场影响函数f的形式为f（v）∝ 当δ<1时，所有这些导数在v=0时发散。如第3节所述，我们通过选择初始猜测是时间的严格正（或负）函数来避免这个问题。使用它们- 方程（A.8）的一阶在方程（3.9）中，我们可以将第m个同伦导数表示为前m个同伦导数的复杂函数- 1.衍生产品。为了在HAM框架中处理方程（2.12）的非线性，我们需要进一步的步骤。交易利率的过去值和未来值之间的耦合意味着我们必须将我们的问题视为一个二维系统。

这意味着我们使用由两个变量[33]描述的系统的同伦导数，例如u和w，其中我们在它们之间有一个非线性耦合，由f（u，w）Dm[f（φ，ψ）]=m给出-1Xk=01.-公里嗯-kDkf（φ，ψ）φ+1.-公里西医-kDkf（φ，ψ）ψ, （A.9）其中φ，ψ分别是u，w的麦克劳林级数。因此，假设方程（2.12）的表达式为F（v（s），v（t）），我们可以使用方程（A.9）并选择一个具有给定符号的函数作为初始猜测，将HAM应用于我们的最优执行问题。参考文献[1]Abbasbandy，S.，Shivanian，E.，Vajravelu，K.，数学性质h-同伦分析法框架中的曲线。诺林耳损伤。数字。模拟。16(2011) 4268–4275.[2] 《非线性分析法》（Abbasah，2010年）第11期，Kawrea-307页。[3] Abergel F.，Bouchaud J.-P.，Foucault T.，Lehalle C.-A.，Rosenbaum M.，市场话筒结构：面对许多观点（威利金融系列，帕德斯托，康沃尔，英国，2012）。[4] 《粘弹性流体的磁流体动力学流动》，阿基耶尔迪兹，F.T.，K.金刚拉维鲁，PhysicsLetters a 372（2008）3380–3384。[5] Alfonsi，A.，和Schied，A.，通过singularcontrol实现完全单调核的电容测量，暹罗J.控制优化M.51（2013）1758–1780。[6] A.阿方西、A.希伊德和A.斯林科著，《订单弹性、价格操纵和正向投资组合问题》，预印本可在SSRN（2009）上获得。[7] R.阿尔姆格伦和N.克里斯，《清算中的价值》，风险12（1999）61-63。[8] R.阿尔姆格伦和N.克里斯，《投资组合交易的最佳执行》，J.风险3（2000）5-39。[9] 阿尔姆格伦，R.，具有非线性影响函数和交易增强的最优执行，应用。数学

财务10（2003）1-18。[10] Bacry，E.，Iuga，A.，Lasnier，M.，和Lehalle，C.-A.，市场影响和投资者订单的生命周期，http://arxiv.org/abs/1412.0217 (2014).[11] 伯杰，M.S.，非线性与泛函分析，数学分析中的非线性问题讲座。学术出版社（伦敦）有限公司（1977年）。[12] Bertsimas，D.和Lo，A.《执行成本的最佳控制》，金融市场杂志1（1998）1-50。[13] Bouchaud，J.-P.，Farmer，J.D.和Lillo，F.，市场如何慢慢消化供求变化。在T.亨斯和K编辑的《金融市场手册：动态和演变》中。申克·霍普（2008），学术出版社：纽约。[14] Bouchaud，J.-P.，Kockelkoren，J.，Potters，M.，随机游走，流动性糖蜜和金融市场的关键反应，定量金融6（2006）115–123。[15] Bouchaud，J.-P.，Gefen，Y.，Potters，M.和Wyart，M.，《金融市场的波动和响应：“随机”价格变化的微妙性质》，数量金融4（2004）176–190。[16] J.布罗迪、I.多贝奇斯、C.德莫尔、D.吉安诺和I.洛里斯，《稀疏和稳定的马尔科维茨投资组合》，PNAS 106（2009）12267–12272。[17] Browder，F.E.，希尔伯特空间中非线性映射不动点的构造，数学分析与应用杂志20（1967）197–228。[18] Brown，K.S.和Sethna，J.P.，《具有许多未知参数的模型的统计力学方法》，物理版E 68（2003）021904-1–021904-9。[19] Busseti，E.和Lillo，F.，《存在暂时性市场影响时金融交易最佳执行的校准》，J.Stat.Mech。（2012）P09010。[20] 蒋介石，A.C。。数学经济学的基本方法。麦格劳·希尔公司（1984年）。[21]当，N。

M.，具有瞬态影响的最佳执行，（2014）ssrn-id2183685。[22]Donier，J.，Bonart，J.，Mastromatteo，I.，和Bouchaud，J.-P.，一个完全一致的，最小的非线性市场影响模型，http://arxiv.org/abs/1412.0141v2 (2014).[23]Gathereal，J.，Schied，A.和Slynko，A.，瞬时线性价格影响和Fredholm积分方程，数学金融22（2012）445–474。[24]Gathereal，J.，Schied，A.和Slynko，A.，《市场影响的指数恢复力和衰退》，经济物理的订单驱动市场，柏林斯普林格，225–236（2011）。[25]Gathereal，J.，Schied，A.，市场影响的动态模型和订单执行算法，摘自《系统风险手册》（J.-P.Fouque和J.A.Langsam编辑），剑桥大学出版社2013年。[26]Gatheral，J.，无动态套利和市场影响，Q uan titative Finance 10（2010）749–759。[27]Hetmaniok，E.，S lota，D.，Trawi\'nski，T.，Witu la，R.，使用同伦分析方法求解第二类非线性和线性积分方程，Numer。阿尔戈。67(2014) 163–185.[28]Kolda，T.G.，Lewis，R.M.和Torczon，V.，线性约束优化发电机组搜索的平稳性结果，暹罗优化杂志17（2006）943–968。[29]Kolda，T.G.，Lewis，R.M.和Torczon，V.，直接搜索优化：一些经典和现代方法的新视角，暹罗评论45（2003）385–482。[30]廖，S.，关于非线性问题的同伦分析方法，应用数学与计算147（2004）499–513。[31]廖，S.，同伦分析方法注释：一些定义和定理，Common。非线性Sci数值。模拟。14 (2009) 983–997.[32]廖，S.，超越扰动：同伦分析方法介绍。博卡·拉顿：查普曼厅CRC/出版社；(2003).[33]廖，S.，非线性微分方程中的同伦分析方法。

斯普林格（2012）。[34]Lillo，F.，Farmer，J.D.和Mantegna，R.N.，价格影响函数主曲线，自然421（2003）129-130。[35]Liu，C.-S.，作为同伦分析方法基础的广义泰勒定理的本质，Commun。非线性Sci。数字。模拟。16 (2011) 1254–1262.[36]马格努斯，J.R.，纽代克，H。。矩阵微分微积分在统计学和计量经济学中的应用，第3版。约翰·威利父子有限公司（2007年）。[37]MathWorks公司的优化工具箱用户指南，1990-2012年[38]MathWorks公司的全局优化工具箱用户指南，2004-2012年[39]MathWorks公司的并行计算工具箱用户指南，2004-2012年[40]Molabahrami，A.，Khani，F.，求解Burgers-Huxleyequation的同伦分析方法，非线性分析：现实世界应用10（2009）589–600。[41]Obizhaeva，A.A.，Wang，J.，最优交易策略和供需动态，金融市场杂志16（2013）1-32。[42]Polyanin，A.D.，Manzhirov，A.，积分方程手册，第二版。查普曼和霍尔/CRC（2008）。[43]Predoiu，S.，Shaikhet，G.，Shreve，S.，一般单边限额订单中的最优执行，暹罗金融数学杂志2（2011）183-212。[44]出版社，W.H.，Teukolsky，S.A.，Vetterling，W.T.，Flannery，B.P.，数字配方第三版：科学计算的艺术，剑桥大学出版社，第三版（2007年）。[45]S\'anchez，D.A.，基于卷积积的积分的变分法，Annalidella Sc uola Normale Superiore di Pisa，Classe di Scienze（3）18（1964）233–254。[46]S\'anchez，D.A.，变异演算中的一些存在定理，太平洋数学杂志19（1966）357–363。[47]S\'anchez，D。

A.，关于依赖于卷积积的积分的极值，数学分析和应用杂志11（1965）213–216。《应用数学》（GluYis26-2010）Lettery分析。[49]Verma，A.，Schug，A.，Lee，K.H.，Wenzel，W.，全原子蛋白质折叠的盆地跳跃模拟，化学物理杂志124（2006）044515。[50]Wang，C.，Pop，I.，利用同伦分析方法分析幂律流体膜在非稳定拉伸表面上的流动，J.非牛顿流体力学。138 (2006)161–172.[51]瀑布，J.J.，凯西，F.P.，古滕昆斯特，R.N.，布朗，K.S.，迈尔斯，C.R.，布鲁沃，P.W.，埃尔瑟，V.，和塞希纳，J.P.，草率模型普遍性类和范德蒙矩阵，物理评论信函97（2006）150601-1–150601-4。[52]Wazwaz A.-M.，线性和非线性积分方程，方法和应用。SpringServerLag（2011）。[53]Weinberger，E.，相关和不相关的健身景观以及如何区分差异，Biol。C.伊本。63 (1990) 325-336.[54]Weinberger，E.D.，考夫曼N-k模型的本地属性：一个可调节的崎岖能源景观，物理重温A 44（1991）6399-6413。[55]凯尔，A.S.，持续拍卖和内幕交易，计量经济学（1985）1315–1335。[56]Zarinelli，E.，Treccani，M.，Farmer，J.D.，和Lillo，F.，超越平方根：市场影响对规模和参与率对数依赖性的证据，http://arxiv.org/abs/1412.2152v1 (2014).