第四节：成交量加权平均价格算法（VWAP）

VWAP，全称 Volume-Weighted Average Price。说白了，就是按成交量来算平均成交价。

我刚开始做算法交易时，总觉得这玩意儿不就是个均线吗？后来真上了实盘才发现，VWAP 和普通均线完全是两码事。普通均线看的是时间，VWAP 看的是钱——哪里的钱多，哪里的价格权重就大。

4.1 VWAP 的核心原理

VWAP 的计算公式其实很简单：

VWAP = Σ(价格 × 成交量) / Σ(成交量)

嗯，就是每一笔成交的价格乘以该笔的成交量，累加起来，再除以总成交量。

举个例子：

• 第一笔：10元成交100股 → 贡献值 10×100 = 1000
• 第二笔：11元成交200股 → 贡献值 11×200 = 2200
• 第三笔：9元成交50股 → 贡献值 9×50 = 450

总贡献值 = 1000 + 2200 + 450 = 3650，总成交量 = 100 + 200 + 50 = 350，VWAP = 3650 / 350 ≈ 10.43元。

你看，第二笔成交量最大，所以它的价格11元对最终结果影响最大。这就是VWAP的核心理念——谁量大，谁说了算。

4.2 VWAP 的实现步骤

实现 VWAP 算法，我一般分三步走：

1. 获取历史成交量分布——知道什么时间段流动性好
2. 计算目标成交量曲线——把总订单按历史比例分配到每个时间片
3. 执行并动态调整——根据实时成交情况修正后续下单量

下面是我常用的一个简化版实现：

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

class VWAPExecutor:
    def __init__(self, total_shares, start_time, end_time, history_data):
        """
        total_shares: 总委托股数
        start_time, end_time: 交易时间段
        history_data: DataFrame，包含历史每分钟的成交量
        """
        self.total_shares = total_shares
        self.start_time = start_time
        self.end_time = end_time
        self.history_data = history_data
        
        # 已成交量和已花费时间
        self.executed_shares = 0
        self.elapsed_minutes = 0
        
    def _calculate_volume_profile(self):
        """计算历史成交量分布比例"""
        total_volume = self.history_data['volume'].sum()
        self.volume_profile = self.history_data['volume'] / total_volume
        return self.volume_profile
    
    def _get_target_shares(self, minute_index):
        """获取当前分钟应该下单的目标股数"""
        if minute_index >= len(self.volume_profile):
            return 0
        
        # 理论目标 = 总股数 × 该分钟历史占比
        target = self.total_shares * self.volume_profile.iloc[minute_index]
        
        # 动态调整：如果之前落后了，这里补上
        expected_executed = self.total_shares * (
            self.volume_profile.iloc[:minute_index].sum()
        )
        deviation = expected_executed - self.executed_shares
        
        # 调整后的目标
        adjusted_target = target + deviation * 0.3  # 0.3是调整系数
        return max(0, int(adjusted_target))
    
    def execute(self, market_data_stream):
        """执行VWAP算法"""
        self._calculate_volume_profile()
        
        for minute_index, market_data in enumerate(market_data_stream):
            target = self._get_target_shares(minute_index)
            
            if target <= 0:
                continue
            
            # 这里用拆单逻辑把target拆成更小的订单
            # 实际项目中我会用TWAP再拆一次
            actual_executed = self._send_order(target, market_data)
            
            self.executed_shares += actual_executed
            self.elapsed_minutes += 1
            
            # 检查是否完成
            if self.executed_shares >= self.total_shares:
                break
    
    def _send_order(self, shares, market_data):
        """发送订单（简化版）"""
        # 实际项目中这里会对接交易接口
        # 返回实际成交的股数
        return shares  # 假设全部成交

4.3 VWAP 与 TWAP 的对比

TWAP 是 Time-Weighted Average Price，按时间平均分配。VWAP 是按成交量分配。两者有什么区别？我画个图你就明白了。

从图上你能看到：TWAP 像一条直线，每个时间点下单量都一样。VWAP 则跟着市场成交量走——市场活跃时多下，市场冷清时少下。

我把两者的核心区别整理成了一张表：

对比维度	VWAP	TWAP
分配依据	历史成交量分布	时间均匀分配
市场冲击	较低（跟随流动性）	较高（可能逆流动性）
执行成本	接近市场均价	可能偏离均价
适用场景	大单、流动性好的股票	小单、流动性差的股票
实现复杂度	较高（需要历史数据）	较低（只需时间计算）
对市场变化的适应性	强（可动态调整）	弱（固定节奏）

4.4 什么时候用 VWAP，什么时候用 TWAP？

我个人的经验是：

• 大盘蓝筹股、成交活跃的品种——用 VWAP。流动性好，历史数据有参考价值，VWAP 能帮你吃到流动性的红利。
• 小盘股、流动性差的品种——用 TWAP 或者干脆手动拆单。因为历史成交量分布可能不稳定，VWAP 反而会误导你。
• 市场剧烈波动时——两个都不好用。这时候我倾向于暂停算法，等市场稳定了再继续。

其实很多机构是把两者结合用的。比如用 VWAP 决定每个小时的下单量，再用 TWAP 把每个小时内的订单均匀打出去。这样既跟上了流动性，又避免了在某一分钟内集中下单。

---