4. 成交量加权平均价格算法（VWAP）

VWAP，全称是 Volume-Weighted Average Price。说白了，就是把你拆单的成交价格，用成交量做权重算个平均值。我刚开始做算法交易那会儿，觉得这东西不就是个均线吗？后来真上了生产环境才发现，VWAP 在机构交易里几乎是标配。

为什么？因为大资金进场，最怕的就是「吃相难看」。你一单砸下去，价格直接拉飞，成本全打水漂。VWAP 的核心思想就是：让我的成交价尽量贴近市场的全天均价。这样既完成了大额交易，又不至于被市场当成「猎物」盯上。

4.1 VWAP 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，就是每个成交价乘以对应的成交量，累加起来，再除以总成交量。这个值从开盘开始，随着每一笔交易动态更新。

举个例子：

时间	成交价	成交量	价格×成交量
09:30	10.00	1000	10000
09:31	10.02	2000	20040
09:32	10.01	1500	15015
累计		4500	45055

到 09:32 这一刻，VWAP = 45055 / 4500 ≈ 10.0122。你想想看，如果你在 09:32 之前买入，平均成本是 10.0122，那你的执行效果就算「跟上了 VWAP」。

我个人习惯把 VWAP 理解成「市场的公平价格线」。它不像收盘价那样受尾盘操纵影响，也不像开盘价那样容易被跳空干扰。它是一整天所有参与者用真金白银投票出来的结果。

4.2 VWAP 实现

实现 VWAP 策略，核心就两步：

1. 预测全天的成交量分布 —— 你得知道什么时候该多下点单，什么时候该歇一歇。
2. 按比例拆分订单 —— 把大单切成小单，按照预测的成交量曲线逐步喂给市场。

下面是一个简化版的 Python 实现。我当年在回测系统里就是这么写的：

import pandas as pd
import numpy as np

class VWAPExecutor:
    def __init__(self, total_shares, start_time, end_time):
        self.total_shares = total_shares
        self.start_time = start_time
        self.end_time = end_time
        self.executed_shares = 0
        self.executed_value = 0.0
        
    def get_volume_profile(self, minute_bars):
        """
        根据历史分钟线，预测今天的成交量分布
        """
        # 计算每分钟成交量占全天比例
        total_volume = minute_bars['volume'].sum()
        minute_bars['volume_ratio'] = minute_bars['volume'] / total_volume
        return minute_bars
        
    def get_target_shares(self, current_minute, volume_profile):
        """
        当前分钟应该下单多少股
        """
        ratio = volume_profile.loc[current_minute, 'volume_ratio']
        target = self.total_shares * ratio
        return int(target)
        
    def execute(self, market_data):
        """
        主执行逻辑
        """
        volume_profile = self.get_volume_profile(market_data)
        
        for minute, row in market_data.iterrows():
            target = self.get_target_shares(minute, volume_profile)
            
            # 实际成交逻辑（这里简化了）
            fill_price = row['close']
            fill_shares = min(target, market_data.loc[minute, 'volume'])
            
            self.executed_shares += fill_shares
            self.executed_value += fill_price * fill_shares
            
            # 检查是否完成
            if self.executed_shares >= self.total_shares:
                break
                
        # 计算实际 VWAP
        actual_vwap = self.executed_value / self.executed_shares
        return actual_vwap

4.3 VWAP 优缺点

任何策略都不是万能的。VWAP 也一样，有它的甜区，也有它的盲区。

优点

• 执行成本可控：你的成交价天然贴近市场均价，不容易被「割韭菜」。
• 市场冲击小：把大单拆成小单，按时间均匀释放，不会把价格打飞。
• 评价标准清晰：VWAP 本身就是一个 benchmark。你跑赢了 VWAP，说明执行做得好。
• 适合被动型策略：如果你不急着抢单，只想低调完成交易，VWAP 很合适。

缺点

• 对成交量预测依赖大：预测不准，你的拆分比例就全歪了。
• 无法应对极端行情：比如闪崩、熔断，VWAP 策略会「傻傻地」继续下单。
• 不适合抢单策略：如果你需要快速建仓或者逃顶，VWAP 太慢了。
• 日内波动大时效果差：价格上蹿下跳，VWAP 只能保证平均，不能保证最优。

4.4 VWAP 适用场景

VWAP 不是万能药，但它有几个非常明确的适用场景：

• 指数基金调仓：比如某 ETF 要调整成分股，基金经理需要买入/卖出大量股票。用 VWAP 可以平滑执行，避免冲击成本。
• 机构大单交易：保险、养老金这类资金，单笔交易动辄几千万。VWAP 是他们的首选。
• 算法交易基准：很多券商的算法交易系统，默认就是以 VWAP 为基准来评价执行效果。
• 日内做市商：做市商需要频繁买卖，VWAP 可以帮助他们控制库存风险。

你想想看，如果一个散户用 VWAP 策略去买 100 股茅台，那纯属杀鸡用牛刀。但如果你要买 10 万股，嗯，VWAP 就是你的好朋友。

4.5 VWAP 核心逻辑图

下面这张图，是我当年做内部培训时画的。它把 VWAP 的整个流程串起来了：

这张图把 VWAP 的执行流程讲得很清楚了。从大单指令进来，到最终输出实际成交 VWAP，中间每一步都有讲究。我个人觉得，最关键的还是第二步——成交量预测。预测准了，后面都是水到渠成的事。

---

好了，VWAP 的基本原理、实现、优缺点和适用场景，咱们就聊到这儿。下一章我会讲 TWAP（时间加权平均价格算法），它和 VWAP 是「亲兄弟」，但思路完全不同。到时候咱们再细聊。