3、VWAP实战计算：使用Python计算单只股票的日级VWAP、处理缺失数据与异常值、VWAP的滚动计算实现

好了，咱们直接进入正题。VWAP这个指标，说白了就是「用成交量给价格加权」。你想想看，如果一只股票全天成交了1000万股，其中800万股是在10块钱成交的，那这个10块钱显然比尾盘那几笔小单子更有代表性。VWAP要抓的就是这个「真实成交重心」。

我个人习惯把VWAP当作日内交易的「锚」。价格在VWAP上方，说明多头占优；在下方，空头控场。但前提是——你得算得准。今天我就带你手撸一遍Python实现，把那些坑都踩平了。

3.1 日级VWAP的标准公式

先上公式，别嫌简单：

VWAP = Σ(价格 × 成交量) / Σ(成交量)

这里的「价格」通常用成交均价，也就是 (开盘+最高+最低+收盘)/4，或者直接用收盘价。我个人更推荐用均价，因为能平滑掉一些极端波动。

举个例子：

时间	均价	成交量	价格×成交量
09:30	10.02	50000	501000
10:00	10.05	80000	804000
10:30	10.01	30000	300300
合计	-	160000	1605300

VWAP = 1605300 / 160000 = 10.033。嗯，比简单均价10.027略高一点，因为成交量大的那笔价格更高。

3.2 Python实现：从数据到VWAP

直接上代码。我用的是pandas，因为处理时间序列太方便了。

import pandas as pd
import numpy as np

# 模拟一分钟级别的行情数据
data = {
    'time': pd.date_range('2024-01-15 09:30', periods=240, freq='1min'),
    'open': np.random.uniform(10.0, 10.5, 240),
    'high': np.random.uniform(10.2, 10.8, 240),
    'low': np.random.uniform(9.8, 10.3, 240),
    'close': np.random.uniform(10.0, 10.6, 240),
    'volume': np.random.randint(1000, 50000, 240)
}

df = pd.DataFrame(data)

# 计算每根K线的均价
df['avg_price'] = (df['open'] + df['high'] + df['low'] + df['close']) / 4

# 计算价格×成交量
df['pv'] = df['avg_price'] * df['volume']

# 计算累计值
df['cum_pv'] = df['pv'].cumsum()
df['cum_vol'] = df['volume'].cumsum()

# 计算VWAP
df['vwap'] = df['cum_pv'] / df['cum_vol']

print(df[['time', 'avg_price', 'volume', 'vwap']].head())

跑完这段代码，你会看到VWAP从开盘价附近开始，随着交易进行逐渐稳定。这就是VWAP的特性——越到收盘，越难被大单拉偏。

3.3 处理缺失数据：别让空值毁了你的VWAP

真实数据哪有那么干净？我遇到过最离谱的情况——某只股票下午开盘后连续30分钟没有成交。你想想看，如果直接跳过这些时间点，累计成交量就断了，VWAP会突然跳变。

我的处理思路是这样的：

1. 识别缺失时段：检查时间序列是否连续
2. 填充策略：用前一笔的VWAP填充，或者用插值法
3. 成交量处理：缺失时段成交量设为0，不影响累计

# 检查是否有缺失时间
full_time = pd.date_range('2024-01-15 09:30', periods=240, freq='1min')
df = df.set_index('time').reindex(full_time)

# 填充均价：用前向填充
df['avg_price'] = df['avg_price'].ffill()

# 成交量缺失的填0
df['volume'] = df['volume'].fillna(0)

# 重新计算VWAP
df['pv'] = df['avg_price'] * df['volume']
df['cum_pv'] = df['pv'].cumsum()
df['cum_vol'] = df['volume'].cumsum()
df['vwap'] = df['cum_pv'] / df['cum_vol']

3.4 异常值处理：别被「乌龙指」带偏

有一次我回测一个VWAP策略，发现某天VWAP突然飙升了2%。查了半天，原来是某笔成交价格是正常价的3倍——典型的「乌龙指」或者数据错误。

怎么处理？我总结了三个步骤：

• 价格异常：用布林带或Z-score检测，超出3倍标准差就标记
• 成交量异常：单笔成交量超过日均量10倍，大概率是数据合并错误
• 处理方式：直接剔除该笔数据，或者用前后均值替换

# 用Z-score检测价格异常
from scipy import stats

z_scores = np.abs(stats.zscore(df['avg_price']))
df['price_outlier'] = z_scores > 3

# 替换异常价格：用前一个正常值
df.loc[df['price_outlier'], 'avg_price'] = np.nan
df['avg_price'] = df['avg_price'].ffill()

# 重新计算VWAP
df['pv'] = df['avg_price'] * df['volume']
df['cum_pv'] = df['pv'].cumsum()
df['cum_vol'] = df['volume'].cumsum()
df['vwap'] = df['cum_pv'] / df['cum_vol']

嗯，这里要注意：剔除异常值后一定要重新计算累计值，否则VWAP会偏离真实值。

3.5 VWAP的滚动计算：捕捉日内动态变化

日级VWAP是静态的，但很多时候我们需要看「过去N笔」或者「过去N分钟」的VWAP。比如，我想知道最近1小时的成交重心在哪里。

滚动VWAP的计算逻辑：

# 滚动窗口为60分钟（1小时）
window = 60

# 计算滚动累计值
df['rolling_pv'] = df['pv'].rolling(window=window, min_periods=1).sum()
df['rolling_vol'] = df['volume'].rolling(window=window, min_periods=1).sum()

# 滚动VWAP
df['rolling_vwap'] = df['rolling_pv'] / df['rolling_vol']

# 对比日级VWAP和滚动VWAP
print(df[['time', 'vwap', 'rolling_vwap']].tail(10))

滚动VWAP比日级VWAP敏感得多。我曾在实盘中发现，当滚动VWAP和日级VWAP出现背离时，往往是短期趋势反转的信号。

3.6 知识体系总览

下面这张图帮你理清本章的核心逻辑：

从这张图能看出来，VWAP计算的核心其实就三步：数据预处理、累计计算、多维度输出。但每一步都有坑，尤其是数据质量这块，我吃过不少亏。

好了，这一章的内容就到这里。代码你拿去跑一跑，把数据换成真实的日线或分钟线，感受一下VWAP的稳定性。下一章我们会聊TWAP——那个看起来简单，但实际坑更多的算法。

---

公众号:蓝海资料掘金营，微信deep3321