3. VWAP策略原理：成交量加权平均价格的计算逻辑、时间切片与成交量预测
VWAP，全称是Volume-Weighted Average Price，成交量加权平均价格。说白了，它就是一个“谁交易得多，谁说了算”的平均价。
我刚开始做量化那会儿，总觉得VWAP就是个简单的均价计算。后来在实盘中吃过亏，才发现里面的门道比想象中深得多。今天咱们就把它的计算逻辑、时间切片和成交量预测这三个核心问题彻底讲透。
3.1 VWAP的计算逻辑：别被公式吓到
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“价格乘以成交量”加起来，再除以总成交量。你想想看，这不就是加权平均嘛。
但这里有个关键点：VWAP是累积计算的。从开盘第一笔交易开始，到当前时刻，所有成交数据都要参与计算。
举个例子：
| 时间 | 价格 | 成交量 | 价格×成交量 | 累计成交量 | VWAP |
|---|---|---|---|---|---|
| 09:30:01 | 100.0 | 500 | 50,000 | 500 | 100.00 |
| 09:30:05 | 100.5 | 300 | 30,150 | 800 | 100.19 |
| 09:30:10 | 99.8 | 700 | 69,860 | 1,500 | 100.01 |
看到没？随着新交易进来，VWAP会不断更新。我习惯把这个过程叫做“价格在成交量中游泳”——成交量越大，对VWAP的影响就越大。
核心要点：VWAP不是预测未来的指标，而是对过去成交情况的“加权总结”。它反映的是市场参与者真实的平均成交成本。
3.2 时间切片：把一天切成几块？
VWAP的计算需要时间切片。为什么？因为真实交易中，我们不可能等所有成交都完成再算——那黄花菜都凉了。
常见的切片方式有两种：
- 固定时间切片：比如每5分钟、每30分钟切一次。简单粗暴，但容易忽略盘中的活跃期。
- 成交量驱动切片：比如每累计成交10万手切一次。更贴近市场节奏，但实现起来麻烦点。
我个人更推荐第二种。为什么呢？
有一次我在做A股的VWAP策略，用固定5分钟切片。结果发现上午10:00-10:30那段时间，成交量特别大，但我的切片却把这段时间分成了6个等份，每个切片里的成交量差异巨大。后来改成成交量驱动切片，效果明显好了很多。
我的经验：对于流动性好的股票（比如茅台、宁德时代），建议用成交量驱动切片，每切片成交量设为总成交量的5%-10%。对于流动性差的股票，固定时间切片反而更稳定。
时间切片还有一个作用：计算切片VWAP。每个切片内单独算一个VWAP，然后把这些切片VWAP连起来，就形成了VWAP曲线。这条曲线就是策略的“锚”。
3.3 成交量预测：VWAP策略的灵魂
VWAP策略的核心，其实是成交量预测。为什么？
你想想看，VWAP是累积的。如果你不知道未来还有多少成交量，你怎么知道当前价格相对于最终VWAP是高了还是低了？
成交量预测的方法有很多，我挑几个常用的说说：
3.3.1 历史分布法
最简单的方法。统计过去N天每个时间切片的成交量占比，然后取平均。
# 伪代码示例
def predict_volume_histogram(stock_code, date, slice_minutes=5):
# 取过去20天的数据
hist_data = get_hist_data(stock_code, date-20, date-1)
# 计算每个时间切片的成交量占比
slice_ratios = []
for day in hist_data:
day_slices = slice_by_time(day, slice_minutes)
total_vol = sum(day_slices)
ratios = [vol/total_vol for vol in day_slices]
slice_ratios.append(ratios)
# 取平均
avg_ratios = np.mean(slice_ratios, axis=0)
return avg_ratios这个方法有个坑：节假日效应。我曾经在国庆节前用这个方法预测，结果预测的成交量分布和实际差了30%以上。因为节前大家交易意愿低，历史分布完全失效了。
避坑指南：使用历史分布法时，一定要剔除异常交易日（比如财报日、分红日、重大消息日）。我一般会保留过去20个“正常”交易日的数据。
3.3.2 实时修正法
这个方法更聪明一些。它不依赖历史，而是根据当前已经发生的成交量，动态调整预测。
核心逻辑是：如果今天前30分钟成交量比历史均值高了20%，那么后面每个切片的预测值也相应上调20%。
def realtime_adjustment(hist_ratios, current_vol, current_slice_idx):
# 计算当前已发生切片的实际成交量占比
actual_ratio = current_vol / total_predicted_vol
# 计算历史对应切片的平均占比
hist_ratio = sum(hist_ratios[:current_slice_idx+1])
# 调整系数
adjust_factor = actual_ratio / hist_ratio
# 调整后续切片的预测
adjusted_ratios = hist_ratios.copy()
for i in range(current_slice_idx+1, len(adjusted_ratios)):
adjusted_ratios[i] *= adjust_factor
return adjusted_ratios这个方法我用了很久，效果不错。但要注意：调整系数不能太激进。我一般会加一个上下限，比如0.7到1.3之间，防止单日异常数据把预测带偏。
3.3.3 机器学习法
如果你有足够的数据和算力，可以试试机器学习。特征可以包括：
- 时间特征（星期几、是否月末、是否季末）
- 市场特征（大盘涨跌幅、板块热度）
- 个股特征（过去N日成交量、波动率）
不过说实话，我在实盘中很少用机器学习做成交量预测。原因很简单：成交量受太多随机因素影响，模型很容易过拟合。有一次我用LSTM模型预测，回测时漂亮得很，一上实盘就崩了。
我的建议：对于大多数交易场景，历史分布法+实时修正法已经够用了。机器学习可以作为辅助，但别把它当主力。
3.4 VWAP策略的核心逻辑图
下面这张图，是我自己总结的VWAP策略核心流程。你看一眼就能明白整个逻辑链条：
这张图把整个流程串起来了：行情数据进来 → 切成时间片 → 预测未来成交量 → 计算VWAP → 输出交易信号。每一步都环环相扣，缺一不可。
3.5 几个容易踩的坑
最后，分享几个我在实战中踩过的坑：
- 开盘价处理：开盘第一笔成交的价格和成交量，对全天VWAP影响很大。我习惯在开盘后等3-5分钟再启动策略，等数据稳定了再说。
- 大单冲击：突然出现一笔超大单，会瞬间拉偏VWAP。我的做法是：如果单笔成交量超过总成交量的5%，就把它当作异常值过滤掉。
- 收盘前效应：A股收盘前最后几分钟，经常有大量成交。如果预测模型没考虑到这一点，VWAP会严重偏离实际。
嗯，VWAP策略的原理就讲到这里。说白了，它就是一个“跟着成交量走”的均价策略。计算逻辑不难，难的是成交量预测和时间切片的选择。这部分内容，在实际交易中会反复用到，建议你多动手写写代码试试。