4. VWAP计算实现：Python实现标准VWAP、滚动VWAP计算、累计VWAP计算

好了，咱们直接进入正题。VWAP的计算，说白了就是「价格 × 成交量」的加权平均。听起来简单，但实际写代码时，不同场景下的实现方式差别还挺大。我最早做这个的时候，以为一个公式就能搞定所有，结果被实盘数据狠狠教育了一回。

今天咱们就一次性把三种最常见的VWAP计算方式讲透：标准VWAP、滚动VWAP、累计VWAP。每种我都会给出完整的Python实现，并附上我踩过的坑。

4.1 标准VWAP：最基础，也最容易出错

标准VWAP，就是整个交易时段内，从开盘到当前时刻的加权平均价格。公式很简单：

VWAP = Σ(价格 × 成交量) / Σ(成交量)

但注意，这里的「价格」通常用成交均价，而不是收盘价。我见过不少新手直接用收盘价算，结果偏差很大。

来看代码：

import pandas as pd
import numpy as np

def standard_vwap(df):
    """
    计算标准VWAP（从开盘到当前时刻）
    df: 包含 'price', 'volume' 列的DataFrame
    """
    # 计算价格×成交量的累计和
    df['pv'] = df['price'] * df['volume']
    df['cum_pv'] = df['pv'].cumsum()
    df['cum_vol'] = df['volume'].cumsum()
    
    # VWAP = 累计价格×成交量 / 累计成交量
    df['vwap'] = df['cum_pv'] / df['cum_vol']
    
    return df
💡 个人经验： 我习惯用cumsum()而不是手动循环，因为Pandas的向量化操作快得多。但要注意，如果数据量特别大（比如百万级tick数据），cumsum()的精度可能会丢。这时候我会用np.float64来存中间结果。

4.2 滚动VWAP：捕捉短期趋势的关键

滚动VWAP，也叫滑动窗口VWAP。它只取最近N笔交易或最近N分钟的数据来计算。这个在日内高频交易里特别有用——标准VWAP太「迟钝」了，滚动VWAP能更快反映价格变化。

举个例子：假设你设置窗口为20笔交易，那么每来一笔新交易，就踢掉最旧的那一笔，重新算一次加权平均。

实现方式有两种：

def rolling_vwap_loop(df, window=20):
    """
    滚动VWAP - 循环实现（适合小数据量）
    """
    df['vwap_rolling'] = np.nan
    
    for i in range(window, len(df)+1):
        window_data = df.iloc[i-window:i]
        pv_sum = (window_data['price'] * window_data['volume']).sum()
        vol_sum = window_data['volume'].sum()
        df.loc[df.index[i-1], 'vwap_rolling'] = pv_sum / vol_sum
    
    return df

def rolling_vwap_vectorized(df, window=20):
    """
    滚动VWAP - 向量化实现（推荐，大数据量用这个）
    """
    df['pv'] = df['price'] * df['volume']
    df['cum_pv'] = df['pv'].rolling(window=window).sum()
    df['cum_vol'] = df['volume'].rolling(window=window).sum()
    df['vwap_rolling'] = df['cum_pv'] / df['cum_vol']
    
    return df
⚠️ 注意： 滚动窗口的第一个window-1行会是NaN。我曾经在回测时忘了处理这个，结果前几天的信号全是空的，白白浪费了半天的调试时间。建议用fillna()或者直接丢弃前window行。

4.3 累计VWAP：多周期对比的利器

累计VWAP，就是按某个时间周期（比如每天、每小时）重新开始累计。这个在跨周期分析时特别有用——你可以对比今天的累计VWAP和昨天的，判断价格是偏强还是偏弱。

实现思路：先按周期分组，然后在每个组内做标准VWAP计算。

def cumulative_vwap_by_period(df, period='D'):
    """
    按周期计算累计VWAP
    period: 'D' 按天, 'H' 按小时, 'W' 按周
    """
    # 确保时间索引
    df = df.copy()
    df['pv'] = df['price'] * df['volume']
    
    # 按周期分组，每组内做累计
    df['cum_pv'] = df.groupby(pd.Grouper(freq=period))['pv'].cumsum()
    df['cum_vol'] = df.groupby(pd.Grouper(freq=period))['volume'].cumsum()
    df['vwap_cumulative'] = df['cum_pv'] / df['cum_vol']
    
    return df

🔑 核心要点：

  • 标准VWAP：适合判断全天均价水平，但反应慢
  • 滚动VWAP：适合短线交易，窗口越小越灵敏
  • 累计VWAP：适合多周期对比，比如日间强弱分析

4.4 三种VWAP的对比与选择

我整理了一个表格，方便你快速对比：

类型 计算范围 适用场景 延迟 我常用的窗口
标准VWAP 开盘至今 机构大单、全天策略 高 全天
滚动VWAP 最近N笔/分钟 高频交易、短线择时 低 20笔或5分钟
累计VWAP 按周期重置 跨周期对比、趋势判断 中 按天或按小时

嗯，这里要特别说一句：没有哪种VWAP是「最好」的。我见过有人把滚动VWAP的窗口设成200笔，结果跟标准VWAP几乎没区别，白白浪费计算资源。你想想看，窗口越大，滚动VWAP就越接近标准VWAP，那何必多此一举？

4.5 避坑指南：我踩过的三个大坑

做VWAP计算这么多年，有些坑我是一步一步踩过来的。分享给你，希望你能绕开：

  • 坑一：价格用错了 —— 我曾经直接用收盘价代替成交均价，结果VWAP曲线跟实际偏差了0.3%。后来才发现，应该用每笔交易的成交均价，或者至少用(high+low)/2来近似。
  • 坑二：成交量单位不一致 —— 有的数据源成交量是「手」，有的是「股」。我吃过一次亏，把「手」当「股」算，VWAP直接偏了100倍。建议统一转成「股」再计算。
  • 坑三：除零错误 —— 当累计成交量为0时，VWAP会变成NaN。这在开盘第一笔交易时特别常见。我的处理方式是：如果累计成交量=0，则VWAP等于当前价格。
💡 一个小技巧： 如果你用的是tick级数据，建议先按分钟聚合，再算VWAP。这样既能保留精度，又能大幅减少计算量。我自己的回测框架里，tick数据都是先聚合成1分钟K线，然后再算各种VWAP。

4.6 知识体系总览

最后，我用一张SVG图把三种VWAP的关系和适用场景串起来，方便你整体把握：

VWAP计算实现：三种核心方法 VWAP 计算核心 标准VWAP 滚动VWAP 累计VWAP Σ(P×V) / Σ(V) 开盘至今累计 适合：全天策略、大单 滚动窗口 Σ(P×V) / Σ(V) 最近N笔/分钟 适合：高频、短线 按周期重置累计 每天/每小时重新开始 适合：跨周期对比 💡 选择建议 短线用滚动VWAP（窗口20-50笔），长线用标准VWAP 跨周期分析时，累计VWAP比标准VWAP更直观

好了，三种VWAP的实现就讲到这里。代码我都贴出来了，建议你直接复制到自己的环境里跑一遍。数据可以用随机生成的，也可以从交易所下载历史tick数据。跑通了，你就能感受到不同VWAP在曲线形态上的差异——标准VWAP平滑得像条直线，滚动VWAP则像心电图一样跳动。

下一节咱们会聊VWAP的实战应用，包括怎么用它来做交易信号、怎么跟其他指标配合。不过那是后话了，先把今天的代码吃透再说。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →