第2章核心数学原理

2. 核心数学原理：时间加权平均价格的计算公式、切片逻辑与权重分配、订单拆分模型

各位同学，咱们今天来啃硬骨头——TWAP的数学内核。说实话，很多做量化的人把TWAP想得太简单了，以为就是“把单子均匀拆开，每隔一段时间扔一笔”。嗯，如果你真这么干，实盘的时候大概率会被市场教育得鼻青脸肿。

我当年刚入行时也犯过这个错。记得有一次做ETF的TWAP，我天真地用了等量拆分，结果尾盘被流动性黑洞直接吞掉两个滑点。从那以后，我老老实实把数学原理重新捋了一遍。今天就把这些经验分享给你。

2.1 时间加权平均价格的计算公式

先搞清楚一个根本问题：TWAP到底在算什么？

TWAP的全称是Time-Weighted Average Price，时间加权平均价格。它的定义很简单——在某个时间段内，每个时间点的价格按照时间权重求平均。

数学公式长这样：

TWAP = (P₁ + P₂ + P₃ + ... + Pₙ) / N

其中Pᵢ是第i个时间点的价格，N是总时间点数量。

等等，你可能会问：这不就是简单算术平均吗？时间加权体现在哪？

好问题。其实这个公式隐含了一个假设——每个时间点的权重是相等的。也就是说，每个时间切片对最终价格的贡献是一样的。这就是“时间加权”的真正含义：权重由时间决定，而不是由成交量决定。

核心区别：

VWAP（成交量加权）：权重 = 成交量，大单成交时价格影响更大
TWAP（时间加权）：权重 = 时间，每个时刻平等对待

我个人习惯把TWAP理解成“时钟驱动”的算法。它不关心市场在某个时刻成交了多少，只关心时间到了没有。说白了，这是一种“时间至上”的哲学。

2.2 切片逻辑与权重分配

公式搞清楚了，接下来就是怎么把一个大单子切成小片。这里有两个关键问题：

切多少片？——切片数量
每片多大？——权重分配

2.2.1 切片数量怎么定？

切片数量取决于两个因素：执行时长和切片间隔。

切片数量 = 执行总时长 / 切片间隔

举个例子：你要在1小时内完成交易，每5分钟切一片，那就是12片。

但这里有个坑——切片间隔不是随便选的。我建议你考虑以下几点：

市场流动性：流动性差的品种，间隔拉长一点，别把盘口打穿
订单规模：单子越大，切片越多，但每片不能太小（否则手续费占比太高）
交易成本：每笔交易都有固定成本，切片太多不划算

实战经验：

我曾经做过一个回测，把1小时的执行窗口分别切成6片、12片、24片。结果发现12片的效果最好——6片太粗糙，容易被大单干扰；24片又太碎，手续费吃掉不少利润。这个平衡点需要你自己去试。

2.2.2 权重分配：均匀还是不均匀？

标准的TWAP用的是均匀权重——每片大小一样。但实盘中，我很少用纯均匀的。

为什么？因为市场不是均匀的。开盘和收盘时波动大，中间时段相对平稳。如果你在波动大的时段也按均匀权重下单，很容易吃到坏价格。

所以，我常用的权重分配策略有两种：

策略类型	权重分配方式	适用场景
均匀权重	每片权重 = 1/N	市场平稳、流动性充足
非均匀权重	根据历史波动率调整	波动率不对称、有特殊事件

非均匀权重的核心思想是：波动大的时段少下点，波动小的时段多下点。这样能有效降低执行成本。

具体怎么算？我一般用历史波动率曲线来做权重映射：

权重_i = (1 / 波动率_i) / Σ(1 / 波动率_j)

这个公式的意思是：波动率越高的时段，权重越低。你想想看，这很符合直觉——市场乱的时候别瞎掺和。

注意：

非均匀权重虽然能优化执行效果，但有一个副作用——它会让你的执行时间偏离标准TWAP。如果你的考核标准是“严格跟踪TWAP”，那还是老老实实用均匀权重吧。

2.3 订单拆分模型

好了，权重分配好了，接下来就是怎么把单子拆出去。这里我介绍三种常见的拆分模型，也是我在项目中实际用过的。

2.3.1 固定时间间隔模型

这是最基础的模型。每到一个时间点，就发一笔固定大小的订单。

每片数量 = 总数量 / 切片数量

优点：简单、容易实现、回测效果好。
缺点：实盘容易被对手盘预判，而且遇到流动性枯竭时很被动。

2.3.2 随机时间间隔模型

为了规避被预判的问题，我建议在时间间隔上加点随机性。

实际间隔 = 基准间隔 + random(-δ, +δ)

其中δ是随机偏移量，一般取基准间隔的10%-20%。

这样做的好处是：对手盘很难摸清你的下单规律。坏处是：执行时间可能会超出预设窗口。

2.3.3 动态调整模型

这个模型是我最常用的。它根据市场实时状态动态调整每片的数量。

核心逻辑是：

设定一个目标执行曲线（比如线性曲线）
每片下单前，检查当前已成交量和目标成交量的偏差
如果落后了，就加大下一片的数量；如果超前了，就减少

代码实现大概是这样的：

def dynamic_twap_slice(total_qty, elapsed_time, total_time, filled_qty):
    # 目标成交量
    target_qty = total_qty * (elapsed_time / total_time)
    # 偏差
    deviation = target_qty - filled_qty
    # 剩余时间
    remaining_time = total_time - elapsed_time
    # 下一片数量
    next_slice = (total_qty - filled_qty) / remaining_time * slice_interval
    # 加上偏差修正
    next_slice += deviation * correction_factor
    return max(min_slice, next_slice)

这个模型的好处是：能自动适应市场变化。如果前面成交慢了，后面会自动加速补回来。我曾经用这个模型在港股上跑过，效果比固定模型好不少。

三种模型对比：

模型	优点	缺点	推荐指数
固定时间间隔	简单、可预测	易被预判、不灵活	★★★
随机时间间隔	抗预判	可能超时	★★★★
动态调整	自适应、鲁棒性强	实现复杂	★★★★★

2.4 核心逻辑流程图

说了这么多，咱们用一张图把整个流程串起来。这是我画的核心逻辑图，你仔细看看：

这张图把整个流程串起来了。从输入开始，经过切片、权重分配、模型选择，最后输出订单。每一步都有讲究，每一步都影响最终的执行效果。

2.5 避坑指南

最后，我把自己踩过的坑总结一下，你遇到类似情况时能绕开：

坑1：切片间隔太短——我曾经在A股上设了10秒的间隔，结果每片只有几百股，手续费占比高得吓人。建议至少30秒以上。
坑2：忽略市场微观结构——TWAP在流动性好的品种上效果不错，但在小盘股上容易把价格打飞。记得根据品种特性调整参数。
坑3：回测过度优化——回测时参数调得再好，实盘也可能翻车。我建议留20%的数据做样本外测试，别全信回测结果。

我的建议：

刚开始做TWAP时，先用均匀权重+固定间隔跑一段时间，把基础逻辑跑通。等积累足够数据后，再逐步引入非均匀权重和动态调整模型。别一上来就搞复杂的，容易翻车。

好了，这一章的内容就到这。数学原理是TWAP的根基，搞懂了这些，后面的代码实现和实战优化才能站得住脚。你先把公式和模型消化一下，有问题随时问我。