4、执行算法入门：TWAP、VWAP、POV 算法原理与实现

各位同学，欢迎来到《交易执行策略优化实战》的第一章。我是你们的老朋友，一个在量化交易和金融科技领域摸爬滚打多年的工程师。今天咱们聊点实在的——执行算法。

你想想看，策略信号出来了，怎么把它变成真实的成交？直接一把梭？那市场冲击成本会让你哭出来。所以，我们需要一些“聪明”的算法来帮我们拆单、择时。今天要讲的 TWAP、VWAP 和 POV，就是最经典的三个入门算法。

我个人习惯把这三兄弟称为“执行算法的三原色”。理解了它们，后面再学更复杂的策略就轻松多了。

4.1 TWAP：时间加权平均价格算法

原理

TWAP 的核心思想很简单：把一个大订单，均匀地切成 N 份，然后在固定的时间间隔里，一份一份地扔到市场里。它的目标，就是让我们的成交均价，尽量贴近这段时间内的市场平均价格。

说白了，就是“时间切片”。比如你有一个 100 万股的订单，要在 1 小时内完成。TWAP 会把它切成 60 份，每分钟只交易 1.67 万股左右。不管市场怎么波动，我就按这个节奏走。

为什么用 TWAP？

我在项目中遇到过一种情况：某个股票流动性一般，但日内波动不大。这时候用 TWAP 就特别合适。它不预测方向，只是机械地执行，能有效避免因为“等一个好价格”而错过交易窗口。

实现代码

import pandas as pd
import numpy as np

def twap_schedule(total_qty, total_seconds, interval_seconds=60):
    """
    生成 TWAP 执行计划
    :param total_qty: 总交易量
    :param total_seconds: 总执行时间（秒）
    :param interval_seconds: 每个时间间隔（秒）
    :return: 每个时间点的目标交易量
    """
    num_slices = total_seconds // interval_seconds
    qty_per_slice = total_qty / num_slices
    
    schedule = []
    for i in range(num_slices):
        schedule.append({
            'time': (i + 1) * interval_seconds,
            'target_qty': qty_per_slice
        })
    return schedule

# 示例：1小时内交易10万股，每5分钟交易一次
schedule = twap_schedule(100000, 3600, 300)
print(schedule[:3])  # 打印前3个切片

4.2 VWAP：成交量加权平均价格算法

原理

VWAP 比 TWAP 聪明一点。它不按时间均匀分配，而是按市场的成交量分布来分配。简单说：市场成交量大的时候，我多交易；成交量小的时候，我少交易。

你想想看，如果市场在开盘后 30 分钟成交量最大，那 VWAP 就会把更多的订单安排在这个时段。这样，我们的成交均价会更贴近市场的真实成交价。

为什么用 VWAP？

我记得有一次做 ETF 套利，需要快速建仓。如果用 TWAP，可能会在流动性枯竭的时候硬吃卖单，导致成本飙升。换成 VWAP 后，算法自动把订单集中在流动性好的时段，效果立竿见影。

实现代码

def vwap_schedule(total_qty, volume_profile):
    """
    生成 VWAP 执行计划
    :param total_qty: 总交易量
    :param volume_profile: 历史成交量分布（列表，每个元素代表一个时间段的成交量）
    :return: 每个时间点的目标交易量
    """
    total_volume = sum(volume_profile)
    schedule = []
    for vol in volume_profile:
        weight = vol / total_volume
        schedule.append({
            'target_qty': total_qty * weight
        })
    return schedule

# 示例：假设一天有 13 个半小时的成交量分布
volume_profile = [1000, 1500, 2000, 1800, 1200, 800, 600, 900, 1100, 1300, 1400, 1600, 1000]
schedule = vwap_schedule(100000, volume_profile)
print(f"第一个半小时交易量: {schedule[0]['target_qty']:.0f} 股")

4.3 POV：成交量百分比算法

原理

POV 的思路更直接：我不管时间，也不管历史分布，我就盯着当前市场的实时成交量。我设定一个百分比，比如 10%，然后我的交易量始终占市场成交量的 10%。

市场成交快，我就交易快；市场成交慢，我就交易慢。这是一种“自适应”的算法。

为什么用 POV？

嗯，这里要注意。POV 特别适合那些流动性变化剧烈的场景。比如小盘股，有时候 10 分钟没成交，突然来一笔大单。如果用 TWAP 或 VWAP，你可能会在没流动性的时候硬扛。POV 就不会，它会跟着市场节奏走。

实现代码

class POVExecutor:
    def __init__(self, total_qty, pov_rate=0.1):
        self.remaining_qty = total_qty
        self.pov_rate = pov_rate
        self.executed_qty = 0
        
    def on_market_trade(self, market_volume):
        """
        每次市场有成交时调用
        :param market_volume: 当前周期的市场成交量
        :return: 本次应交易的量
        """
        if self.remaining_qty <= 0:
            return 0
            
        target = market_volume * self.pov_rate
        actual = min(target, self.remaining_qty)
        
        self.executed_qty += actual
        self.remaining_qty -= actual
        return actual

# 模拟使用
executor = POVExecutor(100000, pov_rate=0.05)
market_volumes = [2000, 1500, 3000, 2500, 1800]  # 模拟市场成交量
for vol in market_volumes:
    trade_qty = executor.on_market_trade(vol)
    print(f"市场成交 {vol} 股，我交易 {trade_qty} 股，剩余 {executor.remaining_qty} 股")

4.4 三者的核心逻辑关系

为了让你更直观地理解这三者的关系，我画了一张图。你可以看到，TWAP 是“时间驱动”，VWAP 是“历史数据驱动”，POV 是“实时数据驱动”。它们从不同维度解决了同一个问题：如何优雅地完成大额交易。

好了，这就是执行算法的第一课。TWAP、VWAP、POV 这三个算法，虽然简单，但它们是所有高级执行策略的基石。我建议你先把这三段代码跑通，感受一下它们的区别。下一章，我们会深入讨论如何在实际系统中选择和使用这些算法。