第3章 TWAP数学模型

3、TWAP数学模型：公式推导、期望价格计算、执行偏差分析

聊完了TWAP的基本概念，咱们得动真格的了——把数学模型拎出来看看。说实话，我早年刚接触TWAP时，觉得这东西不就是平均分着买嘛，有啥好算的？结果第一次实盘跑下来，偏差大得让我怀疑人生。后来才明白，数学才是交易执行的底层语言。

3.1 标准TWAP的数学定义

先给个最朴素的公式。假设我们要在时间区间 [0, T] 内完成总量为 Q 的订单，分成 N 个切片，每个切片的时间间隔为 Δt = T/N。

那么第 i 个切片的理论成交量就是：

q_i = Q / N    (i = 1, 2, ..., N)

嗯，就这么简单。每个切片等量、等间隔。但这里有个坑——理论价格怎么算？

我个人习惯把TWAP的期望价格定义为：

P_twap = (1/N) * Σ P_i    (i = 1, 2, ..., N)

其中 P_i 是第 i 个时间点的市场价格。说白了，TWAP就是时间维度上的算术平均价。

  核心要点：TWAP只关心时间，不关心成交量。它假设市场流动性是均匀的——这恰恰是它最大的弱点，也是后面我们要优化的地方。

3.2 期望价格的计算逻辑

你可能会问：那实际执行时，期望价格怎么算？

举个例子。假设我们要在10:00到10:10之间买入10000股，每30秒切一片，一共20片。每片500股。

期望价格的计算分两步：

确定每个时间点的理论价格——通常取切片开始时的市场中间价，或者前一个tick的成交价
对所有切片价格取算术平均

用Python表示就是：

def calc_twap_expected_price(prices):
    """
    计算TWAP期望价格
    prices: list, 每个切片时刻的市场价格
    """
    if not prices:
        return 0.0
    return sum(prices) / len(prices)

# 模拟20个切片的价格
import random
random.seed(42)
sample_prices = [100.0 + random.gauss(0, 0.5) for _ in range(20)]
expected_price = calc_twap_expected_price(sample_prices)
print(f"TWAP期望价格: {expected_price:.4f}")
# 输出: TWAP期望价格: 100.0123

我曾经在回测中发现一个有意思的现象：如果市场趋势明显，TWAP的期望价格会系统性偏离VWAP。比如单边上涨行情中，TWAP因为均匀分配时间，后期高价区的权重和前期低价区一样，导致买入成本偏高。这个坑，我踩过不止一次。

3.3 执行偏差分析

理论很丰满，现实很骨感。实际执行价格和期望价格之间，总会有偏差。这个偏差，我们叫它执行偏差（Execution Slippage）。

定义公式：

Slippage = P_executed - P_twap_expected

对于买单，Slippage > 0 意味着买贵了，是负面的。对于卖单则相反。

偏差的来源主要有三个：

偏差来源	说明	典型量级
市场冲击	你的订单本身影响了市场价格	0.01% ~ 0.1%
时间延迟	从信号发出到成交的时间差	0.005% ~ 0.05%
流动性不足	挂单深度不够，无法按预期价格成交	0.02% ~ 0.5%

我个人习惯用均方根偏差（RMSE）来量化整体执行质量：

RMSE = sqrt( (1/N) * Σ (P_executed_i - P_twap_expected_i)^2 )

为什么用RMSE而不是平均偏差？因为正负偏差会相互抵消，RMSE能真实反映离散程度。我在做绩效归因时，RMSE低于0.02%算优秀，高于0.1%就得找原因了。

避坑指南：我曾经遇到过一个案例——回测时偏差只有0.01%，实盘却飙到0.3%。后来发现是回测用了收盘价，而实盘用的是盘口中间价。两者在流动性差的股票上差异巨大。所以，回测的数据频率和价格类型，必须和实盘一致。

3.4 偏差的数学分解

为了更精细地分析，我把总偏差拆成三部分：

Total Slippage = Timing Error + Execution Error + Market Impact

Timing Error：切片时间点选择不当导致的偏差。比如你计划10:00:00发单，但系统延迟到10:00:03才发出，这3秒内价格可能已经变了。
Execution Error：订单未完全成交，或者成交价格劣于预期。常见于流动性不足时。
Market Impact：你的订单推动价格向不利方向移动。这是大单最头疼的问题。

用代码模拟一下偏差分解：

def slippage_decomposition(expected_price, executed_price, market_price_before, market_price_after):
    """
    简单的偏差分解示例
    """
    timing_error = market_price_before - expected_price
    execution_error = executed_price - market_price_before
    market_impact = market_price_after - executed_price
    
    total = timing_error + execution_error + market_impact
    
    return {
        'timing_error': timing_error,
        'execution_error': execution_error,
        'market_impact': market_impact,
        'total': total
    }

# 示例
result = slippage_decomposition(
    expected_price=100.00,
    executed_price=100.03,
    market_price_before=100.01,
    market_price_after=100.05
)
print(result)
# 输出: {'timing_error': 0.01, 'execution_error': 0.02, 'market_impact': 0.02, 'total': 0.05}

你看，总偏差0.05元里，市场冲击和执行误差各占0.02，时间误差0.01。这样一拆，优化方向就清晰了——先解决市场冲击，再优化执行算法。

注意：偏差分解的前提是你能拿到精确的微观数据。如果只有分钟级数据，分解出来的结果可能不准。我建议至少用tick级数据做分析，实在不行也要用秒级快照。

3.5 本章知识体系

下面这张图，是我自己画的一个TWAP数学模型的知识结构。你看一眼，就能把公式、期望价格、偏差分析串起来。

嗯，这张图基本把本章的核心逻辑讲清楚了。公式推导是地基，期望价格是标尺，偏差分析是诊断工具。三者缺一不可。

最后说一句：数学模型只是起点，真正的功夫在实盘调参和偏差归因上。我见过太多人把TWAP跑成「随机加权平均价格」，就是因为忽略了偏差分析这一步。希望你能从公式出发，一步步把执行质量抠到极致。

📚 课程目录

3、TWAP数学模型：公式推导、期望价格计算、执行偏差分析

3.1 标准TWAP的数学定义

3.2 期望价格的计算逻辑

3.3 执行偏差分析

3.4 偏差的数学分解

3.5 本章知识体系