第1章：执行算法基础——TWAP、VWAP、POV

各位同学好，我是老张。在量化交易这个行当摸爬滚打了十来年，今天咱们来聊聊执行算法里最基础、也最实用的三个家伙：TWAP、VWAP 和 POV。

你可能会问，为什么一上来就讲这个？

嗯，我见过太多人，策略信号写得漂亮，一到实盘就亏钱。为什么？因为执行太糙。你想想看，一个大单子直接砸下去，市场瞬间就滑出去好几个价位。说白了，策略负责「买什么、卖什么」，执行算法负责「怎么买、怎么卖」。今天这三个，就是执行算法的入门必修课。

一、TWAP：时间加权平均价格

1.1 原理

TWAP 的全称是 Time-Weighted Average Price。它的逻辑很简单：把一个大单子，均匀地拆成小单子，在固定的时间间隔里发出去。

举个例子。你想在 10 分钟内买入 100 万股。TWAP 的做法是：把 10 分钟切成 10 个 1 分钟的小段，每段发 10 万股。不管市场怎么波动，我就按时间切。

为什么会有人用这个？

我个人习惯把它叫做「懒人算法」。当你不确定市场短期走势，又不想暴露大单意图时，TWAP 是最稳妥的选择。它追求的是执行价格尽可能接近这段时间的平均价。

1.2 实现

代码其实不复杂。我直接给一个 Python 的简化版本，你们感受一下：

class TWAP:
    def __init__(self, total_qty, total_seconds, interval=60):
        self.total_qty = total_qty          # 总数量
        self.total_seconds = total_seconds  # 总执行时间（秒）
        self.interval = interval            # 每次发单间隔（秒）
        self.slices = total_seconds // interval
        self.qty_per_slice = total_qty / self.slices
        self.current_slice = 0

    def next_order(self):
        if self.current_slice >= self.slices:
            return None
        order = {
            'time': self.current_slice * self.interval,
            'qty': self.qty_per_slice
        }
        self.current_slice += 1
        return order

# 使用示例
twap = TWAP(total_qty=1000000, total_seconds=600, interval=60)
for i in range(10):
    print(twap.next_order())

你看，核心逻辑就这几行。但实际生产环境里，要考虑的东西多得多——比如滑点补偿、市场冲击、订单排队等等。我曾经在一个高频做市项目里，就因为 TWAP 的切片粒度太粗，被对手盘盯上了，连续吃了好几个亏。后来我把切片粒度从 60 秒改成了 5 秒，效果立竿见影。

二、VWAP：成交量加权平均价格

2.1 原理

VWAP 的全称是 Volume-Weighted Average Price。它比 TWAP 聪明一点——不是按时间均匀拆单，而是按历史成交量分布来拆。

你想想看，市场在开盘和收盘时成交量通常很大，中午休息时成交量很小。如果还用 TWAP 均匀发单，中午那会儿你发出去的订单可能半天成交不了，反而暴露了意图。

VWAP 的做法是：先统计过去 N 天的成交量分布，然后在成交量大的时段多发单，成交量小的时段少发单。这样你的订单更容易被市场消化。

2.2 实现

实现 VWAP 需要先准备历史成交量数据。我一般取过去 20 个交易日的分钟级成交量，做平均：

import numpy as np

class VWAP:
    def __init__(self, total_qty, hist_volume_profile):
        """
        hist_volume_profile: list of float, 每个时间段的平均成交量
        """
        self.total_qty = total_qty
        self.volume_profile = np.array(hist_volume_profile)
        self.total_volume = self.volume_profile.sum()
        self.weights = self.volume_profile / self.total_volume
        self.current_slice = 0

    def next_order(self):
        if self.current_slice >= len(self.weights):
            return None
        qty = self.total_qty * self.weights[self.current_slice]
        order = {
            'time': self.current_slice,  # 假设每段1分钟
            'qty': round(qty, 0)
        }
        self.current_slice += 1
        return order

# 假设一天有240个1分钟段，每个段的历史平均成交量
hist_vol = [1000 + np.random.randint(-200, 200) for _ in range(240)]
vwap = VWAP(total_qty=1000000, hist_volume_profile=hist_vol)
for i in range(10):
    print(vwap.next_order())

这里有个坑，我必须提醒你：历史成交量分布 ≠ 今天的成交量分布。我记得有一次做 A 股 VWAP，那天突然出了个重大利好，开盘成交量暴增 5 倍，我的 VWAP 算法还按历史数据慢慢发单，结果收盘一看，执行价格比 VWAP 基准高了 0.3%。从那以后，我加了一个实时成交量修正模块——每 5 分钟重新计算一次剩余订单的分配权重。

三、POV：成交量百分比

3.1 原理

POV 的全称是 Percentage of Volume。它的思路和前两个完全不同——不关心时间，也不关心历史，只关心「我现在的订单量占市场成交量的比例」。

举个例子。你设定 POV = 10%，意思是：市场每成交 100 股，我就发 10 股。市场成交快，我就发得快；市场成交慢，我就发得慢。说白了，POV 是「跟屁虫」策略——市场怎么动，我就怎么动。

我个人特别喜欢 POV 的一点是：它天然具有自适应能力。市场活跃时你参与得多，市场冷清时你参与得少，不会像 TWAP 那样在流动性差的时候硬塞单子。

3.2 实现

POV 的实现需要实时获取市场成交量数据。这里给一个简化版：

class POV:
    def __init__(self, total_qty, participation_rate=0.1):
        self.total_qty = total_qty          # 总订单量
        self.remaining_qty = total_qty
        self.participation_rate = participation_rate  # 目标参与率，如0.1表示10%
        self.last_market_vol = 0

    def update_market_volume(self, recent_vol):
        """更新最近一段时间的市场成交量"""
        self.last_market_vol = recent_vol

    def next_order(self):
        if self.remaining_qty <= 0:
            return None
        # 按参与率计算本次发单量
        order_qty = self.last_market_vol * self.participation_rate
        # 不能超过剩余量
        order_qty = min(order_qty, self.remaining_qty)
        self.remaining_qty -= order_qty
        return {
            'qty': round(order_qty, 0),
            'remaining': self.remaining_qty
        }

# 模拟使用
pov = POV(total_qty=1000000, participation_rate=0.1)
market_volumes = [5000, 8000, 3000, 12000, 7000]  # 模拟市场每分钟成交量
for vol in market_volumes:
    pov.update_market_volume(vol)
    order = pov.next_order()
    print(f"市场成交{vol}股，我发{order['qty']}股，剩余{order['remaining']}股")

嗯，这里要注意：参与率不能设得太高。我曾经在一个小盘股上设了 15% 的 POV，结果市场一活跃，我的订单直接占了 30% 的成交量，瞬间把价格推高了 2%。后来我加了一个上限保护——单次发单量不超过总订单量的 5%。

四、三种算法对比

说了这么多，咱们来做个总结。我画了一张对比图，方便你理解：

最后，我再用表格给你对比一下三个算法的关键参数：

特性	TWAP	VWAP	POV
核心变量	时间	历史成交量	实时成交量
自适应能力	无	弱（依赖历史）	强（实时跟随）
市场冲击	中等	较低	低（但需控制参与率）
实现难度	低	中	中高（需实时数据）
典型参与率	N/A	N/A	5%-15%
切片数量	10-50段	20-240段	动态（取决于市场）

好了，这一章的内容就到这里。TWAP、VWAP、POV 这三个算法，说白了就是三种不同的「拆单哲学」。TWAP 相信时间，VWAP 相信历史，POV 相信市场。没有绝对的好坏，关键看你的交易场景和风险偏好。

下一章，咱们聊聊这些算法在实际生产环境中的「坑」——比如如何处理订单排队、如何应对市场冲击、如何做滑点补偿。这些都是我在项目里真金白银换来的教训，到时候一一分享给你们。

---

公众号:蓝海资料掘金营，微信deep3321