TWAP/VWAP 最优执行：把大单拆细在时间轴上隐身 • halo 的技术博客

有一个残酷的事实，散户永远体会不到，但每一个管着几亿资金的交易员每天都在跟它搏斗：你想买的价格，会因为你想买而消失。

散户下单，脑子里只有一个问题——买还是不买。因为你那 1000 股扔进市场，连一个水花都溅不起来，成交价就是你看到的价。但当你要买的是 10 万股、100 万股，占了这只票当天成交量的一大块时，第二个问题就冒出来了：这单怎么下，才不会自己把价格推上去？

结论先放这：把大单一次性砸进市场是最蠢的做法。 本文用 4000 条蒙特卡洛路径实测——同样一笔 10 万股的买单，一次性激进执行的平均滑点是 98.7bp，拆成一整天均匀下单（TWAP）降到 43.0bp，按日内成交量分布下单（VWAP）再降到 39.6bp。一次性冲击的成本是 VWAP 的 2.5 倍。这多出来的 60bp，对一笔千万级的单子就是几万块凭空蒸发。最优执行（Optimal Execution）研究的就是：怎么把一头大象，切成没人注意的小块，在时间轴上悄悄搬完。

为什么一次性下单这么贵：市场冲击的凸性#

要理解拆单为什么省钱，先得理解市场冲击（Market Impact）长什么样。

当你发出一个买单，它会吃掉订单簿上现有的卖单。你要的量越大，就得往上吃越多档，成交均价就越高。这个”因为我下单而导致的价格不利移动”，就是市场冲击。它分两层：

临时冲击（Temporary Impact）：只影响你这一笔的成交价。你这笔单吃穿了几档，但订单簿会被其他人的挂单迅速补回来，价格弹回去。它跟你这一瞬间的下单强度有关。
永久冲击（Permanent Impact）：你的成交向市场泄露了信息（“有人在大举买入”），把中间价永久性地推高了，不会弹回来。它跟你累计买了多少有关。

关键在临时冲击的凸性。一个简化但抓住本质的模型是：某一分钟的成交价偏移 ∝ 你这一分钟的参与率（你的下单量 ÷ 市场这一分钟的成交量）。也就是说，你下单越猛，单位成本越高——成本相对下单速度是**超线性（凸）**的。

凸性一旦成立，一个纯数学结论就把拆单的收益锁死了。假设你要在 N 段时间里买完总量 Q，第 i 段买 q_i、市场成交量 v_i，总临时冲击成本约正比于：

$\text{Cost} \propto \sum_i \frac{q_i^2}{v_i}$

要最小化这个和（约束 Σq_i = Q），用 Cauchy-Schwarz 不等式，最优解是：

$q_i^* \propto v_i$

翻译成人话：每一段时间应该买的量，正比于那段时间市场自己的成交量。 这正是 VWAP（Volume Weighted Average Price，成交量加权平均价）策略的数学根据。而 TWAP（Time Weighted Average Price，时间加权平均价）——不管市场成交量、每段时间买一样多——是当你假设成交量在全天均匀分布时的特例。现实中成交量不均匀，所以 VWAP 通常比 TWAP 更省。

日内成交量的 U 型：VWAP 拆单的地图#

VWAP 要跟着成交量走，那成交量长什么样？几乎所有流动性正常的股票，日内成交量都呈现一条稳定的 U 型曲线：开盘时集合竞价和隔夜信息释放带来放量，午间交投清淡跌到谷底，收盘前因为要对齐收盘价、指数基金调仓、日内头寸了结再次放量。

我用一个双指数模型复现这条曲线，并对比 TWAP 与 VWAP 两种拆法：

import numpy as np

M = 390  # 美股一个交易日的分钟数（6.5 小时）
t = np.arange(M)
# U 型：开盘、收盘放量，午间清淡
u_shape = 1.0 + 1.6*np.exp(-t/40.0) + 1.9*np.exp(-(M-1-t)/45.0)
volume_profile = u_shape / u_shape.sum()   # 归一化成每分钟成交量占比

Q = 100_000.0                    # 总下单量（股）
twap_slices = np.full(M, Q/M)    # TWAP：每分钟买一样多
vwap_slices = Q * volume_profile # VWAP：按成交量占比切

python

日内成交量 U 型曲线与 TWAP/VWAP 拆单对比

左图是那条经典的 U 型：开盘、收盘两头翘，中间塌陷。右图是同样 10 万股的两种拆法——TWAP 是一条笔直的橙线（每分钟 256 股，雷打不动），VWAP 是一条跟着成交量起伏的绿线（开盘时一分钟下上千股，午间只下一两百股）。

直觉上就能看出问题：TWAP 在午间清淡时段，下单量和开盘时一样多，但那时市场没人跟你交易，你的参与率飙升——同样 256 股，占午间成交量的比例远高于占开盘成交量的比例。凸性惩罚就砸在这里。VWAP 则聪明地在市场活跃时多买、清淡时少买，把参与率压平，从而压低总冲击。

蒙特卡洛实测：三种执行方式的滑点分布#

光有理论不够，我把市场冲击模型写进蒙特卡洛，跑 4000 条价格路径，直接量出三种执行方式的滑点分布。价格模型 = 随机游走 + 永久冲击（累积、不消散）+ 临时冲击（线性于参与率、当笔消散）：

MKT_DAY_VOL = Q * 6.0                    # 我们的单约占市场日成交量的 1/6
MKT_VOL = volume_profile * MKT_DAY_VOL   # 每分钟市场成交量
ETA, GAMMA, SIG = 55.0, 0.9, 2.0         # 临时/永久冲击系数、每分钟波动(bp)

def simulate_execution(slices, n_paths=4000, seed=0):
    r = np.random.default_rng(seed)
    total = slices.sum()
    partic = slices / MKT_VOL             # 每分钟参与率
    slip = np.zeros(n_paths)
    for p in range(n_paths):
        mid, cost = 0.0, 0.0              # 中间价相对到达价的偏移(bp)
        for i in range(M):
            if slices[i] > 0:
                perm = GAMMA * partic[i]          # 永久冲击
                temp = ETA * partic[i]            # 临时冲击（线性于参与率）
                fill_price = mid + perm*0.5 + temp
                cost += fill_price * slices[i]
                mid += perm                       # 永久冲击留存
            mid += SIG * r.standard_normal()      # 随机游走
        slip[p] = cost / total
    return slip

python

三种拆法喂进去：VWAP（跟量）、TWAP（均匀）、激进执行（整单集中在开盘前 30 分钟砸完）。结果：

三种执行方式的滑点分布

三个分布拉开明显的档次：

激进执行（红）：均值 98.7bp，分布又宽又靠右。把整单压在开盘 30 分钟，参与率爆表，凸性惩罚全额兑现，而且方差还大——因为你把执行风险全押在了一小段时间窗上。
TWAP（橙）：均值 43.0bp。摊到一整天，参与率大幅下降，成本降到激进执行的 44%。
VWAP（绿）：均值 39.6bp，分布最靠左最集中。在 TWAP 基础上再省 8%，靠的就是把参与率在时间轴上进一步拉平。

注意 VWAP 相对 TWAP 的优势（40 vs 43bp）远小于两者相对激进执行的优势（40/43 vs 99bp）。这是最优执行里最重要的一课：第一大收益来自”拆单”本身（不要一次性砸），VWAP 相对 TWAP 的精细优化是second-order 的锦上添花。 很多人一上来就纠结 VWAP 曲线拟合的精度，却忘了只要你没在拆单，怎么拆都是省的。

Almgren-Chriss：成本与风险的有效前沿#

到这里似乎结论很清楚：拆得越细、摊得越久越省。但这里藏着一个致命的反作用力——时间就是风险。

你把 10 万股摊到一整天甚至几天来买，冲击成本是低了，但在你还没买完的这段时间里，价格可能因为和你完全无关的原因（大盘暴跌、行业利空）走掉。你想买的票在你慢吞吞建仓的过程中涨了 5%，省下的那几十个 bp 冲击成本，在这 5% 面前不值一提。这就是时序风险（Timing Risk）：持仓暴露于市场波动的时间越长，风险越大。

Almgren 和 Chriss 在 2000 年把这对矛盾写成了一个优雅的最优化问题：在给定风险厌恶程度下，最小化”预期执行成本 + λ × 执行风险”。 解出来是一族清仓轨迹：

def ac_trajectory(kappa):
    # kappa 由风险厌恶隐含：越大代表越急着清仓
    if kappa < 1e-9:
        return X * (1 - np.arange(Nsteps+1)/Nsteps)   # 线性清仓 = TWAP
    j = np.arange(Nsteps+1)
    return X * np.sinh(kappa*(Nsteps-j)*tau) / np.sinh(kappa*Nsteps*tau)

python

Almgren-Chriss 最优清仓轨迹与有效前沿

左图是三条代表性的清仓轨迹：

κ=0（橙）：风险中性，只想省成本，得到一条直线——就是 TWAP，把量匀速摊满全程。成本最低，但持仓暴露时间最长。
κ=9（红）：高度风险厌恶，急着把仓位清掉——曲线陡降，前期就卖掉大半。执行快、时序风险低，但因为前期下单猛、参与率高，冲击成本高。
κ=3（蓝）：介于两者之间的平衡解。

右图是这族解扫出来的有效前沿：横轴是时序风险，纵轴是预期执行成本。它和马科维茨的均值-方差前沿是同一个哲学——没有免费午餐，只有取舍。你想省成本就得慢慢来、承担更多价格漂移风险；你想快速锁定就得付更高的冲击。落在前沿上的每一点都是”给定风险下成本最低”的最优解，具体选哪一点，取决于你有多急、这只票的波动有多大。

TWAP/VWAP 其实是这条前沿上的两个特例（对应风险中性、只顾省成本的角落）。当你的交易信号有明确时效性（比如基于一个很快会失效的 alpha）时，你会主动往前沿的右下角移动——牺牲一点冲击成本，换取更快的执行、更少的时序风险。

VWAP 的死穴：你在跟踪一个还不存在的基准#

VWAP 听起来很美，但它有一个结构性的软肋，很多人上手才踩到：VWAP 是一个事后才能算出来的基准。

市场当天的真实 VWAP，要等收盘、所有成交都发生完了才知道。但你从开盘就得开始拆单执行。也就是说，你在用一条历史平均的成交量曲线来切单，赌今天的成交量分布和历史相似。一旦今天出了大新闻、成交量分布整体偏移或形状扭曲，你按历史曲线切出来的单就会偏离真实的市场 VWAP——这就是 VWAP 策略的跟踪误差（Tracking Error）。

我模拟 500 个交易日，每天的真实成交量 = 历史 U 型 × 当日随机扰动（整体量偏移 ±35% + 分钟级噪声 ±25%），比较”用静态历史曲线”和”部分动态更新”两种拆单方式相对真实市场 VWAP 的偏离：

VWAP 跟踪误差分布

红色是纯用静态历史曲线（跟踪误差标准差 0.40），绿色是能部分观测到当日实际成交量、动态修正拆单（标准差 0.28）。两个分布都以 0 为中心——VWAP 策略在期望上能贴住基准，但每一天都会有随机偏离，有时跑赢、有时跑输，取决于你的成交量预测那天准不准。

这就解释了机构里为什么有专门的团队在做日内成交量预测：VWAP 执行的好坏，一半取决于拆单算法，另一半取决于你对”今天成交量会怎么分布”预测得有多准。预测越准，跟踪误差越小，你的执行就越稳定地贴住基准。绿色分布比红色窄，量化的就是”更好的成交量预测”值多少钱。

已知偏差（一定要说清楚）#

冲击模型是简化的。真实市场冲击是非线性的（著名的”平方根律”：冲击 ∝ √参与率，而非线性），且与波动率、买卖价差、订单簿深度耦合。本文用线性临时冲击是为了让 Cauchy-Schwarz 的凸性推导干净、结论清晰，真实标定需要用自家成交回补数据拟合。绝对 bp 数值是示意性的，相对排序（激进 > TWAP > VWAP）才是稳健结论。
忽略了对手方和博弈。本文假设市场对我们的拆单没有针对性反应。现实中如果你的拆单模式太规律（尤其是纯 TWAP 的等间隔等量），会被其他算法（乃至掠夺性 HFT）识别并前置交易（front-run），这也是实盘要引入随机化拆单、暗池的原因。
成交量分布假设静态且外生。有效前沿和 VWAP 拆单都假设市场成交量不受我们影响。大单本身会改变成交量结构，日内还可能出现结构性事件（停牌、熔断、突发新闻），历史 U 型完全失效。
没有建模隔夜/多日执行。Almgren-Chriss 的多日版本要处理隔夜跳空风险，那是另一个量级的时序风险，本文只覆盖日内。

结果解读#

第一收益来自”拆”，不是来自”怎么拆”。 激进执行 98.7bp、TWAP 43bp——光是把单子摊开就省掉一半以上的滑点。VWAP 相对 TWAP 再省 8%（40 vs 43bp）是精细优化，重要但次要。如果你资源有限，先保证”绝不一次性砸单”，再去抠 VWAP 曲线的精度。

省成本和控风险是一对反向的力。 Almgren-Chriss 有效前沿说得很清楚：拆得越久、摊得越平，冲击成本越低，但你承担的价格漂移风险越大。最优执行不是”把成本降到最低”，而是”在你能承受的风险下把成本降到最低”。一个快要失效的 alpha 信号，宁可多付点冲击也要快速建仓；一个长期价值仓位，则可以慢慢磨、把成本榨干。

VWAP 的稳定性取决于成交量预测。 它在期望上贴住基准，但每天都有跟踪误差，误差大小直接由你的日内成交量预测精度决定。这解释了为什么”更好的成交量预测模型”在机构里是真金白银的资产——它不产生 alpha，但它实实在在地降低执行的方差。

这套逻辑对散户也不是完全无用。 如果你要买一只流动性差的小盘股、或者要一次性调仓一大笔，不要用市价单一把梭。把单子拆成几笔、用限价单、避开午间清淡时段、尽量在成交活跃时下单——这就是穷人版的 VWAP。你占市场成交量的比例越大，这套纪律就越值钱。

最优执行是量化世界里少数”不产生 alpha 却直接决定盈亏”的领域。一个再好的策略，如果执行时把 alpha 全喂给了市场冲击，纸面收益和实盘收益之间就会裂开一道无法弥合的鸿沟。好的策略负责找到钱，好的执行负责把钱真正拿到手。