VWAP 与 TWAP 执行：把大单切成时间与成交量加权的碎片

协方差专题写完之后，换一个战场：执行。前面所有组合构建文章的输出都是一列目标权重，但从「目标权重」到「实际持仓」中间隔着一条鸿沟——你要在市场里真金白银地把单子成交掉。100 万股的母单直接砸进订单簿，价格会立刻跳开；这就是执行算法存在的理由。

今天从最基础的双雄开始：TWAP 和 VWAP。它们是几乎所有券商算法交易柜台的默认选项，也是理解后面 Almgren-Chriss、Implementation Shortfall 这些高级框架的前置知识。

一、问题：大单不能一口吃#

设你要在今天之内买入 $Q$ 股。两个极端都不行：

• 一次性市价单：吃穿订单簿多档深度，冲击成本随规模超线性增长；
• 无限拖延：价格漂移风险随时间累积，你等到的价格可能更差。

执行算法做的事就是把母单切成子单序列，在冲击成本与时机风险之间找折中。TWAP 和 VWAP 是两种最朴素的切法：

• TWAP（Time-Weighted Average Price）：把交易时段切成 $n$ 个桶，每桶交易 $Q/n$——时间等分；
• VWAP（Volume-Weighted Average Price）：按预期成交量剖面 $w_i$ 分配，每桶交易 $Q \cdot w_i$——成交量等比。

VWAP 的直觉：市场成交量大的时候，你的子单占比小、冲击小；成交量小的时候少交易。跟着市场的流动性节奏走，而不是跟着钟表走。

二、日内成交量的 U 型剖面#

VWAP 之所以可行，全靠一个稳定的经验事实：日内成交量呈 U 型——开盘和收盘放量、午盘清淡。模拟里我用 48 个 5 分钟桶构造这个剖面：

import numpy as np

n_bins = 48
t = np.linspace(0, 1, n_bins)

def u_shape_volume(t, rng, noise=0.15):
    base = 1.8 * (t - 0.5) ** 2 + 0.55     # U 型主体
    base[:2] *= 1.6                          # 开盘冲高
    base[-3:] *= np.array([1.3, 1.6, 2.2])   # 尾盘拉升
    v = base * np.exp(rng.normal(0, noise, len(t)))
    return v / v.sum()                       # 归一化为占比

对数正态噪声让每天的剖面有随机扰动，但 U 型骨架不变——这正是真实市场的样子：剖面的形状日间高度稳定，幅度每天不同。

两种切片方式的对比一目了然：

TWAP 是一条平线：午盘市场每桶只有约 1% 的成交量，你却硬塞和开盘一样多的量，参与率被动飙升。VWAP 的子单曲线和市场剖面完全同形——尾盘市场放量到 4%+，你也放量。

三、执行模拟：冲击成本模型#

子单进入市场后的成交价，用参与率驱动的平方根冲击近似：

def exec_day(slices, vol_prof, price, Q_total):
    mkt_vol = vol_prof * 20_000_000            # 市场日总量 2000 万股
    part = slices / (mkt_vol + slices)          # 每桶参与率
    exec_px = price * (1 + 0.02 * np.sqrt(part))  # 平方根冲击
    return np.sum(exec_px * slices) / Q_total   # 成交均价

平方根形式来自市场冲击的经验定律（后续专文展开）：冲击 $\propto \sqrt{\text{参与率}}$。凹函数意味着把量摊薄有超线性的好处——这正是 VWAP 优于 TWAP 的数学根源：TWAP 在低量桶里参与率尖峰，平方根的凹性惩罚这种不均匀。

单日示例（母单 100 万股 = 日成交量 5%）：

两种策略的成交均价都高于市场 VWAP（买单必然付冲击），但 VWAP 策略更贴近基准。

四、500 天蒙特卡洛：均值差一点，方差差五倍#

单日说明不了问题，跑 500 天。VWAP 策略分两个版本：上帝视角（用当日真实剖面切片，实盘不可得）和现实版（用前 60 天历史平均剖面预测今天）：

hist_prof = np.mean([sim_day(d)[0] for d in range(60)], axis=0)  # 历史剖面
# 每天：TWAP、VWAP-历史剖面、VWAP-真实剖面 三种执行
# 滑点 = (成交均价 / 市场VWAP - 1) × 1e4  (bp)

500 天的结果值得逐项读：

三个观察：

1. 均值差距不大（约 2bp），VWAP 并没有便宜多少——省钱不是它的主卖点；
2. 方差差 5 倍是真正的分水岭。TWAP 对市场 VWAP 的滑点随当天剖面形状波动（今天尾盘放量多，TWAP 就多吃亏）；VWAP 策略与基准同步呼吸，滑点几乎恒定。对于以 VWAP 为业绩基准的机构交易台（这是买方最普遍的考核方式），低跟踪方差就是低职业风险；
3. 历史剖面 vs 真实剖面只差 0.33bp。剖面的日间稳定性极高，用 60 天平均预测今天已经足够好——这是 VWAP 在实务中如此普及的根本原因：它对预测精度的要求低到近乎免费。

五、订单规模扫描：切法省小钱，规模定大钱#

母单从日成交量的 1% 扫到 100%：

两条曲线都按平方根规律爬升（对数横轴下的凹形），VWAP 全程低于 TWAP 但差距只有 2-4bp。对比一下量级：母单从 5% 加到 50% 日成交量，滑点从 ~45bp 涨到 ~120bp。**决定执行成本的第一要素是你的订单规模相对流动性的比例，切片算法只在第二位。**这个次序在实盘里经常被搞反——花大力气优化算法参数，却不肯把一天的单子拆成三天。

六、诚实边界#

**VWAP 达标 ≠ 交易做得好。**VWAP 追平的是「市场均价」，不是你的「决策价」。设想动量日：你早上决定买入，价格全天单边上涨 3%，VWAP 算法匀速买了一天、完美贴住市场 VWAP——但市场 VWAP 本身比你的决策价高了 1.5%。以 Implementation Shortfall（决策价口径）衡量你亏了 150bp，而 VWAP 口径显示你是满分。基准的选择本身就是立场：VWAP 基准隐含「时机风险不算我的错」，这对被动跟踪基准的机构合理，对有 alpha 时效性的策略是自欺。

**剖面突变日失效。**历史剖面的前提是今天像昨天。指数调仓日（尾盘天量）、重大新闻日（盘中脉冲）、节假日前后，剖面形状剧变，VWAP 的切片计划系统性错位。成熟的实现会叠加动态剖面修正（用盘中已实现成交量更新剩余桶的预测），但那已经是另一层工程。

两者都是纯被动日程，对价格信号零响应：价格暴跌时买单不会加速（错过便宜货），价格急涨时也不会暂停（追高照单全收）。把价格弹性引入执行日程，就进入了 Almgren-Chriss 均值-方差执行和自适应算法的领地——那是这个系列后面的故事。

模拟本身的局限也要交代：冲击系数拍脑袋（真实系数因股票、市场状态而异，需从自家成交数据回归）；没有建模永久冲击与冲击衰减（Propagator 模型的主题）；市场成交量与我方订单独立的假设在大单场景不成立——你的买入本身会吸引跟风量。

七、实盘落地清单#

把模拟里的结论翻译成可操作的规则：

1. 先定基准再选算法。考核口径是 VWAP 就用 VWAP 算法，考核口径是决策价（Implementation Shortfall）就不要用 VWAP——用错基准的算法等于优化错误的目标函数；
2. 剖面估计用 20-60 天滚动中位数而非均值，避免个别天量日（指数调仓）污染剖面。周内效应明显的市场（如期货换月周）应按星期几分层估计；
3. 设置参与率上限（如单桶不超过市场量的 20%）作为保险丝：当天成交量意外萎缩时，宁可延到明天也不要在枯水期硬灌；
4. 盘中动态修正：用已实现成交量与历史剖面的比值缩放剩余桶的计划量，简单一行代码就能把剖面突变日的错位吃掉一半；
5. 子单层面随机化：桶内下单时间加抖动、单量加噪声，避免被高频对手识别出规律性日程后抢跑（TWAP 的等间隔特征是最容易被逆向工程的模式之一）。

八、总结#

TWAP 是「按钟表交易」，VWAP 是「按市场节奏交易」。500 天模拟给出的画像很清晰：VWAP 的价值不在省钱（均值只差 2bp）而在贴基准（方差差 5 倍）；历史剖面几乎免费地逼近上帝视角（差 0.3bp），因为成交量剖面的 U 型骨架日间极稳定。但真正决定成本的是订单规模与流动性之比，以及你选的基准是否匹配你的交易动机——算法只是执行意图的翻译器，翻译得再流畅，也救不了错误的意图。