标签： #算法交易

执行算法的入门双雄：TWAP 把母单按时间等分，VWAP 按日内成交量剖面切片。48 桶 U 型剖面模拟实测：500 天蒙特卡洛里 VWAP（历史剖面）滑点均值 43.97bp vs TWAP 45.90bp，但真正的差距在方差——σ 1.25bp vs 6.32bp，差 5 倍；VWAP 的本质不是更便宜而是更贴基准。上帝视角（当日真实剖面）与历史剖面预测只差 0.3bp，说明成交量剖面的日间稳定性是 VWAP 可行的全部前提。规模扫描：母单从日成交量 1% 到 100%，两者滑点差保持约 2-4bp，参与率的平方根冲击才是成本主体——切片方式省小钱，订单规模定大钱。诚实边界：VWAP 追平的是『市场均价』不是『决策价』，动量日里 VWAP 完美达标仍可能巨亏 Implementation Shortfall；剖面突变日（新闻、指数调仓）历史剖面失效；两者都是被动日程，不响应价格。

Almgren-Chriss 假设冲击成本只跟'交易多快'有关，却漏掉了限价簿的一个关键性质——它会恢复。你砸下一笔单，价格被临时推走，但只要停手，挂单会重新涌入，把冲击慢慢填平。Obizhaeva-Wang (2013) 把这个'弹性'写进模型，得出一个 AC 里没有的结论：最优执行不是一条平滑衰减曲线，而是'两端各下一个离散大块 + 中间恒定速率连续吃单'的 U 型轨迹。本文从限价簿动力学出发推导 OW 最优解，用蒙特卡洛证明它在期望成本（43.4bp vs TWAP 45.0bp）与成本方差上双双改善，弹性越低优势越大，并诚实拆解连续模型在离散撮合、日内弹性时变、被猎杀四个方向上的失真（中阶）。

上一篇讲了 Almgren-Chriss（AC）怎么把冲击成本和波动风险写进同一个目标，解出一条由 γ 决定的轨迹。本篇换个角度把这套框架用透：①执行期限 T 怎么定——拖久冲击成本低但波动风险高，存在权衡；②最优『交易速率 v*(t)』长什么样，为什么越怕波动越前置；③VWAP 这种成交量加权基准和 AC 最优差在哪；④调度偏一点要多付多少。附完整 Python、连续时间闭式解与六类真实陷阱（高阶）。

智能订单路由(SOR)：用二次临时冲击成本把大单拆到多场所，water-filling 凸优化逐期自适应重配，实现短缺从 17.0 降到 7.8 bps。附完整 Python 与六类真实陷阱（高阶）。

卖出 100 万股这种大单，怎么拆、多快卖，本身就是一道优化题。Almgren-Chriss 把永久冲击、临时冲击和持仓的波动风险写进同一个目标：快卖=冲击成本高但风险低，慢卖=风险高但冲击低。解出来是一条「前置还是后置」的最优轨迹。附完整 Python 与六类真实陷阱（高阶）。

深入剖析全球主要市场的高频交易监管框架，解读中国证监会和交易所的合规要求，提供高频交易合规监控系统的Python实现方案，帮助量化机构建立完善的合规体系。

深入探讨强化学习在量化交易中的应用，从传统的Q-Learning算法到现代深度强化学习方法（DQN、PPO、A3C），包含完整的Python实战代码和回测框架。