第十六章：算法交易执行——TWAP与VWAP算法、冰山订单、拆单策略、市场冲击成本控制
做基差交易和跨品种套利，策略再好，执行不到位也是白搭。
我见过太多人，策略回测曲线漂亮得不行，一上实盘就亏钱。为什么？
说白了，就是市场冲击成本把利润吃掉了。
你想想看，你发现螺纹钢和热卷的价差偏离了，想一把梭进去。结果你的大单直接把价差打回原形，你反而买在了最贵的点。这就是典型的「滑点吃掉利润」。
所以这一章，我们来聊聊怎么用算法交易来降低冲击成本。我个人习惯把这类算法分成两类：时间驱动型和价格驱动型。TWAP和VWAP属于前者，冰山订单和拆单策略属于后者。
16.1 市场冲击成本：你赚的钱，可能都交了「过路费」
先搞清楚一个概念：市场冲击成本到底是什么？
简单说，就是你的订单对市场价格造成的影响。你买100手和买1手，成交价格肯定不一样。这个差价，就是冲击成本。
我在项目中遇到过最夸张的一次，一个客户用市价单扫货，直接把一个流动性不好的品种拉了2%上去。等他建完仓，行情已经变了，策略逻辑完全失效。
冲击成本可以用一个经验公式估算：
冲击成本 ≈ (订单量 / 市场深度) × 买卖价差 × 价格嗯，这里要注意，市场深度越浅，你的订单量越大，冲击成本就越高。所以做套利的朋友，尤其是跨品种套利，一定要关注两个品种的流动性差异。
核心观点： 算法交易的核心目标，就是在「时间风险」和「冲击成本」之间找到平衡。你做得越快，冲击越大；你拖得越久，价格变动的风险越高。
16.2 TWAP算法：时间加权平均价格
TWAP，全称Time-Weighted Average Price。说白了，就是把一个大单拆成很多小单，在固定的时间间隔内均匀执行。
举个例子：你想在1小时内买入100手螺纹钢。TWAP的做法是，每分钟买入约1.67手（100手/60分钟）。不管价格怎么变，我就按时间切。
TWAP的适用场景：
- 市场流动性一般，但价格波动不大
- 你希望成交价格接近这段时间的平均价
- 对时效性要求不高，可以慢慢吃
TWAP的缺点也很明显：
- 容易被市场「狙击」。如果大家都知道你在用TWAP，对手盘可以在每个时间点挂单等你
- 无法利用价格波动。价格跌了，你还是在买；价格涨了，你还是在买
我曾经用TWAP做过一个股指期货的移仓换月。当时觉得挺稳的，结果被程序化交易者盯上了，每次我下单前价格就跳一下。后来我学乖了，加了随机偏移量。
16.3 VWAP算法：成交量加权平均价格
VWAP，Volume-Weighted Average Price。这个比TWAP聪明一点。
它的逻辑是：按照历史成交量分布来分配订单。成交量大的时间段多买点，成交量小的时间段少买点。
为什么这样更好？
你想想看，开盘和收盘的时候成交量最大，流动性最好。这时候你多下点单，冲击成本反而小。中午休息的时候成交量稀稀拉拉，你硬要下单，反而容易把价格打飞。
VWAP的实现步骤：
- 获取历史成交量数据（通常用过去5-20个交易日的分钟级数据）
- 计算每个时间段的成交量占比
- 按照占比分配订单量
# 一个简单的VWAP拆单示例
import pandas as pd
import numpy as np
def vwap_schedule(total_qty, hist_volume, periods=240):
"""
total_qty: 总订单量
hist_volume: 历史成交量序列（长度=periods）
"""
volume_ratio = hist_volume / hist_volume.sum()
schedule = total_qty * volume_ratio
return schedule.round().astype(int)
# 假设一天240分钟，历史成交量数据
hist_vol = np.random.rand(240) * 1000
order_schedule = vwap_schedule(10000, hist_vol)
print(f"第一分钟下单量: {order_schedule[0]}手")
print(f"最后一分钟下单量: {order_schedule[-1]}手")个人经验： VWAP在股指期货和商品期货上效果差异很大。股指期货的成交量分布比较稳定，VWAP效果不错。但有些商品期货，比如某些农产品，成交量分布受季节性因素影响很大，用VWAP反而容易出问题。我建议至少用20个交易日的数据做平滑。
16.4 冰山订单：隐藏你的真实意图
冰山订单，顾名思义，只露出水面的一小部分，大部分藏在下面。
在交易中，你挂一个1000手的买单，所有人都能看到。对手盘会怎么想？「有人要吃货，我先拉高价格。」
但如果你只挂100手，成交了再补100手，别人看到的始终只有100手。这就是冰山订单的精髓。
冰山订单的参数：
| 参数 | 说明 | 我的建议 |
|---|---|---|
| 总订单量 | 你要买入/卖出的总数量 | 根据策略资金量确定 |
| 显示量 | 每次暴露在盘口的数量 | 不超过市场深度1% |
| 补单阈值 | 当剩余多少时补单 | 显示量的50%-80% |
嗯，这里要注意，冰山订单不是万能的。现在很多交易所的Level-2数据可以识别冰山订单。我记得有一次，我用冰山订单在铁矿石上建仓，结果被高频交易者用逐笔成交数据反推出来了。他们算出了我的总订单量，然后反向操作。
避坑指南： 我曾经在流动性很差的品种上用冰山订单，结果显示量太小，半天成交不了一笔。最后价格跑了，我反而亏了。冰山订单适合流动性中等以上的品种，别在冷门合约上硬用。
16.5 拆单策略：把大象装进冰箱分几步
拆单策略，说白了就是「化整为零」。把一个大单拆成无数个小单，分批进场。
拆单策略的核心在于「随机化」。如果你每次都按固定模式拆单，很容易被市场识别。我常用的几种拆单方式：
- 时间随机拆单： 在时间间隔上加入随机偏移，比如本来是每10秒下一单，改成8-12秒随机
- 数量随机拆单： 每次下单量在目标量附近随机波动，比如目标100手，实际在80-120手之间随机
- 价格触发拆单： 不按时间，而是等价格回到某个区间再下单。这个比较高级，适合做均值回归策略
# 时间随机拆单示例
import random
import time
def random_schedule(total_qty, base_interval=10, jitter=2):
"""
base_interval: 基础间隔（秒）
jitter: 随机偏移（秒）
"""
remaining = total_qty
while remaining > 0:
# 每次下剩余量的10%-20%
batch = int(remaining * random.uniform(0.1, 0.2))
batch = min(batch, remaining)
# 执行下单（这里用print模拟）
print(f"下单: {batch}手, 剩余: {remaining - batch}")
remaining -= batch
# 随机等待
wait_time = base_interval + random.uniform(-jitter, jitter)
time.sleep(max(0.1, wait_time))
# 模拟拆单
random_schedule(1000, base_interval=5, jitter=1)16.6 知识体系总览
说了这么多，我画了一张图帮你理清思路。算法交易执行的核心，就是围绕「降低冲击成本」这个目标展开的。
16.7 实战中的选择建议
讲了这么多，到底怎么选？我根据自己的经验，给一个简单的决策流程：
- 先看流动性： 日均成交量低于1万手的品种，别用算法交易，手动慢慢吃吧
- 再看时间窗口： 你有1小时还是1天？时间紧用TWAP，时间充裕用VWAP
- 最后看对手： 如果这个品种上高频交易者多，一定要加随机化，别让他们摸清你的规律
我的经验之谈： 做基差交易的时候，我通常用VWAP配合冰山订单。先用VWAP规划好每个时间段的订单量，然后用冰山订单隐藏真实意图。两个策略叠加，效果比单独用任何一个都好。但要注意，别把参数设得太死，留点灵活调整的空间。
好了，这一章的内容就到这里。算法交易执行是个实践性很强的东西，光看理论没用。我建议你找个模拟盘，拿小资金试试不同的拆单策略，感受一下冲击成本到底有多大。只有亲手做过，才能真正理解这些算法的价值。