第二十章：算法交易与价格发现

聊到价格发现，很多人第一反应是订单簿、是买卖价差。但说实话，真正在市场上每天跟价格博弈的，是那些看不见的算法。我做了这么多年量化，最深的感触就是：算法交易不是简单的拆单工具，它本身就是价格发现过程的一部分。

这一章，我们来聊聊几个最经典的算法——TWAP、VWAP、Iceberg订单，以及它们对市场质量的影响。

20.1 TWAP：时间加权平均价格算法

TWAP，全称Time-Weighted Average Price。说白了，就是把一个大单拆成很多小单，在固定的时间间隔里均匀地扔出去。

核心逻辑：

• 把交易时间分成N个等长的时间片
• 每个时间片内，交易等量的股票
• 目标是让成交均价接近这段时间内的平均价格

我记得刚入行时，有个前辈跟我说：「TWAP是最笨的算法，但也是最不容易出错的。」后来我理解了这句话——它不考虑市场状态，只是机械地执行。但正因为简单，它的行为是可预测的。

来看一个简单的TWAP实现：

def twap_executor(volume, start_time, end_time, num_slices):
    """
    简单的TWAP执行器
    volume: 总成交量
    start_time, end_time: 交易时间区间
    num_slices: 切片数量
    """
    slice_volume = volume / num_slices
    time_interval = (end_time - start_time) / num_slices
    
    orders = []
    for i in range(num_slices):
        order_time = start_time + i * time_interval
        orders.append({
            'time': order_time,
            'volume': slice_volume,
            'side': 'sell'  # 假设卖出
        })
    return orders

20.2 VWAP：成交量加权平均价格算法

VWAP比TWAP聪明一点。它不按时间均匀分配，而是按历史成交量分布来分配订单。

为什么这么做？

你想想看，早盘和尾盘的成交量通常比中午大。如果你在中午也按同样的速度下单，很容易把价格打偏。VWAP的思路是：在成交量大的时段多下，成交量小的时段少下。

VWAP的计算公式：

VWAP = Σ(价格_i × 成交量_i) / Σ(成交量_i)

算法执行的目标，就是让我们的成交均价尽量接近这个值。

我习惯用过去20个交易日的分钟级成交量数据来做预测。当然，遇到财报日或者分红日，这个预测会偏差很大——嗯，这时候我会手动调整权重。

20.3 Iceberg订单：冰山一角

Iceberg订单，也叫冰山订单。它只暴露订单的一部分，剩下的藏在「水下」。

为什么需要Iceberg？

假设你想卖出100万股。如果你直接把订单挂出去，所有人都能看到。结果是什么？买方会压价，你的成交价会越来越低。Iceberg订单可以隐藏真实意图。

Iceberg订单的参数：

• 总数量：你想成交的总量
• 显示数量：每次暴露在订单簿上的数量
• 触发机制：当前显示的部分成交后，自动补充新的显示量

一个简单的Iceberg订单逻辑：

class IcebergOrder:
    def __init__(self, total_volume, display_volume, price, side):
        self.total_volume = total_volume
        self.display_volume = display_volume
        self.remaining_volume = total_volume
        self.price = price
        self.side = side
        
    def get_display_order(self):
        """返回当前需要显示在订单簿上的订单"""
        if self.remaining_volume <= 0:
            return None
        show = min(self.display_volume, self.remaining_volume)
        return {'price': self.price, 'volume': show, 'side': self.side}
    
    def on_fill(self, filled_volume):
        """成交后的处理"""
        self.remaining_volume -= filled_volume
        if self.remaining_volume > 0:
            # 重新挂单，显示新的冰山一角
            return self.get_display_order()
        return None

20.4 算法交易对市场质量的影响

这个问题，我思考了很多年。算法交易到底是让市场更好了，还是更坏了？

正面影响：

• 降低交易成本：算法交易减少了人工干预，买卖价差收窄了
• 提高流动性：高频做市商的存在，让订单簿更「厚」了
• 价格发现更高效：信息能更快地反映到价格中

负面影响：

• 增加波动性：2010年的闪电崩盘就是算法交易引发的连锁反应
• 信息不对称：有算法的机构比散户有优势
• 市场操纵风险：比如「幌骗」策略（spoofing）

我曾经参与过一个研究项目，分析算法交易对市场质量的影响。我们用了三年的数据，发现：

你看，算法交易确实让市场更有效率了，但也带来了更大的波动。这就像开车——高速公路上效率高，但一旦出事，后果也更严重。

20.5 知识体系总览

下面这张图，是我自己梳理的算法交易与价格发现的知识框架。你可以把它当作本章的「地图」：

最后说一句：算法交易不是黑箱。你越理解它的原理，就越能驾驭它。TWAP、VWAP、Iceberg只是入门，后面还有更复杂的实施缺口算法、适应性算法等等。但万变不离其宗——核心都是平衡「执行成本」和「市场冲击」这两个目标。