执行算法与滑点

悄无声息的利润杀手

你开发了一套策略，做了回测：年化收益 18%，夏普比率 1.8。看起来相当漂亮。

你上了实盘。半年后，收益只有 11%，夏普降到 1.1。

问题出在哪？

滑点。 也就是你"想要"的价格和你"实际拿到"的价格之间的差额。

回测假设执行是完美的（收盘价买入、收盘价卖出）。现实要混乱得多：

• 买卖价差（每股 0.01-0.05 美元）
• 市场冲击（你的订单把价格推走了）
• 时间延迟（从决策到成交，价格已经动了）
• 部分成交（在理想价位拿不到全部数量）

一笔 10 万美元的交易，0.3% 的滑点就是 损失 300 美元。一年做 50 次，就是 1.5 万美元的摩擦成本.

好消息是： 机构几十年前就用执行算法解决了这个问题。你也可以。

读懂滑点

四个组成部分

1. 买卖价差

定义： 最优买价与最优卖价之间的差额。

示例：

• SPY 买价 500.00 美元，卖价 500.01 美元
• 价差： $0.01
• 你想买入 1,000 股
• 成本： 1,000 × $0.01 = $10

典型价差区间：

股票类型	典型价差	每 1,000 股的成本
大盘股（SPY、AAPL）	$0.01	$10
中盘股	$0.02-$0.05	$20-$50
小盘股	$0.05-$0.20	$50-$200
微盘股 / 流动性差的股票	$0.20-$1.00+	$200-$1,000+

关键要点： 价差成本是"铁定要付"的。每一笔市价单都要付半个价差（一买一卖来回一趟就是完整一个价差）。

2. 市场冲击

定义： 你的订单把价格朝着对你不利的方向推走。

示例：

• 你想买入 10 万股 XYZ
• 最优卖价：500 股挂在 50.00 美元
• 下一档：1,000 股挂在 50.01 美元
• 再下一档：2,000 股挂在 50.02 美元
• 你的 10 万股会吃穿好几档（平均成交价 50.08 美元）
• 市场冲击：每股 0.08 美元 × 10 万股 = $8,000

市场冲击的经验公式：

Market_Impact = σ × √(Q / V) × I

其中：
σ = 日波动率（%）
Q = 订单规模（股）
V = 日均成交量（股）
I = 即时性系数（市价单为 1.0，算法执行为 0.3-0.5）

// 示例：
// XYZ：σ = 2%，Q = 100,000，V = 5,000,000，I = 1.0（市价单）
// Impact = 0.02 × √(100,000 / 5,000,000) × 1.0
//        = 0.02 × √0.02 × 1.0
//        = 0.02 × 0.141 = 0.283% = 每股 0.14 美元

// 改用 TWAP（I = 0.4）：
// 冲击 = 0.02 × 0.141 × 0.4 = 0.113% = 每股 0.06 美元
// 节省：每股 0.08 美元 × 100,000 = 8,000 美元

关键要点： 市场冲击与订单规模的平方根成正比。订单翻倍，冲击只增加 41%，而不是 100%。

3. 时间风险（机会成本）

定义： 从做出决策到实际成交，价格已经变了。

示例：

• 信号在上午 10:00 提示在 50.00 美元买入
• 你用 TWAP 分 30 分钟执行
• 到 10:30，价格已经涨到 50.25 美元
• 平均成交价 50.12 美元（TWAP 是逐步成交的）
• 机会成本： 相比在 50.00 美元一次性成交，每股多付 0.12 美元

取舍：

• 快速执行（市价单）： 时间风险低，但市场冲击高
• 慢速执行（算法单）： 市场冲击低，但时间风险更高

关键要点： 天下没有免费的午餐。你要根据紧迫程度，在冲击成本和时间风险之间权衡。

4. 隐性成本

• 交易所费用： 每股 0.0030-0.0050 美元（消耗流动性时）
• 返佣： 每股 -0.0020 至 -0.0030 美元（提供流动性时）——成本可以是负的！
• SEC 费用： 每 1 美元成交额收 0.000008 美元（极小，但确实存在）
• 融券成本（做空）： 年化 0.3-20%（难借到的股票）

总交易成本示例

情景： 以 152 美元市价单买入 5 万股 AAPL

成本项目	每股	合计（5 万股）
价差（半个价差）	$0.005	$250
市场冲击	$0.025	$1,250
交易所费用	$0.003	$150
佣金（IB）	$0.0005	$25
合计	$0.0335	$1,675

占这笔 760 万美元交易的比例： 单边 0.022%， 来回一趟 0.044%

听着不多？一年交易 20 次：0.044% × 20 = 每年 0.88% 的拖累。对一套年化 12% 的策略来说，等于把 7.3% 的收益送给了摩擦成本。

执行算法

1. TWAP（时间加权平均价）

运作方式

核心思路： 把订单按时间区间均匀切分。

示例：

• 想在 60 分钟内买入 10 万股
• 切成 12 份（每 5 分钟一份）
• 每份：100,000 ÷ 12 = 8,333 股
• 每隔 5 分钟，向市场发出 8,333 股

算法逻辑：

// TWAP 实现
total_shares = 100000;
duration_minutes = 60;
interval_minutes = 5;

slices = duration_minutes / interval_minutes;  // 12 份
shares_per_slice = total_shares / slices;      // 8,333 股

for (i = 0; i < slices; i++) {
    wait(interval_minutes);
    execute_market_order(shares_per_slice);
}

// 结果：每 5 分钟 8,333 股，持续 60 分钟

优点与缺点

优势：

• 简单： 容易实现，也容易理解
• 可预期： 执行节奏是固定的
• 冲击低： 把订单摊到时间上（市场冲击降低 50-70%）
• 任何市场都能用： 不需要成交量数据

劣势：

• 忽略成交量分布： 可能在成交清淡时下单（冲击更大）
• 容易被别人看穿： 其他算法能识别出 TWAP 并抢先交易
• 时间风险： 如果股价朝不利方向走，平均成交价会更差

何时使用 TWAP

• 再平衡： 你在意的是时间上的一致性，而不是贴合成交量
• 小额订单： 订单低于日均成交量的 5%（冲击成本本来就很小）
• 盘后时段： 没有成交量分布可贴合（VWAP 用不上）

实测表现

• 滑点降幅： 相比市价单降低 55-65%
• TWAP 平均成交价： 与决策价相差 0.08-0.15% 以内（流动性好的股票）
• 胜率： 58%（因为均值回归，成交价好于决策价）

2. VWAP（成交量加权平均价）

运作方式

核心思路： 让你的下单节奏贴合市场的历史成交量分布。

为什么这很重要： 成交量大多集中在开盘（上午 9:30-10:00）和收盘（下午 3:30-4:00）。如果你用 TWAP，就会在清淡时段下单过多（冲击更大）。

VWAP 的解决办法： 市场活跃时多下单，清淡时少下单。

示例：

SPY 的典型成交量分布（按小时）：

时段	占全天成交量的比例	你的订单（10 万股）
上午 9:30-10:00	22%	22,000 股
上午 10:00-11:00	12%	12,000 股
上午 11:00-12:00	8%	8,000 股
下午 12:00-1:00	6%	6,000 股
下午 1:00-2:00	7%	7,000 股
下午 2:00-3:00	10%	10,000 股
下午 3:00-4:00	35%	35,000 股

算法逻辑：

// VWAP 实现
total_shares = 100000;
historical_volume_profile = [22%, 12%, 8%, 6%, 7%, 10%, 35%];

for (hour = 0; hour < 7; hour++) {
    target_shares = total_shares × historical_volume_profile[hour];
    execute_throughout_hour(target_shares);
}

// 自适应 VWAP（效果更好）：
// 根据当天的实际成交量实时调整
for (interval in trading_day) {
    actual_volume_so_far = get_volume();
    expected_volume_so_far = historical_profile.cumulative_at(interval);

    if (actual_volume_so_far > expected_volume_so_far) {
        // 成交量高于预期，下单更积极
        speed_up_execution();
    } else {
        // 成交量偏低，放慢节奏
        slow_down_execution();
    }
}

VWAP 基准

目标： 你的平均成交价应当贴近当天的 VWAP。

当日 VWAP 的计算方式：

VWAP = Σ (Price × Volume) / Σ (Volume)

// 对每个时间区间（1 分钟或 5 分钟 K 线）
// 示例（简化）：
// 9:30：500.00 美元 × 100 万股 = 5 亿美元
// 9:31：500.05 美元 × 80 万股 = 4.0004 亿美元
// ...
// 全部加总：452 亿美元
// 总成交量：9,000 万股
// VWAP = 452 亿 / 9,000 万 = 502.22 美元

// 你的算法就是要贴近这个价格

业绩指标：

• 跑赢 VWAP（买入价低于 VWAP）： 执行得好
• 与 VWAP 持平： 中性（执行没有偏向）
• 比 VWAP 差： 执行得差（买贵了）

优点与缺点

优势：

• 行业标准： 机构通用的比较基准（基金经理拿 VWAP 来考核执行）
• 冲击比 TWAP 更低： 在流动性充沛时下单（冲击少 10-15%）
• 价格公允： VWAP 代表当天机构的"平均"成交价

劣势：

• 需要成交量分布： 需要历史数据（新上市股票用不了）
• 仍然可被预判： 别人也知道 VWAP 的节奏（会被针对）
• 忽略价格趋势： 如果股价在单边走，VWAP 未必是最优解

何时使用 VWAP

• 大额订单： 占日均成交量的 10-30%（必须把冲击压到最低）
• 有基准考核要求： 基金经理要求按 VWAP 执行
• 流动性好的股票： 成交量分布稳定（SPY、AAPL 等）

实测表现

• 滑点降幅： 相比市价单降低 60-72%
• 跑赢 VWAP 的比例： 52%（接近抛硬币，中性算法本该如此）
• 与 VWAP 的平均偏离： ±0.05-0.10%（非常贴合）

3. 执行落差（Implementation Shortfall，最优执行）

背后的理论

问题： TWAP 和 VWAP 把冲击成本压到最低，却忽略了时间风险（执行期间价格朝不利方向走）。

执行落差要回答的问题是： 冲击成本和时间风险之间，最优的平衡点在哪里？

构成项：

Implementation_Shortfall = Decision_Price - Actual_Avg_Fill

分解：
= Market_Impact + Timing_Cost + Opportunity_Cost + Fees

// 目标：最小化总落差，而不只是市场冲击

这里的取舍

执行速度	市场冲击	时间风险	总成本
立刻成交（市价单）	高（0.3%）	零	0.30%
慢速（VWAP 铺满全天）	低（0.05%）	高（0.40%）	0.45%
最优（IS 算法）	中等（0.12%）	低（0.08%）	0.20% ✅

关键要点： 执行得太慢反而会推高总成本（因为时间风险）。最优解在中间某处。

IS 算法是怎么运作的

输入变量：

• 波动率（波动越大越要快执行，时间风险越高）
• 订单规模（越大越要慢执行，冲击越大）
• 紧迫程度（alpha 衰减速度——你的信号多快失效）
• 流动性（成交量、价差）

算法据此决定：

• 高紧迫 + 低波动： 快速执行（时间风险占主导）
• 低紧迫 + 高波动： 慢速执行（冲击成本占主导）
• 大订单 + 低流动性： 极慢执行（冲击极大）

示例：

// 简化版 IS 算法逻辑
urgency_score = signal_strength × alpha_decay_rate;
impact_score = (order_size / daily_volume) × volatility;

if (urgency_score > impact_score) {
    // 紧迫性占主导，加快节奏
    execution_time = 15 minutes;
} else {
    // 冲击成本占主导，放慢节奏
    execution_time = 120 minutes;
}

// 然后在这个时长内用 TWAP/VWAP 执行

优点与缺点

优势：

• 成本最优： 在冲击与时间之间取得平衡（总成本最低）
• 能自适应： 实时根据市场状况调整
• 理论基础扎实： 建立在学术研究之上（Almgren-Chriss 模型）

劣势：

• 复杂： 需要波动率模型和 alpha 衰减估计
• 可预期性差： 执行时长不固定（不好提前安排）
• 对输入质量要求高： 垃圾进，垃圾出

何时使用 IS

• 成熟的交易者： 你有能力对 alpha 衰减和波动率建模
• 衰减很快的信号： 动量、均值回归（信号很快失效）
• 紧迫程度多变： 有时要快、有时要慢（IS 会自适应）

实测表现

• 相比 VWAP 的成本降幅： 15-25%（参数调校得当时）
• 夏普比率提升： 0.1-0.2（成本更低 = 风险调整后收益更高）
• 复杂度的代价： 高（校准出错反而会推高成本）

4. 限价单策略（被动执行）

运作方式

核心思路： 不要去消耗流动性（市价单），而要提供流动性（限价单）。这样不用付费，反而能拿返佣。

示例：

• SPY 买价 500.00 美元，卖价 500.01 美元
• 你想买入 1 万股
• 市价单： 付 500.01 美元（消耗流动性，还要付每股 0.003 美元手续费）
• 限价单： 在 500.00 美元挂买单，等着成交（提供流动性，每股拿到 0.002 美元返佣）

成本对比：

下单方式	成交价	手续费 / 返佣	总成本
市价单	$500.01	+$0.003	$500.013
限价单（已成交）	$500.00	-$0.002	$499.998
节省	每股 0.015 美元 = 1 万股共 150 美元

问题所在：成交率

取舍： 限价单只有在成交的前提下才更便宜。可它并不总能成交。

示例：

• 你在 500.00 美元挂了限价买单
• 股价在 500.00 美元停留了 5 分钟（你成交了 3,000 股）
• 接着股价拉到 500.15 美元（剩下的 7,000 股再也没成交）
• 现在你只能在 500.15 美元追价（比一开始用市价单在 500.01 美元成交还差）

成交率实测数据：

• 挂在买一/卖一（被动）： 成交率 40-60%
• 挂在价差之内（中间价）： 成交率 15-30%
• 挂在价差之外： 成交率 5-15%（非常被动）

智能限价单算法

// 自适应限价单策略
target_shares = 10000;
filled_shares = 0;
time_limit = 30 minutes;

start_price = get_mid();
limit_price = start_price - (spread / 2);  // 挂到买一价

place_limit_order(limit_price, target_shares);

// 每 30 秒检查一次
for (t = 0; t < time_limit; t += 30_seconds) {
    filled_shares = get_filled_quantity();
    current_price = get_mid();

    // 如果价格跑开、且成交不足一半，就转为激进
    if (current_price > start_price + 0.1% && filled_shares < target_shares * 0.5) {
        cancel_limit_order();
        // 未成交部分改用市价单
        execute_market_order(target_shares - filled_shares);
        break;
    }

    // 如果已成交超过八成，剩下的可以耐心等
    if (filled_shares > target_shares * 0.8) {
        // 继续等，大部分已经拿到了
        continue;
    }
}

// 时间到了，剩余部分用市价单成交
if (filled_shares < target_shares) {
    execute_market_order(target_shares - filled_shares);
}

何时使用限价单

• 紧迫程度低： 可以等上几小时甚至几天才成交
• 区间震荡的市场： 价格来回摆动（迟早会回到你的限价）
• 小额交易： 低于日均成交量的 1%（成交概率高）
• 对成本极度敏感： 每 0.01 美元都要计较（高频交易、做市）

实测表现

• 成交时的成本节省： 相比市价单省下 0.01-0.03%
• 成交率（挂在买一/卖一）： 45-55%
• 未成交时的机会成本： 0.10-0.50%（价格跑掉了）

怎么选对算法

决策框架

适用条件	最佳算法	理由
订单低于日均成交量的 5%	TWAP（15-30 分钟）	冲击本来就小，越简单越好
订单占日均成交量的 10-30%	VWAP（铺满全天）	需要贴合成交量才能把冲击压到最低
高紧迫（信号衰减快）	执行落差算法	在速度与冲击之间取得最优平衡
低紧迫（再平衡）	限价单（被动）	省成本，时间站在你这边
单边趋势市（动量强劲）	TWAP（快速，5-10 分钟）	别等了，价格正在跑掉
区间震荡市	限价单或慢速 VWAP	价格会来回摆动，耐心点
高波动（VIX 高于 25）	TWAP（缩短执行时长）	时间风险高，要执行得更快
低波动（VIX 低于 15）	VWAP 或慢速执行	时间风险低，重点压低冲击

衡量执行质量

关键指标

1. 执行落差（总成本）

IS = (Avg_Fill - Decision_Price) / Decision_Price × 100

// 示例：
// 决策价：500.00 美元
// 平均成交价：500.15 美元
// IS = (500.15 - 500.00) / 500.00 = 0.03%（3 个基点）

// 参考标准：低于 5 个基点为优秀，5-10 个基点为良好，高于 15 个基点为差

2. 与 VWAP 的偏离

VWAP_Dev = (Avg_Fill - Daily_VWAP) / Daily_VWAP × 100

// 示例：
// 平均成交价：500.15 美元
// 当日 VWAP：500.10 美元
// VWAP_Dev = 0.01%（比 VWAP 差 1 个基点）

// 参考标准：±3 个基点为良好，高于 5 个基点为差

3. 成交率（针对限价单）

Fill_Rate = Filled_Shares / Target_Shares × 100

// 参考标准：高于 70% 为良好，40-70% 可接受，低于 40% 说明过于被动

散户怎么落地

券商自带算法（省事的选择）

盈透证券（Interactive Brokers）：

• TWAP、VWAP、Adaptive（类似 IS）
• 所有账户免费
• 适合 1,000 至 10 万股的订单

Fidelity Active Trader Pro：

• TWAP、VWAP
• 活跃交易者免费

TD Ameritrade：

• 通过 thinkorswim 使用 VWAP
• 免费（但可定制的空间有限）

自己动手写算法（Python）

一个简单的 TWAP 脚本：

import time
from ib_insync import *

ib = IB()
ib.connect('127.0.0.1', 7497, clientId=1)

# 参数
symbol = 'SPY'
total_shares = 10000
duration_minutes = 30
interval_minutes = 5

# 计算切分份数
slices = duration_minutes // interval_minutes
shares_per_slice = total_shares // slices

# 执行 TWAP
stock = Stock(symbol, 'SMART', 'USD')

for i in range(slices):
    order = MarketOrder('BUY', shares_per_slice)
    trade = ib.placeOrder(stock, order)

    print(f"Slice {i+1}/{slices}: {shares_per_slice} shares")

    # 等待成交
    ib.sleep(2)

    # 等到下一个时间区间
    time.sleep(interval_minutes * 60)

print("TWAP execution complete")
ib.disconnect()

要点回顾

下一步

现在你已经明白，怎样通过聪明的执行来压低交易成本。

接着看： 交易与择时目录 —— 浏览全部深度专题和进阶策略。