随着证券市场的发展与成熟,算法交易逐渐兴起与发展。算法交易将大额订单拆成若干合适的小额订单予以成交,降低投资者交易成本,减少对市场行情冲击并降低交易员手工误差。因此算法交易越来越受到机构投资者的关注,也逐渐成为金融学的研究热点。VWAP（成交量加权平均价格）策略作为最基本的算法交易策略,核心是通过对日内成交量分布进行预测从而得到更接近与VWAP的平均成交价,因此如何更精准地预测日内成交量分布便是提高VWAP算法策略表现效果的重中之重。历史VWAP策略是一种完全静态的策略,在交易日开盘前就会确定好每个交易区间的交易比例,其无法利用交易日市场的实时信息,因而人们倾向于使用更优化的动态VWAP策略。目前动态VWAP策略一般是在对日内成交量进行因素分解建模基础上,利用时间序列模型进行预测。因此本文提出一种基于神经网络的端到端的预测模型,配合日内实时价量特征数据,试图对日内成交量进行更精确的预测。本文假设算法策略下单时以买一价和卖一价的平均值成交,因此重点对日内成交量进行建模预测。本文的动态VWAP策略基于历史VWAP策略,即在其预测的区间成交比例基础上乘以一个修正参数,通过该参数利用市场的实时成交信息。对修正参数的估计采取端到端的模式,本文认为存在一种函数f,能通过市场现有数据计算出该修正参数,因此使用LSTM神经网络模型基于历史数据训练神经网络模型模拟该函数。在随后执行策略时,传入市场成交的价量数据计算出区间成交比例从而进行合适的拆单操作。同时为了保证顺利完成交易任务,还设置了阈值,将当日交易模式分成动态部分和历史部分。实证验证方面,本文以A股市场中40支股票的60秒高频交易数据为样本,以2021年6月-11月六个月约120天数据作为训练集,2021年12月数据作为测试集数据检验模型有效性。在样本股票选取方面,充分考虑流通性和股票价格档位,将样本股票池根据流通性高低和价格档位高中低分成6个小组,将VWAP策略预测的日内成交量平均误差和最终日内成交均价与当日真实VWAP数据差值作为标准对模型进行检验,结果表明在高流通性及中高价位的股票上,动态VWAP策略的成交量预测误差和执行成本显著优于历史VWAP策略以及TWAP策略,同时在23个样本外交易日中动态VWAP策略战胜历史VWAP策略的概率普遍大于60%,从而认为本文的动态VWAP策略是一种更为有效的VWAP算法交易策略,能够有效降低交易成本,具有一定的理论意义和实践意义。