算法交易是指通过事先设计好交易策略,然后将其编制成计算机程序,在无人干预的情况下利用计算机程序的算法来决定交易下单的时机、价格和数量等,并且结合当前行情的变化自动作出反应。在证券市场上机构投资者在进行交易量较大的证券交易时,除了手续费和交易税等确定性成本外,还必须考虑执行成本:由于该证券流动性有限,投资者执行期望一次成交的量会产生冲击成本,并且会使证券价格向不利方向变动,而如果将指令分割得很小,则交易时间就会增加,价格变化的可能性更大。正是基于这一问题,越来越多的经纪商和机构投资者开始采用算法交易,今天,美国90%以上的证券经理在建立投资组合时至少使用一次算法交易。而亚洲市场上也有40%的交易是基于算法交易完成。而针对算法交易的研究,仅仅利用低频数据是不行的。算法交易在执行中往往在一天内需要执行频繁的交易指令,必须跟踪市场每刻的实时交易行情,因此利用高频交易数据来建模会有更好的拟合效果。当前我国A股市场的算法交易尚处于起步阶段,但考虑到A股市场目前的实际情况,相比国外成熟的证券市场,价格波动更大,流动性更大,因而算法交易的价值更为突出,而随着国内股指期货的提出,各类机构投资者都在进行套利模型的设计,如何避免大笔下单给市场造成价格大幅波动是模型中必须考虑的问题。因此各种创新交易方式将被逐步运用于各种套利交易中,因此对于算法交易的需求会更加明显。本文首先介绍了算法交易的兴起和发展现状,以及当前算法交易的主流设计思想和常用算法,再结合A股市场的发展分析,总结出在A股市场进行算法交易需要注意的问题。本文利用高频数据处理方法提出了一种适合A股市场交易规则的交易算法,分别考虑无交互效应和有交互效应两种情况下交易策略的设计。无交互效应的模型首先通过ACD模型建模得到交易持续期序列,选择交易时间点,然后分别对每个交易期间的成交量分布和每个期间的价格变化进行预测,最后根据价格的变化对交易量进行调整。而对于有交互效应的情况,通过事件分析法引入交互因子,并对其影响进行修正建模分析,得到相应的交易策略。在算法的具体实施过程中,我们对传统方面进行了一定的创新。在预测交易时间时,我们提出了一种带非对称效应的扩展ACD模型以解释外在因素对未来交易量持续期的影响;在预测交易量分布,考虑不同时间段的记忆周期差异,提出了一种基于自相关的分时VWAP算法。根据设定的交易策略,利用A股市场10只股票2008年的高频交易数据,进行了算法的实证研究。分别通过交易期预测、交易量分布预测和股票价格变动预测,经过调整得到了策略的执行交易量,经过模拟检验表明该算法在一定的成交概率下能优于市场均价。进一步,我们在模型中加入交互效应因子,结果表明在同样的成交概率限制下,有交互效应的情况执行价格略低于无交互效应的情况,但仍能显著优于市场均价。