算法交易在证券市场的迅速发展使得机构投资者在算法交易策略层面的竞争愈演愈烈,以得到市场均价为目标的VWAP策略作为市场上应用最广泛的交易策略,是算法交易的研究热点之一。交易大额订单时采用VWAP策略拆分订单可以降低冲击成本同时隐藏进行大额交易的意图,实施VWAP策略的前提和基础是预测日内成交量的分布,传统VWAP策略采用静态的历史均值预测法,近年来研究文献中的改进VWAP策略大多利用高频数据实时信息对预测值作动态的调整。近期VWAP策略研究中预测成交量的主流模式是先将成交量序列分解为市场部分和个股部分,然后预测其日内分布,再根据实时信息动态调整预测值。在详细考察现有改进VWAP策略成交量预测模型的建模方式和预测结果的基础上,发现他们普遍存在样本依赖性高的问题,对于许多股票无法适用,原因在于分解成交量时没有完全分离成交量的日内周期结构,影响后续的建模预测。针对这一问题,本文在假设成交量订单到达过程是一种双随机泊松点过程的基础上,从股票间自身成交量变化关系出发,推导出个股与市场成交量的关系,以此来分离代表市场影响的成交量日内周期结构,提出了一种新的成交量分解模型将成交量分解为市场部分和个股部分,用历史均值预测市场部分,用ARMA模型预测个股部分,并采用市场主成分法和样本资本权重加权两种方式构建代表市场变化趋势的成交量序列,通过动态调整分别设计了动态VWAP策略一和动态VWAP策略二。实证结果表明本文的成交量分解模型可以有效分离股票成交量的“U”型周期结构,在此基础上构造的两种动态VWAP策略适用于市场中大部分股票,且策略执行价格的跟踪误差比传统策略更小,可有效降低市场交易风险。对数据实证结果作进一步分析显示在预测成交量分布时,策略一(PCA)的误差值标准差更小,策略二(资本权重)的误差均值更小且占优于传统策略的概率更高;对难以预测的样本,标准差更小的策略一表现更好;对容易预测的样本,占优概率更大的策略二表现更好。执行价格的跟踪误差主要受成交量预测模型的标准差影响,策略一的跟踪误差更小。成交量预测精度与模型的标准差成反比,精度比传统策略的提升程度与传统策略的误差、标准差和占优传统策略概率成正比;执行价格跟踪误差具有类似的线性关系;样本成交量均值和标准差越大,跟踪误差减少越多。