近年来,算法交易在金融领域得到了迅速的发展和广泛的应用,对算法交易的研究也越来越活跃。作为应用最为广泛的交易量加权平均价格（Volume Weighted Av-erage Price,VWAP）算法交易策略已成为研究热点之一。本文基于VWAP算法交易策略将大额订单分配分解为两个核心问题:交易量预测问题以及订单拆分问题,分别对这两个问题的解决方法进行改进研究,提出了大额订单分配问题的系统性解决方案,可以协助机构投资管理者制定更合理的大额订单分配方案,降低投资成本。本文首先基于股票交易数据研究了涨跌停状态下股票交易价格的修正问题,基于修正的股票交易价格研究了股票价格的周期性特征和股票价格的波动特征,为投资者对市场做判断提供依据;接着基于股票价格的周期性特征和波动特征研究了股票交易量和股票价格的预测问题,帮助投资者合理评估证券交易市场规模及市场走势;最后,基于预测的股票交易量和股票交易价格,研究了大额订单拆分优化问题,对投资者资源进行优化配置,降低交易成本,提高收益。本文的主要研究工作如下:1.基于股票交易数据的交易价格修正问题。首先给出基于股票市场交易价格序列的无约束交易价格修正方法（时序EM算法）,该方法可以对历史交易数据中受涨跌停约束的交易价格进行修正。然后应用经验模态分解算法去除修正后交易价格序列中的干扰,获取具有局部周期性特征的子信号（本征模函数）。最后设计序列延拓算法把分解得到的本征模函数拟合为正弦函数或线性函数,并从中萃取修正后股票交易价格的周期性特征。2.股票交易量预测问题。基于股票价格的周期性特征和波动性特征设计了一种动态时序递进的长短期预测相结合的股票交易量预测模型,称为DynPre。该算法在原始神经网络模型的基础上加入了基于变长滑动时间窗口的样本构建算法和样本抽取算法,不仅可以实现股票交易量的动态预测,还具备进行分钟级迭代的能力。本文使用江山股份（证券代码:600389）从2021年10月8日到2022年1月14日中70个开盘日的分钟级切片交易数据进行数值试验,将DynPre与传统交易量预测模型从预测精度和运行效率两个方面进行对比。结果表明DynPre比传统模型的预测精度高47.5%,且最慢可在283毫秒内完成预测,可以满足大额订单拆分的时间要求。3.大额订单拆分优化问题。首先应用DynPre预测股票交易价格,其次基于股票交易价格预测数据设计了加入股票价格信息的VWAP算法交易策略,称为PVWAP算法交易策略。最后本文利用江山股份从2022年1月14日到2022年1月18日中3个开盘日的分钟级切片交易数据进行仿真验证,从跟踪市场VWAP效果、执行成功率和战胜市场VWAP三个维度对VWAP算法交易策略和PVWAP算法交易策略的大额订单拆分效果进行对比。仿真试验中PVWAP算法交易策略对应的执行VWAP以平均0.3元/笔战胜了市场VWAP,以平均0.64元/笔战胜了VWAP算法策略对应的执行VWAP,证明了 PVWAP算法交易策略的可行性和有效性。