跳到主要内容

Quantitative Trading

· 阅读需 20 分钟
ahKevinXy
ahKevinXy
作者

很多新手听到“量化”“编程”就望而却步，其实量化交易的核心很简单：用计算机程序替代人工，把交易逻辑（比如“什么时候买、什么时候卖”）写成可执行的规则，让电脑自动完成交易，本质是“纪律化交易”，核心目的是克服人性的贪婪、恐惧，实现高效、稳定的收益。 一句话区分：传统人工交易靠“看盘、凭感觉”，量化交易靠“数据、靠代码”。

本教程核心定位：零基础友好，不堆砌复杂理论，全程围绕“能学会、能落地”展开，从“不懂量化”到“能独立搭建策略、小额实盘”，再到“精通优化”，一步一步带你走，无需金融、编程专业背景。

适用人群：零基础新手、有股票/基金交易经验想提升效率者、对编程+数据感兴趣的学习者；学习周期：每天1-2小时，3个月入门，6-12个月精通。

第一部分：入门认知（打地基，避坑第一步）​

1.1 量化交易核心术语（必懂，不然后续看不懂） 新手不用死记硬背，理解含义即可，后续用到会反复强化：

  • 标的：交易的对象，新手优先选A股股票、ETF（流动性好、风险可控），后期可尝试期货、数字货币（风险较高）；
  • 策略：量化的“灵魂”，就是一套可量化、可重复的交易规则（比如“5日均线金叉买入，死叉卖出”）；
  • 回测：用历史数据测试策略效果（比如用过去5年的股票数据，看策略能赚多少、亏多少），是策略落地前的必经步骤；
  • 模拟盘：用虚拟资金实盘演练，和真实交易流程一致，无资金风险，用于验证策略；
  • 实盘：用真实资金交易，会面临滑点、手续费等真实问题；
  • 滑点：实际成交价格与预期价格的偏差（比如计划10元买，实际10.02元成交），实盘必须考虑；
  • 夏普比率：衡量“风险调整后收益”，数值越高越好（新手目标≥1.5），低于1说明风险过高；
  • 最大回撤：策略一段时间内的最大亏损幅度（新手目标≤15%），回撤越小，策略越稳健；
  • 过拟合：新手最容易踩的坑——为了贴合历史数据，设置过多特殊参数，导致策略在历史中盈利，实盘却亏损。 1.2 量化交易的优势与误区（新手必看） 1.2.1 核心优势（为什么要做量化）
  • 纪律性：严格执行预设规则，不被情绪左右（不会追高、不会割肉割在最低点）；
  • 高效性：电脑能同时分析上千只股票，人工几小时的工作量，程序几分钟搞定；
  • 可复制性：策略验证有效后，可重复使用，无需每次重新分析；
  • 风险可控：通过程序预设止损、止盈，快速控制亏损，避免亏得更多。 1.2.2 新手常见误区（避开这些，少走1年弯路）
  • 误区1：量化=稳赚不亏—— 量化只是“降低风险、提升效率”，不是保本，极端行情（如股灾）也会亏损；
  • 误区2：不用懂编程，靠工具就能做好—— 工具只是辅助，不懂编程无法优化策略、解决实盘问题，新手必须掌握基础Python；
  • 误区3：回测盈利，实盘就一定盈利—— 回测是“理想情况”，实盘有滑点、手续费、市场风格变化，回测盈利≠实盘盈利；
  • 误区4：追求复杂策略—— 新手优先从简单策略入手（如均线策略），复杂策略易出错、难优化；
  • 误区5：投入大量资金试错—— 新手先从小额实盘（1-5万）开始，验证策略后再逐步加仓。 1.3 量化交易完整流程（记住这个，后续学习不迷路） 所有量化交易都围绕这个流程展开，新手按步骤来，不会乱：
  1. 明确需求：确定交易标的（如股票）、周期（如日线）、风险偏好（如稳健型）；
  2. 工具准备：学会Python、数据获取、回测工具的基础用法；
  3. 搭建策略：设计可量化的交易规则（买入、卖出、止损、止盈）；
  4. 回测验证：用历史数据测试策略，优化参数，确保策略有效；
  5. 模拟盘测试：用虚拟资金演练，熟悉流程，解决回测未考虑的问题；
  6. 小额实盘：用少量真实资金运行，监控策略表现；
  7. 策略优化：根据实盘数据，调整规则、完善逻辑，持续提升收益。

第二部分：基础工具（手把手搭建，新手也能搞定）​

量化交易的核心工具：Python（编程）+ 数据获取 + 回测平台，不用追求复杂工具，掌握这3个，就能满足从入门到进阶的需求，全程免费。 2.1 编程基础：Python入门（量化必备，极简版） 量化最常用的编程语言是Python，简单易懂、生态完善，新手不用精通，掌握“基础语法+数据处理”即可，不用学完所有Python内容，只学有用的。 2.1.1 环境搭建（3步搞定，全程免费）

  1. 安装Python：去官网（https://www.python.org/）下载，选择3.8-3.10版本（兼容性最好），安装时勾选“Add Python to PATH”（方便后续调用）；
  2. 安装IDE（编程工具）：新手推荐“PyCharm Community Edition”（免费），下载后安装，打开即可创建Python项目；
  3. 安装必备库：打开PyCharm的“Terminal”（终端），输入以下命令，一键安装所有需要的库（复制粘贴即可）：
pip install pandas numpy tushare matplotlib scipy backtrader

2.1.2 新手必备Python语法（只学3点，够用）

  • 数据类型：重点掌握DataFrame（pandas的核心，用于存储股票表格数据，如开盘价、收盘价）；
  • 基础操作：for循环（遍历多只股票）、if-else（实现策略逻辑，如“如果金叉，就买入”）；
  • 数据处理：用pandas读取、筛选、计算数据（如计算5日均线）。 极简示例（感受一下，后续会详细讲）：用pandas计算股票5日均线
import pandas as pd

# 读取股票数据（后续讲如何获取）
df = pd.read_csv("stock_data.csv")
# 计算5日均线（close是收盘价）
df["MA5"] = df["close"].rolling(window=5).mean()
# 打印结果
print(df[["date", "close", "MA5"]].head())
2.2 数据获取：免费、稳定的数据源（新手首选）
没有数据，就无法回测和策略搭建，新手优先用免费数据源，无需付费，满足基础需求。
2.2.1 首选：Tushare（国内股票数据，免费版足够）
1. 注册账号：去Tushare官网（https://tushare.pro/）注册，完成实名认证（免费版需要）；
2. 获取token：登录后，在“个人中心→接口token”复制自己的token（用于调用数据）；
3. 调用数据（完整代码，复制可运行）：获取贵州茅台（600519.SH）2020-2024年日线数据
        import tushare as ts

# 替换成自己的token
ts.set_token("你的token")
pro = ts.pro_api()

# 获取贵州茅台日线数据（2020-2024）
df = pro.daily(ts_code="600519.SH", start_date="20200101", end_date="20241231")
# 按日期升序排列（方便后续分析）
df = df.sort_values("trade_date")
# 保存数据（方便后续复用）
df.to_csv("600519_daily.csv", index=False)
# 打印前5行数据
print(df.head())

2.2.2 备用数据源（免费，无需实名认证）

  • baostock：免费获取A股、港股、美股数据，无需实名认证，适合快速获取数据；
  • 聚宽（JoinQuant）：网页版平台，内置数据和回测工具，无需本地搭建环境，适合新手快速上手。 2.3 回测工具：Backtrader（开源、易用，新手首选） 回测工具的作用：用历史数据模拟交易，自动计算收益率、夏普比率、最大回撤等指标，不用手动计算，验证策略是否有效。 核心优势：免费开源、支持多种标的、语法简单，新手容易上手，后续策略搭建全程用它。 极简示例：后续第三部分会用它搭建完整策略，这里先记住——Backtrader能帮我们快速验证策略，不用自己写复杂的计算逻辑。 第三部分：核心策略（从简单到复杂，落地为王） 策略是量化的灵魂，新手遵循“从简单到复杂”的原则，先掌握“单因子策略”（如均线策略），再进阶“多因子策略”，避免一开始陷入复杂逻辑。 3.1 新手入门：最易上手的策略——均线交叉策略（日线级） 均线交叉策略是量化入门的“敲门砖”，逻辑简单、易实现、风险可控，适合新手第一次搭建策略，学会这个，就掌握了策略搭建的核心逻辑。 3.1.1 策略逻辑（明确、可量化，无模糊表述）
  1. 标的：A股股票（如贵州茅台、招商银行）；
  2. 周期：日线数据（每天1个数据点，波动平缓，适合新手）；
  3. 均线设置：5日均线（短期趋势）、20日均线（长期趋势）；
  4. 买入信号：5日均线向上穿过20日均线（金叉），买入股票，仓位100%（新手简化操作）；
  5. 卖出信号：5日均线向下穿过20日均线（死叉），卖出全部股票，空仓；
  6. 止损止盈：暂时不额外设置（先掌握核心逻辑，后续再添加）。 3.1.2 完整回测代码（复制可运行，带注释） 将以下代码复制到PyCharm，替换自己的Tushare token，即可运行，查看策略效果（注释详细，新手能看懂每一步）：

import backtrader as bt
import tushare as ts
import pandas as pd


# 1. 定义均线交叉策略
class MaCrossStrategy(bt.Strategy):
    # 策略参数（均线周期，可后续优化）
    params = (
        ('ma_short', 5),  # 短期均线：5日
        ('ma_long', 20),   # 长期均线：20日
    )

    def __init__(self):
        # 初始化两条均线指标
        self.ma_short = bt.indicators.SimpleMovingAverage(
            self.data.close, period=self.params.ma_short
        )
        self.ma_long = bt.indicators.SimpleMovingAverage(
            self.data.close, period=self.params.ma_long
        )
        # 计算交叉信号（金叉：短期穿长期，死叉：长期穿短期）
        self.crossover = bt.indicators.CrossOver(self.ma_short, self.ma_long)

    def next(self):
        # 没有持仓，且出现金叉 → 买入
        if not self.position and self.crossover > 0:
            self.buy(size=100)  # 买入100股（新手固定仓位，简化操作）
        # 有持仓，且出现死叉 → 卖出
        elif self.position and self.crossover < 0:
            self.sell(size=100)  # 卖出100股

# 2. 获取股票数据（Tushare）
ts.set_token("你的token")  # 替换成自己的token
pro = ts.pro_api()
# 获取贵州茅台（600519.SH）2020-2024年日线数据
df = pro.daily(ts_code="600519.SH", start_date="20200101", end_date="20241231")
# 调整数据格式（适配Backtrader）
df = df.sort_values("trade_date")  # 按日期升序
df.rename(columns={  # 重命名列名，符合Backtrader要求
    "trade_date": "date",
    "open": "open",
    "high": "high",
    "low": "low",
    "close": "close",
    "vol": "volume"
}, inplace=True)
df["date"] = pd.to_datetime(df["date"])  # 转换日期格式
df.set_index("date", inplace=True)  # 设日期为索引

# 3. 运行回测
cerebro = bt.Cerebro()  # 初始化回测引擎
cerebro.addstrategy(MaCrossStrategy)  # 添加策略
# 添加数据到回测引擎
data = bt.feeds.PandasData(dataname=df)
cerebro.adddata(data)
# 设置初始资金（10万元）
cerebro.broker.setcash(100000.0)
# 设置手续费（A股：万1.5佣金，千1印花税，卖出时收取）
cerebro.broker.setcommission(commission=0.00015, stamp_duty=0.001)
# 设置滑点（0.1%，模拟真实交易偏差）
cerebro.broker.set_slippage_perc(perc=0.001)

# 打印初始资金
print(f"初始资金: {cerebro.broker.getvalue():.2f}元")
# 运行回测
cerebro.run()
# 打印最终资金
print(f"最终资金: {cerebro.broker.getvalue():.2f}元")
# 绘制回测图表（直观查看策略表现，如收益率、交易点）
cerebro.plot()

``` 

3.1.3 回测结果分析（新手重点看这4个指标）
运行代码后，会得到“最终资金”“回测图表”和关键指标，新手不用纠结复杂数据，重点关注这4点：
- 总收益率：（最终资金-初始资金）/初始资金，比如10万变15万，收益率50%；
- 夏普比率：≥1.5合格，低于1说明策略风险太高，收益不值得；
- 最大回撤：≤15%合格，回撤越大，策略越不稳定；
- 交易次数：日线级策略，每年20-50次为宜，过多会增加手续费成本。
优化方向：如果收益率低、回撤大，可调整均线周期（如5日改10日、20日改60日），或更换标的。
3.2 进阶：单因子升级——市盈率+趋势跟踪策略
均线策略只关注“价格趋势”，进阶一步，加入“价值因子”——市盈率（PE），筛选低估值股票，兼顾“价值+趋势”，策略更稳健，避免买入高泡沫股票。
3.2.1 策略逻辑
1. 选股条件：市盈率（PE-TTM）低于行业平均，且低于自身近3年平均PE（低估值）；
2. 买入信号：满足选股条件 + 5日均线金叉20日均线（趋势向上）；
3. 卖出信号：市盈率高于行业平均（估值过高），或5日均线死叉20日均线（趋势向下）；
4. 止损：亏损达到5%，自动卖出（控制单个标的风险）。
核心优化：加入估值筛选，降低回撤；保留趋势跟踪，避免在下跌趋势中持有，比单纯均线策略更靠谱。
3.3 高阶：多因子策略（多维度筛选，提升收益）
当你熟练掌握单因子策略后，可进阶多因子策略——结合多个因子（如市盈率、市净率、成交量、ROE），从多个维度筛选标的，进一步提升收益稳定性。
核心逻辑：给每个因子设定“打分标准”（如PE越低得分越高，ROE越高得分越高），对所有股票打分，筛选得分前20的股票，再结合趋势信号交易。
注意：多因子策略复杂度高，需要更多财务数据和参数优化，新手建议先熟练单因子，再逐步尝试。
## 第四部分：实战落地（从模拟盘到实盘，关键一步）
回测盈利≠实盘盈利，实战是检验策略的唯一标准，新手必须经历“模拟盘→小额实盘→正常实盘”的过程，避免一开始投入大量资金。
4.1 模拟盘测试（必做，新手第一步）
模拟盘是“虚拟资金”交易，和实盘流程完全一致，无资金风险，核心目的：熟悉流程、验证策略、解决回测未考虑的问题（如停牌、滑点）。
4.1.1 模拟盘平台推荐（新手首选）
- 聚宽（JoinQuant）：网页版，内置模拟盘，支持自定义策略，无需本地搭建环境，操作简单；
- 同花顺模拟盘：手机APP，适合快速熟悉交易流程，直观查看持仓和盈亏；
- 本地模拟：用Backtrader结合实时数据，模拟实盘交易。
4.1.2 模拟盘测试要点（至少1个月）
1. 测试周期：至少1个月，覆盖上涨、下跌、震荡3种行情，验证策略在不同行情下的表现；
2. 重点关注：策略执行力（是否严格按信号交易）、滑点/手续费对收益的影响、停牌股票的处理；
3. 优化调整：如果模拟盘收益率大幅低于回测，或回撤过大，调整策略参数（如均线周期、止损比例）。
4.2 小额实盘（新手进阶，控制风险）
模拟盘测试通过后（如1个月收益率≥5%，最大回撤≤10%），可开始小额实盘，建议投入资金≤总资金的10%（如总资金10万，实盘投入1万），重点是“验证策略可行性”，不是追求高收益。
4.2.1 实盘平台对接（Python+券商API）
新手首选“同花顺iFinD开放平台”“东方财富API”，或券商自带API（如华泰、中信），对接流程3步：
1. 注册开发者账号：在券商或开放平台注册，申请API权限；
2. 获取API密钥：获取appkey、secret，用于Python调用；
3. 修改策略代码：将回测策略改成“实时交易逻辑”（如每隔1分钟获取一次实时数据，判断是否触发信号）。
注意：实盘前，务必核对API参数，避免代码错误导致误操作（如多买、多卖）。
4.2.2 实盘注意事项（新手必守）
- 仓位控制：单只股票仓位≤50%，总仓位≤80%，避免满仓；
- 实时监控：每天查看策略表现，及时处理异常（如API连接失败、股票停牌）；
- 记录日志：记录每次交易的时间、价格、盈亏，用于后续优化；
- 心态放平：实盘难免亏损，不要因单次亏损否定策略，重点看长期表现（3-6个月）。
4.3 实盘优化（持续迭代，越做越好）
实盘不是终点，而是策略优化的开始，根据实盘数据，重点优化3点：
1. 参数优化：调整均线周期、止损比例、选股条件，适应市场风格变化；
2. 风险控制：添加更精细的规则（如单日最大亏损限制、仓位限制）；
3. 因子更新：根据市场变化，新增/删除因子（如震荡行情，增加成交量因子）。
## 第五部分：风险控制（量化的生命线，重中之重）
量化交易的核心不是“赚多少钱”，而是“保住本金、控制风险”——即使策略收益率不高，只要能控制回撤，长期坚持就能获得稳定收益，新手最容易忽略这一点，导致实盘亏损。
5.1 新手必防的4类风险
- 市场风险：股灾、行业利空，导致所有股票下跌（可通过分散标的、控制仓位缓解）；
- 策略风险：过拟合（回测盈利，实盘亏损），解决方法：减少参数、模拟盘充分测试；
- 操作风险：代码错误、API故障、误操作，解决方法：实盘前反复测试代码；
- 流动性风险：买入成交量过小的股票，无法卖出，导致亏损扩大（新手避开小盘股）。
5.2 新手必守的6条风控规则（强制执行）
1. 仓位控制：总仓位≤80%，单只股票仓位≤50%，绝不满仓；
2. 止损规则：单笔交易最大亏损≤5%，触发止损立即卖出，不犹豫；
3. 止盈规则：单笔盈利≥10%，卖出50%仓位，剩余仓位设“移动止损”（如盈利回吐到5%，立即卖出）；
4. 分散投资：同时持有3-5只标的，避开单一股票、单一行业；
5. 避免过拟合：回测时，不设置过多特殊参数，优先用通用参数（如5、10、20日均线）；
6. 定期复盘：每周、每月复盘，分析亏损原因，优化策略。
## 第六部分：进阶精通（从合格到专业）
当你能独立完成“策略搭建→回测→模拟盘→小额实盘”，并能持续优化策略时，就已经入门了。要达到“精通”，还需要从4个方面提升。
6.1 编程能力提升（量化的核心工具）
- 深入Python：掌握pandas、numpy高级用法，学习Matplotlib绘制专业分析图表；
- 机器学习：学习线性回归、决策树、LSTM等算法，用于预测股票价格、挖掘优质因子；
- 并发编程：用多线程、多进程，提高数据获取和交易执行效率（如同时分析上千只股票）。
6.2 策略体系完善（从单一到多元）
- 拓展策略类型：学习套利策略（如沪深300ETF套利）、对冲策略（股票+期货对冲）、高频交易（分钟线/秒线级，后期尝试）；
- 搭建策略组合：将不同类型策略组合（如趋势+套利），降低单一策略风险；
- 结合宏观经济：关注GDP、CPI、利率等，调整策略（如经济下行时，降低仓位）。
6.3 数据深度挖掘（核心竞争力）
- 拓展数据源：获取分钟线、秒线数据（高频策略）、财务数据（价值因子）、舆情数据（情绪因子）；
- 数据预处理：学习处理缺失数据、异常数据，提高数据质量；
- 因子挖掘：自己挖掘新的有效因子（如换手率因子、成交量变化率因子），打造专属策略。
6.4 实战经验积累（精通的关键）
- 长期实盘：坚持1年以上实盘，积累不同行情下的经验；
- 复盘总结：每次亏损后，分析原因（策略、市场、操作），形成复盘报告；
- 交流学习：加入量化社群，和同行交流，避免闭门造车。
## 第七部分：新手常见问题+避坑指南
7.1 新手高频问题解答
- Q：零基础，多久能学会？—— 每天1-2小时，1-2个月掌握基础工具和简单策略，3-6个月实现小额实盘；
- Q：不懂编程，能做量化吗？—— 很难，编程是核心工具，新手可从极简Python入手，不用精通，但必须会基础操作；
- Q：回测盈利，实盘为什么亏？—— 核心原因：过拟合、滑点/手续费、市场风格变化，解决方法：模拟盘充分测试、及时优化；
- Q：需要投入很多资金吗？—— 不需要，新手1-5万小额实盘即可，重点是验证策略；
- Q：适合新手的标的有哪些？—— 优先A股股票、ETF，流动性好、风险可控，后期可尝试期货。
7.2 新手必避的5个坑
1. 坑1：盲目追求高收益率—— 回测收益率90%以上，大概率是过拟合，实盘必亏；
2. 坑2：跳过模拟盘，直接实盘—— 模拟盘是必经之路，跳过会因操作失误或策略问题亏损；
3. 坑3：过度优化参数—— 为贴合历史数据修改多个参数，导致策略无法适应新行情；
4. 坑4：集中持仓—— 把所有资金投一只股票，一旦下跌，亏损惨重；
5. 坑5：不复盘—— 实盘后不复盘，无法发现问题，难以提升，最终被市场淘汰。
## 第八部分：总结+3个月学习计划（直接落地）
8.1 核心总结
量化交易的本质是“用数据和代码实现纪律性交易”，新手入门的关键是“先打基础、再练策略、后做实战”，不急于求成，重点是“控制风险、持续优化”。
记住：量化不是“稳赚不亏”，而是“在控制风险的前提下，实现长期稳定收益”，即使顶尖策略也会亏损，关键是长期坚持、不断迭代。
8.2 新手3个月学习计划（可直接照做）
第1个月：打基础（工具+认知）
1. 第1-2周：学习Python基础（语法、pandas数据处理），搭建量化环境；
2. 第3-4周：学习Tushare数据获取，掌握Backtrader基础用法，理解量化流程。
第2个月：练策略（搭建+回测）
1. 第1-2周：搭建均线交叉策略，完成回测，分析结果，优化参数；
2. 第3-4周：搭建市盈率+趋势策略，对比两个策略表现，掌握优化方法。
第3个月：做实战（模拟盘+小额实盘）
1. 第1-2周：在聚宽/同花顺模拟盘运行策略，熟悉流程，优化策略；
2. 第3-4周：小额实盘（1-5万），监控表现，做好复盘，调整策略。
附录：常用工具与学习资源（新手必备）
1. 编程工具
- IDE：PyCharm（免费版）、VS Code；
- 数据处理：pandas、numpy；
- 回测框架：Backtrader、vn.py；
- 可视化：Matplotlib、Seaborn。
2. 数据源
- 免费：Tushare、baostock、聚宽（网页版）；
- 付费：Wind、Choice（进阶后使用）。