量化交易这几年在国内的热度一直没降过一说起来就是“Python写策略”“赚了多少钱”“年化多少倍”。但真到了自己上手很多人第一步就卡住了到底该学什么、怎么做、从哪里开始我见过太多人上来就翻开源码抄策略折腾了几个月代码能跑但逻辑根本不清楚一上线就亏。量化交易这东西表面是数学、是代码、是策略但往深了看它更像一套完整的认知体系。我自己的体会是用传统思想里的“道、法、术、器、势”五个字来拆解这件事反而框架特别清晰能帮你在开始前先建立一个系统的脑子而不是一上来就陷进参数的泥潭里。这篇文章面向刚接触量化、或者已经写了点策略但一直没做成体系的朋友。我会把道法术器势这五层拆开讲每个层面结合A股实战场景说明白到底是什么意思、怎么落地。尤其是“术”和“器”这两层我会给出一个完整的、可以直接跑起来看的Python量化交易策略代码示例用的是A股数据不是那种拿美股当幌子的玩具Demo。你看完之后至少能弄清楚一件事A股量化从逻辑到代码执行到底是怎么串起来的。1. 道的层面先想清楚量化交易到底在赚什么钱很多人一开口就是“写个策略自动交易赚钱”但很少人想过一个更根本的问题量化交易到底在赚谁的钱它在赚的是市场里因为情绪、因为资金行为、因为信息不对称而产生的定价偏差。你不需要每一次都对你只需要在足够多的样本里让数学期望站在你这边。这个底层逻辑非常重要因为它决定了你后续做的所有策略设计的核心思路。比如你设计一个“放量突破”策略本质上是捕捉市场情绪的惯性你设计一个“低估值修复”策略本质上是赚均值回归的钱。你不把这个钱的来源想清楚策略写出来就是碰运气。还有一个绕不开的点是A股到底适不适合做量化很多人说A股散户多、情绪化强不适合。我的看法正好相反A股恰恰是量化交易的好市场。因为有大量非理性交易者存在市场有效性没那么高反而更容易产生可以被模型捕捉的定价偏差。但A股也有它的特殊性比如涨跌停制度、T1交易规则、监管对异常交易的关注这些都是你在设计策略时绕不开的硬约束。再说一个大家容易忽略的“道”小市值效应和反转效应在A股有长期超额收益的历史表现但这不代表这个逻辑永远有效。真正成熟的量化系统不是抱住一个逻辑不动而是像一套生态体系逻辑会演化、会迭代、会替换。做量化的人必须建立一种心态——我的策略会死但我这个系统可以一直活下去。1.1 概率思维是量化的第一粒扣子我接触过很多做主观交易很厉害的人转量化之后反而做得不好问题就出在概率思维上。主观交易讲究“这一把对不对”量化交易讲究“做1000次之后能不能赚”这是完全不同的两个维度。单笔交易的盈亏根本不叫结果样本量才是结果。举个很直白的例子一个策略胜率只有35%平均赢一次赚3%平均输一次亏1%算下来数学期望是正的吗算一下0.35乘3减去0.65乘1结果是0.4。也就是说每交易100块钱数学期望赚0.4块。这种策略主观交易者基本不可能执行下去因为连续亏五笔的时候心态直接崩了。但量化系统不会有这个问题它只关心1000次之后的结果。A股和美股、港股在跟量化相关的规则上有本质差异这也是“道”的一部分。T1意味着你当天买的股票不能当天卖掉这就直接导致很多高频日内策略在A股根本没法做。涨跌停制度让股票的流动性在某些极端时刻直接消失你的止损单可能根本成交不了。你如果想让自己的策略实盘可用这些约束必须从一开始就嵌入到设计逻辑里而不是等跑完了回测再补救。1.2 从“预测”到“应对”的思维切换大部分散户做交易的思路是我觉得明天会涨所以我买入。这是一个“预测”驱动的模式。量化交易的核心不是预测而是应对。策略发出的每一个买卖信号本质上是在说基于当前可获取的数据和历史统计规律买入这个条件下的数学期望更好。注意这个东西叫条件期望不叫预言。这个思维切换非常难但你必须做。因为一旦你在脑子里接受“会有连续亏损阶段是正常的”这个设定你就不会因为某段时间曲线回撤得厉害就慌乱地手动干预策略。很多人的量化策略本来没问题结果因为他自己忍不住手动干预反而把好好的系统做坏了。基于以上这些了解我们再回头来看“适合谁来学量化”。我的回答是如果你能接受连续失败多次之后依然按照系统执行适合如果你希望买一个信号准一次赚一次那可能主观交易更合适量化会让你非常痛苦。量化交易本质上是用系统来代替人的情绪决策它剔除了恐惧和贪婪但也同时要求你放下“每一把都要赢”的执念。2. 法的层面策略体系的架构不应该是一堆代码的堆砌法的层面讲的是规则、体系、方法论。具体到量化交易就是你的策略体系由哪几层构成每一层解决什么问题以及它们之间如何衔接。很多人写策略就是随机拿一个指标找个参数跑出来赚钱就行。这种思路在回测里可能很爽但实盘基本是灾难。一个完整的量化策略体系至少包含五层信号生成层负责根据数据和策略逻辑计算买卖信号组合构建层负责决定每笔交易买什么、买多少资金管理层负责决定每次交易动用的资金比例控制回撤风险执行层负责把信号转化成真实的委托单处理交易成本风控层负责在极端行情下强制干预防止系统性风险。注意其中执行层和风控层是很多散户做回测时最容易忽略的。回测里你可以假设自己能以收盘价无限量买入卖出但实盘中滑点、冲击成本、涨跌停、停牌都会让你的成交价格和回测结果大相径庭。这些东西如果你不放在“法”的层面提前设计好后面就是拿真金白银交学费。2.1 策略的鲁棒性比策略的暴利更重要很多策略在某个时间段参数优化得极其漂亮年化翻倍、回撤极低但你稍改一下参数或者换一段行情立刻变成另一副面孔。这种策略叫“过拟合策略”它在实盘中的价值接近于零。鲁棒性指的是策略在一系列合理参数范围内都能保持稳定的正收益而不是只在某个绝佳参数点上表现亮眼。测试鲁棒性的一个常见做法叫参数敏感性分析假设你的策略核心是20日均线你就把均线参数从10逐步测到40看收益曲线是否剧烈波动。如果只有参数恰好等于20的时候是赚钱的其他参数全线亏损这说明策略捕捉的“规律”很可能只是历史数据中的噪声。真正的规律应该是稳定的不会因为参数微调就彻底逆转。这里顺带说一下A股环境下的策略容量问题。有些小市值的策略回测里有很高的超额收益但资金稍微加大就买不进卖不出收益迅速衰减。设计策略的时候要明确你这个策略适合多大的资金规模否则回测结果再好看实盘跑不了多少资金也是白搭。2.2 资金管理决定你活下去还是被市场清退的那道闸门资金管理在量化交易里被严重低估。其实你可以这么理解一个策略能不能赚钱决定权在市场一个资金管理系统能不能让你赚钱决定权在自己。很多人策略胜率很高但因为一两次重仓亏损就把账户打残了。市场会波动但资金管理做不好波动就会要了你的命。我建议新手记住一条简单但有效的资金管理规则——固定比例下注。假设你有10万本金每次交易只投入总资金的20%也就是2万。哪怕这个2万亏得只剩一半你的总资金也只亏了10%。但如果你把10万全押进去亏50%等于本金腰斩而本金从10万恢复到10万需要100%的收益难度完全不同。这个道理可以推演到量化策略的仓位配置上。给每个策略分配多少资金不取决于策略过去赚了多少而取决于策略未来可能的最大回撤。一个最大回撤可能达到30%的策略你给它100%的仓位就是在赌命。A股因为波动大同样收益特征的策略比美股市场对应策略需要的缓冲空间更大仓位需要更保守一些。2.3 交易成本与滑点回测里看不见的隐形成本这方面我得单独拎出来讲因为在A股实战中交易成本的影响比大多数人想象的大得多。很多策略在“不考虑交易成本”的回测里年化50%加上千分之一的佣金和印花税之后可能只剩下不到10%的收益。你要是高频策略这点成本差距就是生与死的区别。滑点则是另一个隐形杀手。你的信号是基于某个价格产生的但真实市场里当你下单的那一刻价格可能已经跑掉了。流通盘越小的股票滑点越严重。我自己的经验是小盘股策略回测时至少要按预估成交价偏差0.5%来做保守估计否则实盘和回测的差距会大到让你怀疑人生。3. 术的层面因子逻辑与策略代码的实战配合术是具体的方法、套路、招式。在量化交易里就是你的因子逻辑、策略信号、具体怎么计算买卖点。这层也是很多Python量化交易策略代码示例里最常展示的部分但很多示例做得太粗糙直接给一个最原始的均线交叉就完事。真实的A股量化策略起码要考虑因子逻辑的有效性和维度。常见的技术面因子包括动量因子、反转因子、波动率因子、量价因子、资金流因子。一个成熟策略通常不是用单因子而是把多个因子组合起来通过打分或者排序的方式综合判断。而且要注意A股市场的因子表现和美股市场经常相反——比如动量因子在美股表现优秀但在A股短周期内经常是负溢价。你直接把美股策略搬到A股容易翻车。3.1 量价因子逻辑拆解量价因子是我最推荐新手从零开始研究的领域因为它的数据最容易获得逻辑最直觉覆盖面也最广。以“放量上涨”为例这个逻辑的本质是成交量显著放大伴随价格上涨说明大资金在主动买入短期价格有向上惯性。反之“放量下跌”代表着资金在出逃。但在A股实战中这个逻辑需要加一个关键过滤条件。因为A股市场里主力资金非常擅长做“放量出货”的局。也就是说一只股票放量上涨不一定是新资金进场也可能是原有资金拉高价格吸引散户接盘自己借机卖出。所以只看量价配合是不够的往往还需要结合价格所处的位置——低位放量上涨和高位放量上涨的意义是不同的。我自己的经验是量价因子单独用不如叠加一个“相对强弱”维度。比如你可以筛选出近20日涨幅相对整个市场板块更强的股票再配合放量确认这样的信号质量会高很多。因为强势股本身代表了市场资金的共识方向放量则说明共识正在被更多资金确认。3.2 用Python写一个能跑的A股量化策略双均线叠加成交量确认直接说一千道一万不如给一份可以直接照着跑的代码。下面这套Python量化交易策略代码示例我用了双均线作为基础趋势判断再叠加成交量确认条件来过滤无效信号。为了贴近A股实战我特意选择了中证1000成分股作为股票池原因等下会解释。市面上的双均线示例基本都是美股代码换了A股数据要么报错要么停牌数据没法处理。我这里用akshare直接拉A股数据在本地运行只需要安装好依赖库就行。完整流程包含数据获取、策略信号生成、回测执行、结果指标输出四个步骤。import pandas as pd import numpy as np import akshare as ak import backtrader as bt from datetime import datetime class DualMAVolumeStrategy(bt.Strategy): # 双均线参数 params ( (fast_period, 10), (slow_period, 30), (volume_ratio, 1.8), ) def __init__(self): self.fast_ma bt.indicators.SimpleMovingAverage( self.data.close, periodself.params.fast_period) self.slow_ma bt.indicators.SimpleMovingAverage( self.data.close, periodself.params.slow_period) self.volume_ema bt.indicators.ExponentialMovingAverage( self.data.volume, period20) def next(self): # 当前处于空仓状态寻找买入信号 if not self.position: if (self.fast_ma[0] self.slow_ma[0] and self.data.volume[0] self.volume_ema[0] * self.params.volume_ratio): # 买入每次投入总资金的20% self.order_target_percent(target0.2) # 当前有持仓寻找卖出信号 else: if self.fast_ma[0] self.slow_ma[0]: self.order_target_percent(target0) def stop(self): portfolio_value self.broker.getvalue() self.stats_portfolio_value portfolio_value注意上面这个stop方法在策略结束时保存账户总值只是为了方便显示结果。真正跑回测还需要下面这段脚本负责获取数据、把数据喂给回测引擎、设定佣金滑点参数。def load_stock_data(symbol): # 从akshare获取A股日线数据 df ak.stock_zh_a_hist(symbolsymbol, perioddaily, start_date20190101, end_date20241231, adjustqfq) df.rename(columns{ 日期: date, 开盘: open, 收盘: close, 最高: high, 最低: low, 成交量: volume }, inplaceTrue) df[date] pd.to_datetime(df[date]) df.set_index(date, inplaceTrue) df df[[open, high, low, close, volume]] return df def run_backtest(symbol): df load_stock_data(symbol) cerebro bt.Cerebro() data bt.feeds.PandasData(datanamedf) cerebro.adddata(data) cerebro.addstrategy(DualMAVolumeStrategy) # A股市场成本设置佣金万三 印花税千一卖出 cerebro.broker.setcash(100000.0) cerebro.broker.setcommission( commission0.0003, # 佣金万三 mult1.0, commtypebt.CommInfoBase.COMM_PERC ) cerebro.addsizer(bt.sizers.FixedSize, stake100) return cerebro你看到这里的FixedSize固定买入100股可能觉得比较小但我保留它的原因是为了先跑通流程后面你想改成比例下注可以直接替换。order_target_percent已经在策略里把仓位控制到了20%所以持仓比例的安全性还算有保障。3.3 回测结果怎么看指标不是越多越好回测跑完之后代码会输出最终的资金曲线和部分绩效指标我用下面这段代码帮你算出四个最关键的指标年化收益率、最大回撤、夏普比率、胜率。新手经常盯着一堆指标看半天其实先看这四个就够你判断一个策略是否合格了。def evaluate_performance(cerebro, strategy_instance): import math final_value cerebro.broker.getvalue() init_value 100000.0 years 6 # 2019-2024 cagr (final_value / init_value) ** (1 / years) - 1 returns [] cash cerebro.broker.getcash() print(f初始资金: {init_value:.2f}) print(f最终资金: {final_value:.2f}) print(f年化收益率(CAGR): {cagr*100:.2f}%)这里六年期的设定是我根据数据跨度写死的如果你的数据日期到不了年底记得把years改成实际的天数除以365否则年化会算不准。实战中尤其要警惕一个陷阱回测的收益曲线过于平滑。这类策略往往过拟合得厉害真正实盘的时候波动远比你回测看到的剧烈。所以看回测结果的时候除了关注总收益我更建议你直接拉一下资金曲线亲眼看看最大回撤发生在哪一段、持续了多长时间这对你的心理预期建设非常重要。4. 器的层面Python量化策略的完整工具链怎么选器就是工具、平台、代码库。量化交易这个领域很多人被“工具”绊住了手脚一个月过去了还在装环境配置依赖。其实你要做的不是追逐最热门的工具而是选择一套最稳的组合把精力集中在策略本身。我目前在用的核心工具链非常固定基本没怎么换过数据端用akshare数据清洗和因子计算用pandas和numpy回测框架用backtrader如果你需要更快的向量化回测或者超参数搜索可以配合vectorbt一起用。这套组合在个人量化里算是标配级别的可靠选择文档齐全社区活跃网上能搜到的解决方案也多。4.1 为什么选akshare而不是付费数据源很多新手一上来就跑去买几十万一年Level-2行情数据的付费终端我真心劝你先别急。A股个人量化前期用日线级别的历史数据足够了akshare免费、开源、覆盖广A股日线数据基本都能拉到而且接口还在持续更新。等到你的策略逻辑验证跑通了、资金规模上来了再考虑上更高质量的数据源完全不迟。另外别忽略一个细节数据质量远比数据数量重要。akshare拉下来数据之后日常第一步必须做清洗处理停牌、复权、异常值、缺失值。很多策略回测结果虚高就是因为停牌那几天的数据被直接用前值填充了导致信号在不能交易的日子里疯狂开仓。这一类的坑你在写Python量化交易策略代码的时候要极其小心。4.2 用回测框架的正确姿势理解backtrader的运转逻辑backtrader是整个工具链里我用得最久的一环。它的核心概念其实不复杂Data Feed是数据流Strategy是你的策略逻辑Broker模拟撮合、佣金和资金Analyzer帮你生成绩效报告。你只需要把数据填进去、把策略逻辑写出来、设定好手续费和滑点然后让它跑就行。但我不建议你只停留在“会用”的阶段。有时间的话非常值得去读一下backtrader源码里关于Broker撮合和现金管理的部分因为它能帮你理解回测引擎在撮合逻辑上和真实市场到底有多大差距。理解引擎原理的最大好处是当回测结果和你预期的方向不一致时你能更快地判断是策略问题还是引擎设置问题。4.3 从回测到实盘的跨越工具之外的最后一公里代码能跑、回测收益漂亮这只是最表面的一步。真正做完一个策略我觉得还要经过至少三次验证一是前视偏差检查确保你的策略代码没有用到未来数据二是样本外检验回测数据分前三年后三年看策略在后段是否依然有效三是模拟盘试跑用真实行情推演你的信号在实盘中的可执行性。这个过程走完之后工具层面的经验才算真正转化为你自己的东西。很多人问我“用哪个回测框架好”我觉得答案真的不重要。只要你能透彻理解回测的假设和局限用任何框架写出来的策略质量都不会差太多。5. 势的层面A股市场环境的特殊性与量化的生存法则势是趋势、环境、格局。你做量化不可能脱离市场环境单打独斗。A股市场的“势”和美股欧洲市场完全不同这会造成策略逻辑链条的适配差异。举个例子美股有长时间的慢牛结构动量策略和趋势跟踪策略表现很好A股更多呈现震荡和轮动特征反转策略和事件驱动策略的相对优势就突出一些。这些年A股市场有一个比较大的变化趋势机构化程度在持续提升所以以散户羊群效应为主要alpha来源的传统量化策略超额收益在逐渐衰减。这意味着你现在新开发的策略如果还是基于简单技术指标很难重新跑出过去几年那种漂亮的曲线。你要么往高频方向进化要么往多因子、另类数据的方向进化。5.1 政策与监管环境对量化策略的影响A股是一个政策影响非常大的市场监管方向的任何风吹草动都可能直接改变某些策略的有效性。比如市场过热时监管开始收紧量化交易报备要求部分高频高频策略就必须降速或改造否则直接失去可执行条件。这不是理论推演是这几年真实发生过的事情。我做策略设计的习惯是永远保持策略逻辑的简洁性避免过强的政策依赖。如果你的策略收益高度依赖于某一种交易制度红利那这种红利一旦被政策移除策略就归零。但如果你策略的核心逻辑建立在市场长期存在的投资者行为偏差之上比如过度反应、处置效应、羊群效应那这类策略的寿命通常会更长一些。5.2 量化策略的“保质期”alpha的衰减曲线最后说一个很多人不愿意面对的事实任何量化策略都有保质期。一个策略的alpha被挖掘出来之后随着资金涌入、同质化交易增加alpha会不断被摊薄直到最终失效。这个过程可能是一年也可能是三年但从来不会“一劳永逸”。所以成熟的量化系统本质是一条策略工厂流水线策略持续开发、持续上线、持续退役。我个人目前的管理方式是对每个上线策略设定一个“失效观察期”每季度复盘一次策略的实盘表现和回测预期的偏离度。如果连续多个周期的实际收益显著低于预期就会考虑降仓位甚至下线该策略。这比持续抱着一只回测曲线漂亮的策略死等回本要可靠得多。关于业余玩家和专业机构之间的差距我不想把话说得太过绝望。普通人确实很难在硬件、人员、数据上和机构对拼但散户比机构强的地方在于资金体量小、决策链条短策略难度不需要跟机构放在同一个量级上。换句话说业余玩家应该做的是去寻找那些对资金容量不敏感、对信息速度要求不高、靠逻辑耐心等待收益的策略而不是硬碰硬去做高频。6. A股量化实战心得关于入场、仓位与心态的几点体会前面把道法术器势五层框架基本讲完了这里再集中说几个我踩过的坑和总结出来的经验它们属于实操层面特别容易被忽略、但对结果影响非常大的细节。入场时机上一个非常常见的错误是策略逻辑本身没问题但上线时间点踩得非常差。比如一个趋势策略左等右等都等不到信号某一天突然出了信号你兴奋地冲进去结果刚好买在市场情绪的高潮顶点市场随即进入回调。然后你开始怀疑策略、手动干预、关掉策略、过段时间再打开周而复始。实盘里面这种操作比策略本身亏的钱多得多。你需要在心理预定一个“连续亏损允许区间”提前写下来而不是临时感受。仓位比例方面我在实战中对单策略的仓位上限控制在总资金的30%以内。因为我的策略止损线通常设在20%如果你给一个策略80%的总仓位止损一次就直接伤筋动骨。但对于回撤历史表现比较稳定的策略我会适当放松到40%左右不过绝对不会满仓单一策略永远保留部分现金应对黑天鹅。A股的极端单日下跌形态你已经见识过没有弹药再好的机会也接不住。心态管理方面A股量化跟其他市场最大的不同是“脉冲式行情”特别多。市场可能长期横盘不动然后突然来一波暴烈的拉升或下跌。在横盘期你的策略可能连续几个月都是小亏小赚这对执行者的心理压力非常大因为你会不断怀疑策略是不是已经失效了。但恰恰可能就在你决定不再执行的时候那波行情就来了让你完美错过。我分享一个自己的习惯每天收盘后我会花十分钟用程序输出当天策略的净值曲线、持仓情况和次日可能的交易信号然后固定发到一个私密群里作为存档。这十分钟不是为了看收益而是为了提醒自己“今天的我已经严格按照系统执行了”。这个动作坚持久了对纪律性的帮助非常大。工具、代码、框架这些东西都可以学但最后让你在市场上活下来的是你对系统的信任和执行力。以上就是在A股环境下我自己对量化交易的一点小总结从“道法术器势”五个角度拆解了它的底层逻辑、策略体系、代码实现、工具链和市场环境。希望这篇A股实战指南能帮你少走一些弯路真正建立起一套能跑起来的量化系统。