简介这套源码是面向量化交易入门与进阶学习者的 Python 示例合集覆盖选股策略、技术指标、回测框架、数据获取与风险管理等关键环节适合具备基础 Python 语法、希望结合金融场景练习编程的读者。压缩包共 72 个文件全部为 .py 脚本体积仅 44KB按章节目录组织便于按主题查阅。源码中既包含 PB-ROE 选股、成长模型挖掘等策略实现也有均线、RSI 等技术指标相关计算并涉及数据接口调用、交易信号判定、多标的筛选与重复符号检查等辅助逻辑。已有 6612 人学习下载是快速了解量化交易代码结构、动手复现常见策略的轻量级参考资料。通过研读这些脚本读者可理解量化策略从数据清洗到信号生成的完整流程并在此基础上扩展自己的交易想法。1. 拿到「Python量化交易-源码.rar」之前先想清楚这套代码能给你什么以“Python量化交易-源码.rar”命名的压缩包很多人是冲着一夜之间就能跑出漂亮资金曲线去的。解压之后发现几十个py文件没有README也没有说明文档第一反应往往是懵的。我拆过的这类源码包不少可以负责任地讲公开渠道能拿到的量化交易源码策略逻辑本身通常不值钱真正值钱的是数据层和回测框架怎么搭。这套代码能不能用、值不值得投入时间取决于三个问题能不能跑通、数据从哪来、回测结果可不可信。新手拿到源码正确顺序不是急着读策略而是先把它当作一套需要复现的实验环境来处理。本文按这类源码最常见的落地路径拆一遍从解压开始一直到参数校验带你避开那些容易把整个策略否定的坑。2. 先让源码跑起来解压、建环境、跑通第一个回测脚本2.1 从rar到工程目录先分清策略、数据与回测三块代码rar格式在Linux服务器上解压需要一个叫unrar的工具Windows下直接用压缩软件右键解压就行。解压之后先别动手改代码花十分钟把目录结构摸清楚。我处理过的量化源码包不管策略多花哨文件布局基本逃不出四块配置、数据、策略、引擎。# 用unrar解压若未安装apt-get install unrar 或 yum install unrar unrar x Python量化交易-源码.rar # 解压后先看一眼目录树别直接跑文件 find . -maxdepth 2 -type d | sort常见目录结构长这样├── config/ # 全局参数股票池、回测区间、手续费、滑点 ├── data/ # 行情数据csv、parquet或h5文件 ├── strategy/ # 策略逻辑信号生成、过滤条件、仓位管理 ├── backtest/ # 回测引擎撮合、资金曲线、指标计算 ├── utils/ # 工具函数数据清洗、指标计算、日志 └── main.py # 入口脚本一般从这启动先打开config和main.py确认三件事数据文件指的是哪个目录、回测区间是哪段时间、入场和出场的条件代码在哪个文件里。这个步骤不写代码但至关重要——很多源码包里数据文件是加密的或者损坏的路径对不上后面跑一百次都是同一个报错。我一般会顺手用du -sh看一下data目录有多大如果只有几十KB说明那只是样例数据真实行情还得自己想办法。2.2 环境准备为量化源码单独建Python环境这类rar代码包最常见的问题就是跑不起来时各种依赖包版本冲突的报错。我强烈建议用Anaconda单独建一个虚拟环境不要直接往系统Python里装。Python 3.9在pandas、numpy和backtrader的兼容性上比较保守一般不会选型错误。# 创建量化专用环境python版本看源码requirements.txt要求 conda create -n quant python3.9 -y conda activate quant # 安装基础依赖 pip install pandas numpy matplotlib pip install backtrader # 回测框架 pip install akshare tushare # 行情数据源按源码需要二选一装依赖时有个坑直接在项目根目录跑pip install -r requirements.txt如果源码的requirements文件锁死了过老的pandas版本可能会和numpy新版本冲突。我会先看一遍requirements.txt里的版本限制如果里边有pandas1.2.x这种说明源码作者是在老环境里开发的建议手动装新版再逐个处理接口变动。那些import报错的大多数是tushare更新了接口签名akshare切换了新数据接口这类问题搜索引擎都能解决不用怀疑是自己的Python没配置好。环境好了之后先跑一遍main.py看清楚第一个报错是缺依赖、读不到数据还是路径错误。在这个阶段源码本身的策略逻辑暂时当黑匣子处理。2.3 最小回测验证让一个均线策略先产出第一张净值曲线很多源码包里的主策略逻辑很长首次跑通之前不要直接上主策略。我一般先在项目里新建一个最小回测脚本用同一份数据验证回测引擎本身是好的再去找源码里主策略的实际问题。这样把“引擎的问题”和“策略的问题”分开排查。# min_backtest.py 最小回测验证脚本双均线交叉策略 import backtrader as bt class DoubleSMA(bt.Strategy): def __init__(self): self.sma_fast bt.indicators.SMA(self.data.close, period5) self.sma_slow bt.indicators.SMA(self.data.close, period20) def next(self): # 金叉入场死叉离场 if not self.position and self.sma_fast self.sma_slow: self.buy(size100) elif self.position and self.sma_fast self.sma_slow: self.close() cerebro bt.Cerebro() # datafile是data目录下任意一只股票日线数据 data bt.feeds.PandasData(datanameload_data(data/sh600000.parquet)) cerebro.adddata(data) cerebro.addstrategy(DoubleSMA) # 现金十万元手续费设万三 cerebro.broker.setcash(100000.0) cerebro.broker.setcommission(commission0.0003) cerebro.run() print(期末总资产: %.2f % cerebro.broker.getvalue())这段代码逻辑简单直接快线在上就买入跌破慢线就清仓不掺任何复杂过滤条件。关键点是load_data返回的DataFrame必须包含open、high、low、close、volume这五列列名大小写不敏感但索引必须是时间序列。参数说明里SMA的周期5和20只是验证用setcommission的0.0003是单边万分之三手续费股票交易对散户是偏高的设置但用于验证引擎是否正常撮合足够了。如果这个脚本能输出期末总资产并且资金曲线有一张净值图说明回测引擎本身没问题主策略跑不通的锅应该甩给数据或策略代码。3. 数据层才是源码的命门本地行情库的建立与清洗3.1 免费数据源怎么选akshare、tushare与baostock的取舍市面上常见的Python量化交易源码数据获取不外乎三个来源。选哪个不是看谁数据全而是看谁接进本项目改造量最小。akshare不需要注册token直接pip install akshare就能拉但接口变动频繁月初还正常的函数月底可能就报错。tushare新版需要注册获取token积分数还有流量限制好处是接口相对稳定字段也有清晰的文档。baostock这几年的稳定性不错老牌的开源数据接口数据回补到很久之前但字段命名和另两家不一样。import akshare as ak # 拉取单只股票前复权日线注意接口名经常变以本地实际版本为准 df ak.stock_zh_a_hist(symbol600000, perioddaily, start_date20200101, end_date20231231, adjustqfq) print(df.head())选型建议先看源码里数据加载函数的import语句如果用的是tushare就优先配tushare的token不建议为了省事换数据源——每个数据源返回的列名和复权方式都不同换一次数据源要改的代码比想象中多。如果源码里没有数据下载脚本我一般优先用baostock因为它不需要token历史数据质量稳定适合来回测。akshare更适合做选股和实时盘口类的应用。3.2 行情落地把日线数据对齐算清楚复权因子拉下来的行情数据不能直接丢给回测框架。首先要解决索引对齐问题——DataFrame的索引必须是正确的时间序列不能有重复日期字符串索引要转成datetime类型。其次要解决复权问题这是量化交易源码里最关键的隐藏点之一。import pandas as pd # 以baostock为例下载后落地为parquet import baostock as bs bs.login() rs bs.query_history_k_data_plus(sh.600000, date,open,high,low,close,volume,amount,turn, start_date2020-01-01, end_date2023-12-31, frequencyd, adjustflag2) # adjustflag2 表示前复权 rows [] while (rs.error_code 0) and rs.next(): rows.append(rs.get_row_data()) df pd.DataFrame(rows, columnsrs.fields) # 统一列名时间索引数值类型全转float df.columns [date,open,high,low,close,volume,amount,turn] df[date] pd.to_datetime(df[date]) df.set_index(date, inplaceTrue) df df.astype(float) # 落地用parquet不要用csv df.to_parquet(data/sh600000.parquet, enginepyarrow)这里的关键参数是adjustflag21代表后复权2代表前复权3代表不复权。回测中我推荐的做法是落地后复权数据然后在策略计算时自己做前复权转换因为前复权价会受到后续分红送股影响不断变化同一个回测脚本在不同日期运行结果都不一样这是后文避坑章会讲到的血泪点。选择parquet是因为它的列式存储让读取速度和硬盘占用都优于csv尤其当数据量上到几百个GB时这个差别非常明显。代码里astype(float)这步不能省baostock返回的是字符串不转类型后面算指标时全都会报错。3.3 数据校验三板斧缺口、异常值和未来数据数据落地后先校验再跑回测。很多源码回测结果一换数据就崩不是因为策略问题是数据本身有坑。我每次拿到新数据都会执行三件事查缺失交易日、查价格异常值、查重复索引。def check_data(df): # 1. 检查时间索引是否连续跳过非交易日 index_gap df.index.to_series().diff() abnormal_gaps index_gap[index_gap pd.Timedelta(days5)] if len(abnormal_gaps) 0: print(存在疑似缺失交易日:) print(abnormal_gaps.head()) # 2. 检查价格异常值出现0、负数或暴涨超10000% if (df[[open,high,low,close]] 0).any().any(): print(存在非正价格需要处理) # 3. 检查重复索引 if df.index.duplicated().any(): print(存在重复日期请去重)注意数据里的“未来函数”不靠这种显式校验发现。比如用当日收盘价算当日信号或者用全样本均线做归一化这属于逻辑层面的坑得靠代码审查和重放数据来抓后文单独讲。对于缺失交易日的处理如果缺失个把天可以不管如果一次缺超过一周可能是停牌也可能数据源本身断档要不要填充取决于策略是否持有这只股票。我惯用的原则是日线级别策略遇到停牌就顺延不做插值分钟级别策略补数据时用前值填充但要在日志里标记清楚避免把填充出来的价格当成真实成交。数据校验应该是每个量化交易源码落地的必经关卡跳过这步等于让整个策略架构建立在一块不牢靠的地基上。4. 源码核心策略怎么读把「策略逻辑」和「回测框架」分开看4.1 用backtrader重写源码的双均线策略很多源码包里的策略代码是自己写的循环撮合逻辑散在for循环、while循环和全局变量里读起来非常吃力。碰到这种情况我习惯先把策略逻辑抽出来用backtrader重写一版然后对比两者在相同手数和手续费下的结果是否一致。如果结果偏差很大说明源码的撮合逻辑和backtrader的默认撮合规则有差异这时候就要回头确认谁的成交假设更接近真实市场。import backtrader as bt class MyStrategy(bt.Strategy): # 双均线核心逻辑快线上穿慢线买入跌破卖出 params ( (fast_period, 5), (slow_period, 20), (printlog, False), ) def log(self, txt, dtNone): if self.params.printlog: dt dt or self.datas[0].datetime.date(0) print(f{dt.isoformat()} {txt}) def __init__(self): self.order None self.ma_fast bt.indicators.SMA(periodself.p.fast_period) self.ma_slow bt.indicators.SMA(periodself.p.slow_period) def next(self): if self.order: # 有挂单时不重复下单 return if not self.position and self.ma_fast[0] self.ma_slow[0]: self.order self.buy(size1000) elif self.position and self.ma_fast[0] self.ma_slow[0]: self.order self.close()读取源码里主策略时重点关注三处入场条件用了哪些指标、出场条件是反向信号还是固定止损、仓位是固定手数还是按净值百分比。这三点的任意组合构成了策略的全部骨架其它过滤条件都是锦上添花。参数说明里self.ma_fast[0]指的是当前bar的值backtrader的索引0是当前-1是上一根写错索引位置在回测里不会报错但会产生不可见的未来函数——用当前bar的数据在开盘时下单等于偷看了当天的收盘价。4.2 回测结果怎么解读年化、回撤与换手跑完回测会输出一堆数字新手最容易盯着的就是期末总资产和总收益率。这两个数字恰恰是最不值得看的。源码里即使策略烂到极点只要回测区间选在牛市中后段期末总资产一样好看。真正能说明策略质量的指标是年化收益率、最大回撤、夏普比率和换手率。指标计算口径一个合格策略大概的标准年化收益率按复利把区间收益折算成一年能稳定跑赢基准指数5个点以上最大回撤资金曲线从峰值到谷底的最大跌幅趋势策略容忍30%中性策略最好15%以内夏普比率年化超额收益除以年化波动率大于1.5算合格大于3需要警惕过拟合换手率区间总成交金额除以区间平均资金太高说明策略在靠手续费换收益回测框架输出的总资产是净值曲线上的最后一个点真正要你分析的是曲线本身形状。回撤陡峭说明仓位管理有问题净值横盘很久突然拉升通常是因为某一只股票贡献了全部收益这种策略的泛化能力极差。拿到回测结果第一件事不是看赚了多少钱而是看最大回撤出现的时段对照行情确认那段时间市场发生了什么——如果策略在熊市里空仓回撤应该很小才对。4.3 源码里哪些参数一改就变味周期、止损与手续费源码里的参数都有默认值很多新手喜欢调高调低试试运气。这里最危险的是把手续费和滑点参数调成理想值比如手续费设为零、滑点设为零。这样改完回测年化猛涨几个点实盘却直接翻车因为真实交易中佣金、印花税、滑点和冲击成本会吃掉利润。# backtrader中手续费及滑点的合理设置 cerebro.broker.setcash(100000.0) # 股票佣金万2.5印花税卖出千1滑点按成交价加一跳 cerebro.broker.setcommission( commission0.00025, # 佣金万2.5 commission_docs单边佣金, stocklikeTrue, percabsTrue, marginNone ) cerebro.broker.set_slippage_perc(perc0.0005) # 0.05%滑点合理的参数组合应该是手续费按你实际开户的佣金费率填写滑点在回测里至少设0.05%到0.1%。如果改低参数会明显拉高收益说明这个策略在真实环境下活不下去这个结论越早知道越好。均线周期的参数也不要追求精确最优。用5日均线和20日均线能盈利的策略改成10日和30日如果也能盈利说明策略逻辑稳健如果换个周期立刻亏损说明你找到的是一组纯靠巧合拟合历史的参数。5. Python量化交易源码落地的五个坑从回测翻车到实盘踩坑5.1 前复权数据跑两遍结果对不上现象同一个回测脚本周一跑出来的净值是1.85周五再跑变成了1.76期间没有改过任何代码。原因使用的是前复权行情而前复权价以最新价格为基准不断调整历史价格每当标的除权除息整段历史价格都会被重新缩放一遍数据源更新后回测结果自然漂移。解决在本地存储后复权数据作为原始档案所有因子计算和回测都基于后复权价完成仅在输出最终K线图时候把最新结果转成前复权展示。这样即使数据源后续更新回测计算输入不会改变。5.2 手续费设万分之1实盘全员亏损现象回测里年化收益率28%实际搭好模拟盘跑三个月利润只有回测的一半手续费和滑点成了最大的吞金兽。原因源码默认的手续费设置按大资金机构标准忽略了散户的单笔金额小、佣金有最低五元限制、买卖价差要额外计提滑点这几个现实因素。解决回测中股票类单边手续费至少设万2.5最低五元的规则可以通过自定义佣金类实现滑点按0.1%计入。如果调整后策略年化收益仍然为正再考虑实盘。这一步能把全靠低交易成本支撑的“纸面策略”提前过滤掉。5.3 “未来函数”混进信号胜率全是假的现象回测胜率70%逐日均价都符合买卖点但拿到模拟盘上一周就连续止损。原因策略代码里用了未来数据。最常见的是在当日bar收盘后计算指标却在当天开盘时就下了单另一个常见变体是归一化时用了整个回测区间的最大最小值让信号偷偷获得了未来行情的统计信息。解决从策略的next函数入手信号只允许使用self.data.close[0]之前的数据想用收盘价算信号就必须等下一根bar开盘才能成交。在全样本标准化之前先按时间切片做滚动标准化确保每个时间点的特征只依赖过去的样本。验证方法是日志输出每一笔信号触发时对应的bar时间和价格人工抽查几条。5.4 一字板和停牌股订单回测里根本成交不了现象回测里某只股票频繁出现“买入后连续涨停”的完美收益实盘里这些涨停板根本排不进。原因回测引擎默认在达到最高价之前都能成交但A股的一字板意味着从开盘到收盘全程封死在涨停价买单排队排在前面的人是少数普通账户根本买不到。解决在策略下单前加状态过滤# 过滤涨停和停牌的撮合前检查 def can_trade(self, data): # 取当前bar开高低收 o data.open[0] c data.close[0] h data.high[0] l data.low[0] # 一字涨停开盘即涨停且最低价等于开盘价 if c o and h l and c o: return False # 一字跌停同理无法卖出 if c o and h l and c o: return False return True注意这里的涨停判定用“最高价等于最低价”是一个工程近似遇到新股上市无涨跌幅限制的情况会误杀。更精细的做法是引入前收盘价并计算±10%的边界。5.5 参数一调就大幅盈利“过拟合”的错觉现象把均线周期从20改成27回测年化从15%跳到41%换到其它时间段立刻失效。原因参数是拿历史数据一段段试出来的周期针对性越强样本外表现越差。这是量化交易源码最容易让新手产生错觉的地方——源码作者可能已经做过一轮参数寻优你在他基础上再微调等于对历史噪声做二次拟合。解决做参数邻域稳定性测试。把单一最优参数换成/-20%的范围比如参数是27那就分别跑20、21、22直到34看收益分布是否在邻域内连续且相对稳定。如果只有27这一个点赚钱其它周期全部亏损果断放弃这个策略如果20到34都能盈利只是幅度有波动说明策略逻辑本身成立。6. 回测跑通了之后walk-forward滚动验证与模拟盘飞行检查前面几章确认了策略在历史回测上能跑、参数邻域稳定、数据没有坑接下来是投入实盘前的最后一道工序。我惯用walk-forward滚动验证把历史数据按时间切成训练段和验证段训练段里确定最优参数验证段里用固定参数测试然后逐步向后滚动。这样模拟的是“站在当时做决策”的真实场景能有效回避全样本回测中的环境偏差。import pandas as pd def walk_forward(prices, train_len250, test_len63): results [] for start in range(0, len(prices) - train_len - test_len, test_len): train prices[start:start train_len] test prices[start train_len:start train_len test_len] # 在train段跑参数寻优选出best_params best_params grid_search(train) # 用固定参数回测test段 ret backtest(test, best_params) results.append(ret) return pd.concat(results)滚动窗口的默认参数是250天训练、63天验证接近“一年训练一季度验证”的节奏。常见的问题是训练段和验证段间隔太短数据重叠太多结果仍然乐观。我一般会在训练段末尾留5到10天的缓冲期避免刚寻优完的参数立刻在验证段生效。walk-forward全部通过之后跑模拟盘飞行检查周期至少一个月。模拟盘是验证源码里下单逻辑和真实行情接口的重要一步数据源推送的是前复权还是实时价、策略下单后成交回报延迟多大、撤单和改单逻辑能不能正常工作。我自己的习惯是任何一套源码策略模拟盘三个月收益为正且回撤不超过预期的80%才会考虑用最小仓位实盘。这套流程看着慢但比在实盘里发现未来函数和复权漂移要划算得多。希望帮到你。本文还有配套的精品资源点击获取