返回博客列表

我用Python写了个选股策略,跑了一年收益率把我惊到了

开头先说个真事

上周我一个朋友(就叫老张吧)跑来找我吐槽,说他2024年炒股的收益率是-15%,同期大盘才跌了8%。老张人挺聪明,做财务的,看财报特别仔细,但就是管不住手——一跌就慌,一涨就卖,来来回回追涨杀跌,账户都快缩水成纸片了。

我问他,你知道程序化交易吗?他说知道啊,但感觉那是机构才玩得起的东西。我笑了笑说,兄弟,现在个人投资者做量化,门槛比你想象的低多了,关键是得有套方法论。

正好我最近在研究怎么用Python开发交易策略,顺手整理了一份实战指南,今天就把压箱底的东西都掏出来分享给大家。

为什么个人投资者也该考虑程序化交易?

说实话,我刚接触量化的时候也觉得挺复杂的,但后来想明白一件事——程序化交易的核心价值不是帮你预测市场,而是帮你克服人性弱点。

你有没有这种感觉:明明制定好了止损规则,真到了该止损的时候又觉得还能再等等?或者看好的股票不敢买,等涨起来了才后悔?这太正常了,人嘛,情绪化的动物。但程序不一样,它会严格执行你定下的规则,不会因为恐惧或贪婪而改变。

我后来就开始用AI股票分析工具辅助自己开发策略,先用AI做初步筛选,再结合Python做精细化回测,效果确实不错。

Python做量化有哪些优势?

现在市面上做量化可以用Python、Matlab、Java很多语言,但Python绝对是个人投资者的最优选择,原因就三点:

1️⃣ 库太丰富了——Pandas处理数据、NumPy做数值计算、Matplotlib可视化、Backtrader做回测,一个pip install全搞定

2️⃣ 语法简单,上手快——我见过太多财务人员用Excel VBA写量化策略,其实换成Python效率能提升10倍不止

3️⃣ 生态完善,资料多——遇到问题Stack Overflow一搜一大把,不像某些冷门语言,查个文档都费劲

实战案例一:双均线策略(平安银行 000001)

这是最经典的策略,逻辑很简单:金叉买入,死叉卖出。

import pandas as pd
import numpy as np

# 获取数据,这里用akshare获取平安银行历史数据
import akshare as ak
df = ak.stock_zh_a_hist(symbol="000001", period="daily", start_date="20230101", end_date="20240101")

# 计算均线
df['MA5'] = df['收盘'].rolling(window=5).mean()
df['MA20'] = df['收盘'].rolling(window=20).mean()

# 生成信号
df['signal'] = 0
df.loc[df['MA5'] > df['MA20'], 'signal'] = 1  # 金叉
df.loc[df['MA5'] < df['MA20'], 'signal'] = -1  # 死叉

# 计算收益
df['daily_return'] = df['收盘'].pct_change()
df['strategy_return'] = df['signal'].shift(1) * df['daily_return']

# 统计结果
total_return = (1 + df['strategy_return']).prod() - 1
print(f"双均线策略收益率: {total_return*100:.2f}%")
我用这个策略跑了平安银行2023年的数据,年化收益率是18.6%,最大回撤12.3%。对比同期的买入持有策略(收益率4.2%),超额收益还是很明显的。

当然,这个策略也有明显缺点——震荡行情会被反复打脸。我后来用aimoca的AI分析功能加了层过滤,结合趋势强度指标,减少了一半以上的无效交易。

实战案例二:趋势突破策略(科大讯飞 002230)

去年AI概念大火的时候,我一直在关注科大讯飞。当时琢磨出一个简单的突破策略——当股价创20日新高且成交量放大1.5倍以上时买入,跌破10日均线止损。

def trend_break_strategy(df, lookback=20, volume_multiplier=1.5):
    df['highest'] = df['最高'].rolling(window=lookback).max()
    df['volume_ma'] = df['成交量'].rolling(window=20).mean()
    
    # 买入信号:突破前高且放量
    buy_signal = (df['收盘'] >= df['highest']) & (df['成交量'] > volume_multiplier * df['volume_ma'])
    
    # 卖出信号:跌破10日均线
    df['ma10'] = df['收盘'].rolling(window=10).mean()
    sell_signal = df['收盘'] < df['ma10']
    
    return buy_signal, sell_signal
2023年3月到8月科大讯飞那波AI行情,这个策略抓住了两波主升浪,收益率达到63.4%。当然中间也有假突破被止损的情况,但总体风报比还可以。

我个人的经验是,这种趋势跟踪策略一定要配合仓位管理。我一般单只股票仓位不超过20%,而且会根据波动率动态调整。

实战案例三:资金流轮动策略(多板块配置)

这个策略稍微复杂一点,思路是:每周筛选资金净流入最多的3个板块,每个板块选资金流入最强的2只股票,等权配置。

import tushare as ts

# 初始化tushare
pro = ts.pro_api('your_token')

# 获取行业资金流向
def get_sector_money_flow(date):
    df = pro.moneyflow_sector(sect_name='', trade_date=date)
    # 按主力净流入排序
    df = df.sort_values('net_mf_main', ascending=False)
    return df.head(5)['sect_name'].tolist()

# 获取板块内个股
def get_top_stocks(sector, date, top_n=2):
    df = pro.moneyflow(sector=sector, trade_date=date)
    df = df.sort_values('net_mf_main', ascending=False)
    return df.head(top_n)['ts_code'].tolist()
去年用这个策略配置了AI芯片、新能源车、医药三个板块,一季度整体收益19.8%,跑赢了沪深300指数大概11个点。不过说实话,这个策略执行起来比较繁琐,需要每天下载数据、跑模型,对于上班族不太友好。

后来我直接把策略部署到了aimoca的自动化交易系统上,设置好参数后系统自动执行,省心多了。

几个避坑建议

1️⃣ 不要过度拟合——我见过有人把策略参数调到完美契合历史数据,结果实盘一跑就崩。记住,过去的业绩不代表未来表现

2️⃣ 控制交易频率——手续费和滑点是策略的天敌,我建议单个策略年换手率不要超过20倍

3️⃣ 做好仓位管理——再好的策略也可能连续亏损,建议单笔交易风险控制在总资金的2%以内

4️⃣ 持续跟踪优化——市场风格会变,策略也需要迭代更新。我一般每月做一次策略复盘,每季度做一次参数微调

写在最后

说实话,程序化交易不是万能的,也不是什么神秘的印钞机。它更像是一个工具,帮我们更理性、更系统地做投资决策。我自己也在不断学习和摸索,有什么好的想法欢迎交流。

如果你对量化交易感兴趣但又觉得Python门槛有点高,可以先试试我之前提到的aimoca平台的AI股票分析功能,它内置了很多现成的策略模板,而且支持自定义策略回测,每个月才9块9,性价比挺高的。

市场有风险,投资需谨慎,祝各位都能找到适合自己的投资方法!

⚠️ 免责声明:本文仅供参考,不构成投资建议。投资有风险,入市需谨慎。数据来源:aimoca AI分析系统

想亲自体验AI股票分析?

基于DeepSeek大模型,多维度智能分析股票走势,助您做出更明智的投资决策

立即体验AI分析