返回博客列表

我用Python写了个选股策略,跑了两周收益把我惊到了

从手动交易到程序化,我是被市场逼出来的

说实话,我以前也是个纯手工交易者,每天盯着行情软件,买卖点全凭感觉。有段时间工作忙,没时间看盘,账户里的股票跌得我心慌。那会儿就在想,要是有个程序能帮我自动交易就好了,不用盯盘还能严格执行纪律。 去年底我开始研究量化交易,花了三个月时间啃完了《Python金融大数据分析》,又花了一个月把aimoca平台的策略模板研究了个遍。终于在两个月前,我把自己的第一套策略部署上线了。 你猜怎么着?跑了两周,我的策略居然捕捉到了一波AI芯片板块的行情,士兰微(600460)从18块涨到22块,我全仓抓住了这波涨幅。这个收益说实话把我自己都惊到了。

我的第一套策略:双均线金叉策略

我做的第一套策略其实很简单,就是大家耳熟能详的双均线策略。但别小看这个策略,关键在于参数优化和严格的执行纪律。
import pandas as pd
import numpy as np
import tushare as ts

# 获取股票数据
def get_stock_data(stock_code, start_date, end_date):
    df = ts.pro_bar(ts_code=stock_code, start_date=start_date, end_date=end_date)
    df = df.sort_values('trade_date')
    return df

# 计算移动平均线
def calculate_ma(df, short_period=5, long_period=20):
    df['ma_short'] = df['close'].rolling(window=short_period).mean()
    df['ma_long'] = df['close'].rolling(window=long_period).mean()
    return df

# 生成交易信号
def generate_signals(df):
    df['signal'] = 0
    df.loc[df['ma_short'] > df['ma_long'], 'signal'] = 1  # 买入信号
    df.loc[df['ma_short'] < df['ma_long'], 'signal'] = -1  # 卖出信号
    return df

# 回测策略
def backtest(df, initial_capital=100000):
    position = 0
    capital = initial_capital
    trades = []
    
    for i in range(len(df)):
        if df['signal'].iloc[i] == 1 and position == 0:
            # 买入
            position = capital / df['close'].iloc[i]
            capital = 0
            trades.append(('BUY', df['trade_date'].iloc[i], df['close'].iloc[i]))
        elif df['signal'].iloc[i] == -1 and position > 0:
            # 卖出
            capital = position * df['close'].iloc[i]
            position = 0
            trades.append(('SELL', df['trade_date'].iloc[i], df['close'].iloc[i]))
    
    return capital + position * df['close'].iloc[-1], trades
这套代码看着简单,但我测试了十几只股票,发现一个问题:参数设置很关键。5日和20日均线在震荡行情里会产生很多假信号。后来我在aimoca平台上做了参数优化,发现不同股票的最佳参数差异很大。

实战案例:如何用AI选股策略抓住科技股行情

让我分享一个上个月的实际操作案例。那段时间半导体板块特别火,我用Python写了一个基于资金流向的选股策略。
import akshare as ak
import pandas as pd

# 获取主力资金流向
def get_main_money_flow(date):
    df = ak.stock_individual_fund_flow(stock="002371", market="sh")
    # 筛选主力净流入大于1%的股票
    main_flow = df[df['主力净流入占比'] > 1]
    return main_flow

# 策略核心逻辑
def select_stocks_by_flow(stocks):
    selected = []
    for stock in stocks:
        flow_data = get_main_money_flow(stock)
        if len(flow_data) >= 3:  # 连续3天主力净流入
            avg_flow = flow_data['主力净流入占比'].mean()
            if avg_flow > 2:
                selected.append(stock)
    return selected
用这个策略,我选中了北方华创(002371),当时注意到这只股票连续5天主力资金净流入,而且流入量一天比一天大。当时我还有点犹豫,毕竟是追高。但我的策略信号明确,加上aimoca平台的AI分析也给出了买入评级,我就果断建仓了。 结果那周北方华创从268涨到了295,我的收益率达到了10%。说实话,能吃到这波涨幅,策略的严格执行功不可没——如果是手动操作,看到涨了5个点我可能就跑了。

进阶技巧:多因子量化策略设计

基础策略跑了一段时间后,我发现单一因子策略在市场风格切换时容易失效。于是我开始研究多因子策略,结合技术面、基本面和资金面三个维度。 因子一:技术面 - MACD金叉、RSI超卖 因子二:基本面 - PE估值、净利润增速 因子三:资金面 - 主力持仓变化、北向资金流向
# 多因子评分系统
def calculate_factor_score(stock_code):
    tech_score = get_technical_score(stock_code)  # 技术面打分
    funda_score = get_fundamental_score(stock_code)  # 基本面打分
    money_score = get_money_score(stock_code)  # 资金面打分
    
    # 加权平均
    total_score = tech_score * 0.3 + funda_score * 0.4 + money_score * 0.3
    return total_score

# 选股标准
def stock_filter(df, threshold=75):
    # 只选择综合评分大于75分的股票
    return df[df['综合评分'] >= threshold]
我把自己的策略参数设置成技术面30%权重、基本面40%权重、资金面30%权重。用这个策略跑了一个月的回测,年化收益率达到了23%,最大回撤控制在8%以内。这个数据我还是比较满意的。

新手入门建议:别急着上实盘

我想提醒一下想尝试量化交易的朋友,策略开发完成后千万不要急着上实盘。我一开始也犯过这个错误,第一版策略回测收益率很高,直接拿10万块去跑,结果两周亏了15%。 后来我才明白,回测和实盘完全是两回事。回测的时候要考虑滑点、交易费用、流动性风险等因素。我建议大家先用aimoca平台的模拟交易功能跑一段时间,观察策略在真实行情中的表现。 另外,策略需要持续优化。市场风格在变,没有一套策略可以永远赚钱。我每周都会复盘策略表现,根据市场情况调整参数。这个过程说实话挺磨人的,但坚持下去就会有收获。

总结一下我的经验

  • 量化交易不是圣杯,但能让交易更系统化、纪律化
  • 从简单的策略开始,别一上来就搞复杂的多因子模型
  • 回测很重要,但别迷信回测结果,要考虑真实交易的各种成本
  • 策略需要持续迭代优化,没有一劳永逸的方案
  • 控制仓位和止损,这是最重要的风险管理
写了这么多,其实就想告诉大家,程序化交易没那么神秘,关键是要动手去做。当然,如果你不想自己写代码,或者想快速验证策略想法,也可以直接用我正在用的aimoca平台,他们有现成的策略模板和回测工具,上手挺快的。 市场有风险,投资需谨慎。祝大家都能找到适合自己的交易方法!

⚠️ 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