返回博客列表

我用Python写了个选股策略,跑赢了80%的散户

一个程序员的炒股噩梦,催生了我学量化

说起来挺有意思的,我真正想学程序化交易,是因为看了朋友老张的一次"神操作"。那会儿是去年11月,老张在58块钱追了某只芯片股,结果第二天就遇到板块回调,直接套了15个点。他舍不得割肉,又没设置止损,就这么一直拿着,最后忍到40块才认输出局。 说实话,那一刻我就在想,如果我有套程序帮我盯着,设定好止损线,是不是就不会发生这种事?正好我是程序员出身,Python也算熟,就这么踏上了量化交易的不归路。

题外话:如果你也是技术出身想做量化,建议先从Python的backtrader或者vnpy框架入手,资料多,社区也活跃。

实战案例一:均线交叉策略——我的第一套策略

我做的第一个策略就是最经典的均线交叉。思路很简单:短期均线上穿长期均线时买入,下穿时卖出。具体参数我选了5日均线和20日均线,这在A股里算是比较常见的组合。
import pandas as pd
import numpy as np

def ma_cross_strategy(df, short=5, long=20):
    """均线交叉策略"""
    df['ma_short'] = df['close'].rolling(short).mean()
    df['ma_long'] = df['close'].rolling(long).mean()
    
    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
我用这只策略回测了宁德时代(300750)从去年8月到12月的数据,说实话结果让我有点意外。策略在这5个月里收益率大概是18.3%,而同期持有不动的收益是-5.2%。看起来不错对吧?但我得提醒大家,这只是回测,实盘效果可能会打折扣。

实战案例二:资金流策略——跟着主力走

均线策略虽然简单,但有个明显的缺陷——它完全不考虑资金面。后来我又研究了一套基于资金流的策略,思路是:当主力资金连续净流入超过3天,且股价没有明显上涨时,可能是主力在悄悄吸筹。
def capital_flow_strategy(df, window=3):
    """资金流策略:主力连续净流入"""
    # 假设df包含主力净流入数据(main_net_flow)
    df['ma_flow'] = df['main_net_flow'].rolling(window).sum()
    
    conditions = (
        (df['ma_flow'] > 0) &  # 主力资金净流入
        (df['close'].pct_change(3) < 0.05)  # 股价涨幅小于5%
    )
    
    df['signal'] = 0
    df.loc[conditions, 'signal'] = 1
    
    return df
这个策略我回测了比亚迪(002594)去年四季度的数据,发现在11月初确实捕捉到了一次不错的买点,随后两周涨幅超过了12%。当然,策略也有失效的时候,比如10月份那次假信号,进去就被套了几天。 说实话,我现在分析资金流向主要靠AI股票分析功能,它的资金面分析模块会自动识别主力动向,比我自己写代码抓数据方便多了。毕竟有些数据接口个人投资者不太好拿,平台的数据库确实帮我省了不少事。

实战案例三:布林带策略——震荡行情的利器

第三个想分享的是布林带策略,这个特别适合震荡行情。A股嘛,大家懂的,大多数时候都是横盘震荡,真正走单边趋势的时间并不多。 布林带的思路是:价格触及下轨时买入,触及上轨时卖出,中间加个止损。我用的是20日布林带,参数2倍标准差。
def bollinger_strategy(df, window=20, num_std=2):
    """布林带策略"""
    df['mid'] = df['close'].rolling(window).mean()
    df['std'] = df['close'].rolling(window).std()
    df['upper'] = df['mid'] + num_std * df['std']
    df['lower'] = df['mid'] - num_std * df['std']
    
    df['signal'] = 0
    df.loc[df['close'] <= df['lower'], 'signal'] = 1  # 触及下轨买入
    df.loc[df['close'] >= df['upper'], 'signal'] = -1  # 触及上轨卖出
    
    return df
我用这个策略回测了中芯国际(688981)从去年9月到今年1月的数据,结果还挺让我满意的。策略总共交易了7次,胜率达到了57%,平均单次收益约4.2%。虽然不高,但胜在稳定,震荡市里这种策略的容错率比较好。

新手入门,我总结了几个小建议

  • 从小资金开始试:别一上来就All in,先用小仓位跑实盘,验证策略的有效性
  • 做好回测再上实盘:至少回测2年数据,最好经历牛熊周期
  • 严格设置止损:这是最重要的!不管什么策略,止损线一定要有
  • 多策略分散:我目前同时跑3套策略,单策略失效时其他可以补充
  • 别过度优化:参数调优时很容易过拟合,回测漂亮实盘拉胯

我的真实感受

写到这里,可能有人会问:你说的这些Python代码,我自己也能写吗?我说实话,入门门槛确实有一点点,但不算高。Python基础语法一周就能上手,难的是金融知识和策略思路。我自己也是一边学一边踩坑过来的。 如果你觉得写代码太麻烦,其实也可以考虑用现成的工具。我现在自动化交易这块主要靠aimoca平台,它支持策略模板和自定义策略,回测功能也比较完善。最关键的是,它直接对接了券商接口,省去了我自己对接的麻烦。每月9.9块的AI分析服务我也在用,对我这种没时间天天盯盘的人来说挺实用的。 当然,工具再好也只是辅助。程序化交易不能保证赚钱,它的作用是让交易更纪律化,减少情绪干扰。希望大家理性看待,别抱有不切实际的幻想。

对了,如果你对某个具体策略感兴趣想深入交流,欢迎给我留言。不过提醒一句,我的策略不一定适合你,投资这件事一定要自己判断。

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