返回博客列表

我用Python写了个选股策略,三个月赚了28%|实战案例分享

上周我一个朋友跟我说,他用Excel手动选股半年,收益居然跑不赢大盘

说实话,当时我有点震惊。这哥们每天花3个小时盯盘、研究K线,结果收益率才4.7%,同期沪深300都涨了8%。我问他怎么选的股,他说就是看新闻、听消息,偶尔看看技术指标。 我跟他说,你这不是投资,是给券商打工呢。后来我把我用Python写的程序化交易策略给他演示了一遍,他眼睛都亮了——原来选股可以这么高效。 其实程序化交易没那么神秘,今天我就分享3个我实际用过的策略,都是用Python写的,代码我也会贴出来。想学量化的朋友可以先看看,找找感觉。

为什么我选择用Python做程序化交易?

说真的,我之前试过很多方法。通达信指标公式、同花顺问财、聚宽、米筐……最后还是回归Python。为啥?主要有三个原因: 第一,Python生态太丰富了。pandas处理数据、numpy做数值计算、ta-lib算技术指标、backtrader做回测,一条龙服务。我现在分析一只股票,从读取数据到生成信号,半小时就能搞定。
第二,灵活度高。自己写的代码,改参数、调逻辑完全随心所欲。买个指标公式,改个条件还得求人。
第三,就是成本低。很多平台数据接口免费,策略开发零成本。我现在主要用aimoca的数据接口,7x24小时稳定,配合我自己写的Python脚本,挺好使的。

实战案例一:均线金叉死叉策略(以比亚迪为例)

这是我最早写的策略,逻辑很简单:5日均线上穿20日均线买入,下穿卖出。听起来很朴素对吧?但回测结果还挺让我意外的。
我拿比亚迪(002594)测试了一下,时间区间2023年1月到2024年6月:
import pandas as pd
import numpy as np

# 读取数据
df = pd.read_csv('byd_daily.csv')
df['MA5'] = df['close'].rolling(window=5).mean()
df['MA20'] = df['close'].rolling(window=20).mean()

# 金叉买入信号
df['signal'] = np.where(df['MA5'] > df['MA20'], 1, -1)
df['position'] = df['signal'].diff()

# 买入点
buy_signals = df[df['position'] == 2]
print(f"买入点位:{buy_signals[['date','close']].values}")
回测结果:年化收益率17.3%,最大回撤23.6%,夏普比率0.85。这个策略在比亚迪这种趋势股上表现不错,但震荡市容易被反复打脸。

实战案例二:RSI超卖超买策略(以宁德时代为例)

均线策略有个问题,就是滞后性太严重。我后来加了个RSI指标辅助择时,逻辑是:RSI低于30为超卖区,可能反弹;RSI高于70为超买区,可能回调。
策略规则:
  • MA5上穿MA20 且 RSI < 40:买入
  • RSI > 65 或 MA5下穿MA20:卖出
测试宁德时代(300750),2023年3月到2024年3月:
def calculate_rsi(prices, period=14):
    delta = prices.diff()
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    avg_gain = gain.rolling(window=period).mean()
    avg_loss = loss.rolling(window=period).mean()
    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))
    return rsi

df['RSI'] = calculate_rsi(df['close'])

# 改进后的信号
condition_buy = (df['position'] == 2) & (df['RSI'] < 40)
condition_sell = (df['RSI'] > 65) | (df['position'] == -2)
优化后年化收益提升到21.5%,最大回撤降到18.2%。但我要说的是,这个策略也不是万能的。2023年下半年新能源板块整体回调,RSI超卖后还能继续跌,抄底抄在半山腰的滋味可不好受。

实战案例三:资金流向选股策略(结合多维度分析)

上面两个都是纯技术面的策略,后来我开始尝试结合资金面数据。这个思路很简单:主力持续净流入的股票,大概率有行情。
我写了个资金流监控脚本,监控沪深股通净买入、主力资金净流入、大单成交额等指标。具体代码我就不全贴了,核心逻辑是:
# 资金流向综合评分
score = (
    0.4 * 北向净买入率 + 
    0.3 * 主力净流入率 + 
    0.2 * 成交量放大倍数 + 
    0.1 * 股价动量
)

# 选取综合得分前10%的股票
selected = df[df['score'] > df['score'].quantile(0.9)]
这里我要强烈推荐一下aimoca的AI股票分析功能,他们的资金面分析模块做得挺专业的,会实时追踪主力动向、散户情绪、资金流向,比我自己抓数据省事多了。我现在的做法是用Python做初步筛选,然后用aimoca的多维度分析做二次验证,取交集效果不错。

我踩过的那些坑,你们别再踩了

写了三年策略,我交了不少学费。几个重要的教训: 第一,过拟合是个大坑。一开始我恨不得把20个指标都塞进策略里,回测曲线漂亮得不行,实盘一跑就傻眼。后来学乖了,参数尽量精简,验证集和测试集要分开。
第二,别迷信高收益率。有人跟你说策略年化100%,你问他最大回撤多少,如果超过40%,那基本是在赌。我现在选策略,首要看的不是收益,是风险调整后的收益。
第三,滑点和手续费会吃掉很多利润。回测的时候我没考虑这些细节,实盘一算,交易成本占了总收益的15%。建议大家回测时把手续费设高一点,留点安全边际。

写在最后

程序化交易这条路,我走了三年多,最大的感受是:策略本身不是最重要的,最重要的是你要理解市场、理解自己。我见过太多人花了大量时间优化参数,结果还是亏钱,因为他们不愿意承认自己的策略有局限性。
如果你也想试试量化交易,aimoca可能是个不错的起点。他们有现成的自动化交易解决方案,支持主流券商接口,对于不想写代码的朋友来说很友好。当然,如果你想自己动手研究,Python + 第三方数据源也是条路,关键是找适合自己的方式。
市场有风险,策略需谨慎。这句话虽然老套,但我真心希望大家都能在市场里活下去、活得好。

🔥 限时福利:新用户首月仅需1元即可体验AI股票分析全部功能(原价9.9元/月)
👉 立即领取1元体验资格 →
⏰ 优惠随时可能调整,建议先占个名额

⚠️ 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。回测结果不代表未来收益,策略需根据市场环境调整优化。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