返回博客列表

我用Python写了个选股策略,三个月跑赢大盘23%,这个思路你可以试试

先说个真事

上周五收盘后,我一哥们老李给我打电话,语气特别激动:「哥,你那套Python量化策略真管用!我按你说的方法,上个月选了北方华创,挣了18%!」

说实话,我一开始挺意外的。老李入市才两年,连Python基础都没有,就跟着我之前发的一些教程,照猫画虎地跑了几个简单策略。但他说的一句话让我印象很深:「以前总觉得量化是机构才玩得转的,没想到我自己也能搞,而且比盯盘省心多了。」

这让我挺感慨的。其实程序化交易没那么玄乎,今天就把我的实战经验整理出来,给想入门的朋友一个参考。

为什么我想学程序化交易

先交代一下背景。我从2014年开始炒A股,前几年也是天天盯盘、追涨杀跌,踩过的坑不计其数。2019年有一次,我手里的宁德时代已经赚了12%,结果因为没设置止损,想着「再等等还能涨」,最后反而亏了5个点出局。那一刻我意识到,人性真的是最大的敌人。

后来接触到量化交易的概念,我发现程序化交易最大的优势就是纪律性——策略写好了,就不会因为恐惧或贪婪而临时改变操作。这对于我这种容易受情绪影响的人来说,简直是救星。

当然,我也承认,程序化交易不是万能的。市场瞬息万变,再好的策略也可能失效。但有了系统化的思路,至少能避免很多主观判断带来的错误。

实战案例一:双均线交叉策略(比亚迪)

先从最简单的说起。2023年初,我写了一个双均线交叉策略,选股逻辑是这样的:

  • 当5日均线上穿20日均线时,买入
  • 当5日均线下穿20日均线时,卖出

听着很简单对吧?我当时也是这么想的。但回测结果让我大跌眼镜——如果从2022年1月开始跑,到2023年6月,这个策略在比亚迪上的收益率是-8%,而同期持有不动的收益是12%。

问题出在哪?我后来复盘发现,震荡行情里这种策略会反复被「打脸」,频繁交易还增加了成本。

所以我加了第一个改进:加入趋势过滤。改成只有当20日均线向上且股价站在均线上方时才买入。这下效果好了很多——同样的时间段,比亚迪的收益率变成了+15%。

实战案例二:资金流向选股(中芯国际)

第二个案例更有意思。去年半导体板块火热的时候,我想抓住主升浪,但又不想追高,怎么办?

我的策略是:每天收盘后,用Python抓取个股的资金流向数据,筛选出连续3天主力净流入、且股价涨幅不超过5%的股票。这意味着资金在悄悄吸筹,但还没开始拉升。

3月18号,我的策略选出了中芯国际。当天收盘价是48.6元。之后两周,股价一路上行,最高冲到56.3元,涨幅接近16%。

当然,这里面有运气的成分。但关键是,这套选股逻辑让我在股价启动前就发现了机会,而不是等涨起来再去追。

这里我要特别说一下——自己写代码抓数据其实挺费劲的,数据源不稳定、更新不及时都是问题。现在我更多是用AI股票分析来辅助,它能实时分析资金流向,比我自己写爬虫省事多了。

实战案例三:多因子组合策略(贵州茅台)

第三个案例稍微复杂一点,是多因子组合。

我选了三个因子: 1. 估值因子:市盈率(PE)在行业均值以下 2. 动量因子:近20日涨幅排名前30% 3. 资金因子:最近5日主力净流入为正

三个条件同时满足才买入,每个月调仓一次。

回测时间是2022年7月到2024年6月。结果显示,这个策略在这段时间的收益率是42%,同期沪深300只涨了19%。贵州茅台是策略中的常客,因为它确实符合这三个因子。

不过我也踩过坑——2023年4月,策略选出了某只业绩暴雷的股票,第二天直接跌停。所以多因子策略也得配合止损纪律,这也是程序化的另一个好处:规则是死的,执行起来不会犹豫。

我的Python策略模板(可以直接用)

很多朋友问我代码怎么写,我直接分享一个简化版的框架:

import pandas as pd
import numpy as np

# 策略参数
short_window = 5
long_window = 20

# 获取数据(这里用示例数据)
def get_stock_data(stock_code, days=100):
    # 实际使用时对接数据接口
    pass

# 计算均线
def calculate_ma(data, window):
    return data['close'].rolling(window=window).mean()

# 生成交易信号
def generate_signals(data):
    data['ma5'] = calculate_ma(data, short_window)
    data['ma20'] = calculate_ma(data, long_window)
    
    data['signal'] = 0
    data.loc[data['ma5'] > data['ma20'], 'signal'] = 1
    data.loc[data['ma5'] < data['ma20'], 'signal'] = -1
    
    return data

# 回测函数
def backtest(data, initial_capital=100000):
    # 省略具体实现
    pass

这个模板当然很简单,但核心逻辑在,你可以在此基础上加各种过滤条件和资金管理规则。我现在的完整策略有将近300行代码,但都是从这个框架演化出来的。

新手最容易犯的几个错误

做了两年量化,我总结了几个新手常踩的坑:

第一,过度优化。有些人喜欢把策略参数调到完美匹配历史数据,但实盘一跑就亏钱,这就是典型的过拟合。我的建议是,参数不要调得太精细,留点容错空间。

第二,忽视交易成本。印花税、佣金、滑点,加起来可不是小数目。策略再高频一点,成本能吃掉大部分利润。

第三,不做压力测试。建议跑一下2018年、2022年这种熊市的回测,看看策略能扛住多大的回撤。

第四,没有止损机制。这个真的非常重要,再好的策略也可能连续亏损,设置止损线是保命的前提。

怎么降低入门门槛

说句实在话,自己从零写Python策略还是挺费时间的,光是解决数据源、API对接这些问题就够新手折腾一阵了。

我现在是把自动化交易和自主开发结合起来用。平台提供的多维度AI分析能帮我快速筛选标的、理解市场情绪,而具体的交易执行和仓位管理,我会用自己写的策略来完成。这样效率高很多,也不用事事亲力亲为。

如果你是纯新手,想先试试水再决定要不要深入学习量化,我建议可以先体验一下平台的AI分析功能,每月只要9.9元,性价比挺高的。等对市场有了感觉,再上手写策略也不迟。

写在最后

程序化交易这条路,我走得不算快,但确实越来越稳了。核心体会就是两句话:策略要简单、执行要坚决。

不要一上来就追求复杂的多因子模型、机器学习什么的,先把一个简单的策略跑通、跑稳、跑出信心来,再逐步迭代。市场中活得久比赚得快更重要。

如果你对程序化交易有兴趣,或者想了解怎么用工具辅助投资决策,可以去价格方案看看。有什么问题也欢迎在评论区交流,看到都会回复。

⚠️ 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

【限时福利】新用户首月体验仅需1元

原价9.9元/月的AI股票分析服务,新用户首月只要1元就能体验

包含:多维度AI分析、实时资金流向、技术面+基本面综合评分

🎁 限时优惠:已有2358位投资者领取

立即领取1元体验

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