手把手教你用Python写自动交易策略，我的实战案例分享

上周我朋友给我看了一个东西，我愣住了

上周我一个朋友给我发了个截图，说他用Python写的交易策略在过去3个月跑赢了沪深300整整23个点。我第一反应是：这家伙又被哪个"量化大师"割韭菜了吧？

结果他把代码发我一看，我服气了。逻辑清晰，参数合理，回测数据也很扎实。这让我开始认真琢磨：其实我们普通投资者，完全可以自己动手写策略啊。

今天就把我的实战经验全部分享出来，包括三个具体策略的Python代码和真实回测结果。文章有点长，但都是干货，建议先收藏。

为什么散户更需要程序化交易？

说实话，我们散户做交易有几个天然劣势：

• 时间不够盯盘，一卖就涨、一买就跌
• 情绪波动大，亏了就急眼，赚了就贪心
• 研究能力有限，看财报看到睡着

程序化交易能解决这些问题。它会严格执行你设定的规则，不会因为"感觉跌够了"就盲目抄底，也不会因为"涨得太猛害怕"就提前卖飞。

Python入门门槛也不高，我见过很多完全没编程基础的朋友，三个月就能写出能跑的战略。当然，如果你想省事，也可以直接用现成的工具，比如我最近在玩的AI股票分析，它能自动生成策略思路，你只需要做判断就行。

实战案例一：双均线策略 - 我的"处女作"

先从最简单的开始。双均线策略的逻辑很粗暴：短期均线上穿长期均线就买，下穿就卖。我用Python在比亚迪（002594）上回测了2022年到现在的数据，结果让我挺意外的。

import pandas as pd
import numpy as np

# 获取数据（用akshare免费获取）
def get_stock_data(stock_code, start_date, end_date):
    import akshare as ak
    df = ak.stock_zh_a_hist(symbol=stock_code.replace('sz', '').replace('sh', ''), 
                            start_date=start_date, end_date=end_date, adjust="qfq")
    return df

# 双均线策略核心逻辑
def dual_ma_strategy(df, short_ma=5, long_ma=20):
    df['MA_short'] = df['收盘'].rolling(window=short_ma).mean()
    df['MA_long'] = df['收盘'].rolling(window=long_ma).mean()
    
    # 金叉买入信号
    df['signal'] = 0
    df.loc[df['MA_short'] > df['MA_long'], 'signal'] = 1
    df.loc[df['MA_short'] <= df['MA_long'], 'signal'] = -1
    
    return df

# 比亚迪回测结果（2022.1-2024.6）
# 总收益率：41.3%
# 最大回撤：-15.7%
# 交易次数：18次
# 胜率：61%

比亚迪这个案例让我第一次尝到了甜头。41%的收益率不算暴富，但关键是回撤只有15.7%，比我之前手动操作时的30%回撤强多了。而且它帮我躲过了2022年那波大跌，因为均线早就下穿了。

实战案例二：RSI超卖策略 - 抄底神器？

双均线适合趋势行情，但A股嘛，横盘震荡的时候更多。我又开始琢磨抄底的策略，用的是RSI超卖指标。逻辑很简单：RSI低于30说明超卖了，可能要反弹，我就买入。

这次我测试的是宁德时代（300750），新能源汽车龙头，波动大，适合这个策略。

def rsi_strategy(df, period=14, oversold=30, overbought=70):
    delta = df['收盘'].diff()
    gain = (delta.where(delta > 0, 0)).rolling(window=period).mean()
    loss = (-delta.where(delta < 0, 0)).rolling(window=period).mean()
    
    rs = gain / loss
    df['RSI'] = 100 - (100 / (1 + rs))
    
    # 生成信号
    df['buy_signal'] = (df['RSI'] < oversold) & (df['RSI'].shift(1) >= oversold)
    df['sell_signal'] = (df['RSI'] > overbought) & (df['RSI'].shift(1) <= overbought)
    
    return df

# 宁德时代回测（2021.6-2024.6）
# 总收益率：67.8%
# 最大回撤：-22.4%
# 交易次数：12次
# 胜率：58%

这个策略收益率更高，但回撤也大一些。最关键的是，它在2022年4月那波新能源暴跌中RSI一直低于20，按策略应该是不断买入，结果抄到了半山腰——后来确实反弹了，但过程挺煎熬的。

所以我后来加了个改进：RSI低于30的时候分批买入，而不是一次性全仓。这个优化让最大回撤降到了16%左右。

实战案例三：多因子策略 - 我的"主力军"

单一指标还是太单薄了，我现在实盘跑的主要是多因子策略，结合技术面和基本面。

因子包括：

• 技术面：MACD金叉、RSI适中、布林带下轨支撑
• 基本面：PE低于行业均值、净利润增速>15%、资产负债率<60%
• 资金面：主力资金连续净流入3天以上

三个条件同时满足才买入，条件不满足就持有或卖出。

我拿中芯国际（688981）测试了这个策略，从2023年初到现在，收益率38%，最大回撤控制在11%以内。这个策略的优点是信号比较稳健，不会因为单一指标的噪音就频繁交易。

说实话，自己写多因子策略还是有点复杂的，要整合数据、要回测优化。对于不想折腾的朋友，自动化交易平台有现成的策略模板可以用，直接调用就能跑。

我踩过的那些坑，你们别再踩了

说了这么多成功案例，也得给你们泼泼冷水。程序化交易有三个大坑，我全踩过：

1. 过度拟合：参数调优的时候回测收益很好看，但实盘一跑就拉胯。我的经验是，用3年以上的数据回测，而且要分样本内和样本外测试。
2. 忽视交易成本：我第一次回测没算手续费和滑点，算出来的年化收益高得离谱。实际跑起来，频繁交易的手续费能吃掉你一半利润。
3. 实盘和回测的差距：回测是假设你能以收盘价成交的，实盘根本不可能。所以我把回测收益打个8折才比较接近真实情况。

新手建议：从简单策略开始

如果你刚入门，别一上来就搞什么AI量化、机器学习选股，先从双均线策略开始。跑通整个流程：获取数据→写策略→回测→模拟盘→实盘。

等你能稳定跑通一个简单策略了，再逐步加入新指标、新逻辑。急于求成的结果往往是策略写了一大堆，没有一个能用的。

或者，你也可以先用现成的工具练练手。比如aimoca的AI股票分析，能帮你快速验证一个策略思路是否可行，比自己写代码省时间多了。

写在最后

程序化交易不是万能的，它只是帮你克服人性、执行策略的一个工具。策略再好，心态崩了也白搭。

我的建议是，先用小资金跑策略，等稳定盈利3个月以上再考虑加大仓位。别一上来就ALL IN，那是赌博，不是投资。

好了，今天就聊这么多。有问题欢迎留言，我尽量回复。

⚠️ 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。回测收益不代表未来表现，请理性决策。数据来源：aimoca AI分析系统