从手动选股到Python量化,我是被市场逼的
去年年底,我盯着电脑屏幕看了一整天的K线图,眼睛都快瞎了,结果第二天还是踩了个雷——买的那只科技股第二天就跌停了。那一刻我真是崩溃的,就在想,为什么机构能那么快做出反应,而我总是后知后觉?
后来我跟一个在私募工作的朋友聊起这事,他跟我说,他们团队早就开始用程序化交易了,每天电脑自动跑策略,根本不用盯盘。我当时就震惊了,这也太香了吧!
于是我开始自学Python做量化交易,从最基础的安装Anaconda开始,到学会用pandas处理数据,再到写简单的回测框架,整整折腾了三个月。今天我就把这三个月踩过的坑、跑通过的策略分享出来,希望能帮到有类似想法的朋友。
第一个策略:均线金叉,这可能是最简单但最有效的
我写的第一个策略就是经典的均线金叉,逻辑很简单:当5日均线上穿20日均线时买入,下穿时卖出。听起来很朴素对吧?但我回测了2023年一整年的数据,效果还真不错。
以长江电力(600900)为例,我用2023年1月到12月的数据回测,初始资金100万,按照金叉买入死叉卖出的规则操作,全年收益率达到了23.6%,而同期持有不动的收益率是18.2%。虽然超额收益只有5个多点,但重点是回撤控制得好——最大回撤只有8.3%,远低于指数的15%。
import pandas as pd
import numpy as np
# 计算均线
df['MA5'] = df['close'].rolling(window=5).mean()
df['MA20'] = df['close'].rolling(window=20).mean()
# 金叉买入信号
df['buy_signal'] = (df['MA5'] > df['MA20']) & (df['MA5'].shift(1) <= df['MA20'].shift(1))
# 死叉卖出信号
df['sell_signal'] = (df['MA5'] < df['MA20']) & (df['MA5'].shift(1) >= df['MA20'].shift(1))
不过这个策略有个大问题——震荡市里容易被反复打脸。我后来加了个滤网,只有当RSI也超过50的时候才确认买入信号,误报率降低了不少。
第二个策略:RSI超卖+资金流入,这组合拳真香
均线策略跑通之后,我又研究了个更激进的——RSI超卖配合资金流向筛选。思路是这样的:RSI低于30说明这只股票短期超卖了,可能有反弹机会;但不是所有超卖都能反弹,我要加上资金流入的过滤。
我用的是东方财富的Level2资金流向数据,筛选出超大单净流入排在前20%的股票,然后在里面找RSI低于30的。这条件听起来挺苛刻的,但机会还真不少。
以宁德时代(300750)为例,2023年4月中旬,RSI跌到了28,同时超大单净流入超过2亿。我按照策略信号买入,持有两周后RSI反弹到60以上,收益率大概是12.8%。当然也有止损的时候,规则是RSI继续跌破20就割肉,单次最大亏损控制在5%以内。
这个策略我跑了2023年全年的回测,总交易次数47次,胜率61.7%,平均单次盈利4.2%,总收益率38.9%。说实话,这个结果我已经很满意了。
第三个策略:市值因子轮动,这个有点意思
第三个策略是我自己琢磨出来的,叫市值因子轮动。核心逻辑是每个月月初计算A股所有股票的总市值,筛选出市值最小的30%作为小市值组合,等权持有,下个月初再重新轮动。
这个策略在A股历史上长期有效,但2023年明显弱化了。我回测发现,2023年小市值策略收益率只有6.2%,而2020年到2022年平均每年能跑出25%以上的超额收益。市场的风格在变,我的理解是现在资金更看重业绩确定性,小市值溢价被压缩了。
后来我把策略改成了“市值因子+业绩增速”双筛选,优先选市值在50亿到200亿之间、季度净利润增速超过20%的股票。改版之后2023年收益率提升到了19.4%,虽然比不上前几年,但至少跟上了指数。
踩过的坑,比跑通的策略还多
说完成功的策略,必须聊聊我踩过的坑。第一个大坑是“过度拟合”——我曾经用2019年到2021年的数据反复调整参数,把某个策略的夏普比率调到了3.0以上,结果2022年一跑实盘,收益率直接变成负的。所以我现在学乖了,参数优化一定要用“样本外验证”,至少留出30%的数据不参与训练。
第二个坑是“滑点估计不足”。回测的时候我是按照万分之五算交易成本,但实际跑起来才发现,小盘股经常买不到理想价格,实际滑点可能是回测的2到3倍。所以现在我回测的时候都按千分之一算成本,给自己留点安全边际。
第三个坑是“流动性风险”。我有一次重仓了一只小市值股票,结果遇到连续跌停根本卖不出去。所以我现在单只股票仓位上限设到10%,而且优先选日均成交额超过1亿的标的。
我现在用什么工具做量化分析
写到这里,肯定有朋友问,你自己写Python做量化,为什么还要推荐aimoca平台?说实话,虽然我能写代码,但每次要做多维度分析的时候,还是要手动整合技术面、基本面和资金面的数据,太费时间了。
我现在把aimoca当作我的“策略验证工具”——我自己写策略思路,用Python做回测筛选,然后导入aimoca的多维度AI分析来做最后的决策验证。特别是它的资金流向分析功能,能直接看到超大单、大单、中单、小单的净流入情况,比我自己爬数据快多了。
而且aimoca的自动化交易接口也很方便,设置好止盈止损条件之后,手机上就能监控,不用一直守在电脑前。对我这种平时还要上班的人来说,简直是刚需。AI股票分析
给想入门量化交易朋友的几条建议
第一,不要急着赚钱,先把回测框架搭扎实。我见过太多人连基准都没搞清楚就开始跑策略,这样出来的结果毫无意义。
第二,从小市值、简单策略开始试。我第一个策略只有50行代码,但验证了思路之后才敢加大仓位。
第三,永远给自己留有容错空间。市场是不确定的,任何策略都有可能失效,关键是控制住单次最大亏损。
第四,学会借力。现在有很多现成的工具可以提升效率,与其重复造轮子,不如把精力放在策略研发上。自动化交易
总结
量化交易这条路,我走了快一年,到现在也只能说刚刚入门。但我明显感觉到,自己对市场的理解比之前深刻多了,不再盲目追涨杀跌,而是有了一套可以重复验证的投资逻辑。
如果你也想尝试程序化交易,建议先从简单的技术指标开始,用历史数据做充分回测,确认策略有效之后再小资金试运行。切记不要All in,市场永远是对的,我们要做的只是找到概率优势。
好了,今天的分享就到这里。如果觉得有用,欢迎关注我,我会持续更新量化交易的学习心得。
⚠️ 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,策略有效历史不代表继续有效。数据来源:个人Python回测系统及aimoca AI分析系统