返回博客列表

我用Python写了个选股策略,三个月跑赢大盘23%,顺便分享下踩过的坑

一个散户的量化之路:从被嘲笑到真香

上周三晚上,我一个在券商工作的朋友来家里吃饭,聊起我现在在研究程序化交易,他直接来了一句:"你一个散户,搞什么程序化交易,那不是机构才玩的东西吗?"我当时笑了笑没反驳,但心里想说的是——正是因为我们散户资金量小、灵活性高,程序化交易反而能帮我们克服人性弱点,避免追涨杀跌。

说起来我的量化之路还挺曲折的。最开始我也觉得量化交易高大上,各种数学模型、机器学习算法,想想就头疼。后来偶然接触到Python,发现原来写个简单的策略没那么难,再加上现在有一些AI分析工具辅助,像我一直在用的aimoca平台,它能提供多维度的AI股票分析,包括技术面、基本面、资金面的综合评分,确实帮我省了不少精力。

今天就跟大家聊聊,我是如何从零开始,用Python开发自己的交易策略的。纯实战经验分享,没有任何广告植入——好吧,aimoca那个确实挺好用的,我会在后面提到。

实战案例一:双均线策略——简单但有效

先说最经典的双均线策略。逻辑很简单:短期均线上穿长期均线时买入,下穿时卖出。我用Python写了个回测脚本,测试时间是2024年1月到6月,标的是沪深300成分股中的科技板块。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 简单的双均线策略实现
def dual_ma_strategy(df, short_window=5, long_window=20):
    signals = pd.DataFrame(index=df.index)
    signals['price'] = df['close']
    signals['short_ma'] = df['close'].rolling(window=short_window).mean()
    signals['long_ma'] = df['close'].rolling(window=long_window).mean()
    
    # 生成交易信号
    signals['signal'] = 0
    signals['signal'][short_window:] = np.where(
        signals['short_ma'][short_window:] > signals['long_ma'][short_window:], 1, -1
    )
    signals['positions'] = signals['signal'].diff()
    
    return signals

# 回测函数
def backtest(signals, initial_capital=100000):
    positions = pd.DataFrame(index=signals.index).fillna(0.0)
    portfolio = pd.DataFrame(index=signals.index).fillna(0.0)
    
    positions['stock'] = signals['signal'].shift(1)
    portfolio['positions'] = positions.multiply(signals['price'], axis=0)
    portfolio['cash'] = initial_capital - (signals['positions'].multiply(signals['price'], axis=0)).cumsum()
    portfolio['total'] = portfolio['positions'] + portfolio['cash']
    portfolio['returns'] = portfolio['total'].pct_change()
    
    return portfolio

实际回测结果让我有点意外:在芯片板块的30只股票中,有18只使用双均线策略跑赢了同期基准收益率,平均超额收益达到了12.3%。当然,也有12只股票表现不佳——这说明再简单的策略也得看股票特性。

这里我想特别提一下,用Python回测的时候,一定要考虑手续费和滑点。我见过很多人回测收益率30%、40%,一实盘就傻眼,很可能就是忽略了这些摩擦成本。我一般默认手续费是万三,滑点按千分之一估算。

实战案例二:RSI超卖策略——抄底利器?

第二个想分享的是RSI(相对强弱指标)策略。这个策略的核心逻辑是:当RSI低于30时,市场可能超卖,是买入机会;当RSI高于70时,市场可能超买,是卖出机会。

我测试了2024年3月到6月的新能源板块,用的是宁德时代(300750)和比亚迪(002594)的日线数据。策略参数是RSI(14),买入阈值30,卖出阈值70。

def calculate_rsi(prices, period=14):
    delta = prices.diff()
    gain = (delta.where(delta > 0, 0)).rolling(window=period).mean()
    loss = (-delta.where(delta < 0, 0)).rolling(window=period).mean()
    rs = gain / loss
    rsi = 100 - (100 / (1 + rs))
    return rsi

def rsi_strategy(df, buy_threshold=30, sell_threshold=70):
    df['rsi'] = calculate_rsi(df['close'])
    df['signal'] = 0
    df.loc[df['rsi'] < buy_threshold, 'signal'] = 1  # 买入
    df.loc[df['rsi'] > sell_threshold, 'signal'] = -1  # 卖出
    return df

测试结果挺有意思的:宁德时代在这个策略下,4个月实现了18.7%的收益率,期间抓住了两次较好的买入时机。但比亚迪的表现就差一些,只有6.2%的收益。这说明同一个策略在不同股票上的效果差异很大,这也是为什么我一直强调要结合多维度分析。

这也是我后来开始用AI分析工具的原因之一。像aimoca的AI股票分析功能,可以同时给出技术面、基本面、资金面的评分,让我能更全面地判断一只股票是否适合自己的策略。

实战案例三:AI辅助策略开发——人机结合才是王道

说了这么多纯技术的东西,最后聊点不一样的——我是如何用AI工具辅助策略开发的。

大概三个月前,我发现自己的策略有个问题:太关注技术指标,忽略了基本面变化。有时候一只股票技术形态很好看,但基本面突然恶化,策略就会失效。

后来我尝试了一种新思路:先用AI分析工具筛选出基本面健康的股票池,再在这个池子里用Python策略选股。具体流程是这样的:

  1. 用aimoca的AI分析功能,筛选出综合评分80分以上的股票(技术面60+、基本面70+、资金面60+)
  2. 对筛选出的股票用Python跑双均线策略和RSI策略
  3. 策略信号触发时,再次用AI分析确认信号可靠性

这样做了一段时间后,我发现一个问题:策略信号和AI分析结果有时候会打架。比如技术面显示要买,但AI综合评分只有55分,这时候该怎么办?

我的处理方式是设一个阈值:如果AI综合评分低于65分,无论策略信号是什么,都不执行交易。这个阈值我是通过回测数据不断调整的,目前还在优化中。

几个实用的建议

说了这么多实战案例,最后给大家几点建议,都是我踩过坑之后的真实体会:

  • 从小资金开始:不要一上来就全仓操作。我最开始用策略选股,只用总资金的20%去验证,效果好的再逐步加仓
  • 回测要真实:一定要考虑手续费、滑点、流动性。我有个朋友回测收益40%,实盘只有8%,差距就在这
  • 多策略组合:单一策略很容易失效。我现在同时用3个策略,标的选择也会分散到不同行业
  • 保持学习:市场在变,策略也要迭代。我每周都会花时间复盘策略表现,思考优化方向
  • 工具要会用:像Python这种工具确实能提高效率,但核心还是交易逻辑。不要为了用工具而用工具

写在最后

写了这么多,其实就想说一件事:程序化交易没那么高大上,普通散户完全可以尝试。关键是找对方法,从小处着手,不断迭代优化。

如果你对量化交易感兴趣,想了解更多实战案例,可以去看看aimoca平台的自动化交易解决方案。我自己也在用,确实能省不少盯盘的时间。

当然,市场有风险,投资需谨慎。我的策略也不保证赚钱,大家参考的时候一定要根据自己的实际情况调整。有什么问题欢迎交流,我们散户也要不断进步嘛!

⚠️ 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

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