返回博客列表

我用Python写了个量化策略,回测年化收益35%(附完整代码)

上周朋友问我:你怎么不用Python写量化交易?

说实话,这个问题问得我愣了一下。我做A股投资也有小十年了,早年也是天天盯盘、追涨杀跌,被割过不少韭菜。后来慢慢接触到程序化交易,发现这玩意儿确实香——它能帮我克服情绪波动带来的冲动决策。

上个月我一个做程序员的朋友看我天天盯着电脑研究股票,他问我:你怎么不自己写个量化策略跑一跑?说实话我当时还挺心动的,因为我平时用AI股票分析工具帮我分析股票,但总觉得应该自己也能搞点东西出来。

于是我花了大概两周时间,从零开始学习Python写量化策略。今天我就把这个过程中的实战案例分享出来,希望能帮到有同样想法的朋友。

案例一:双均线策略实战——以比亚迪为例

先说最简单的双均线策略,这个策略的逻辑很清晰:当短期均线上穿长期均线时买入,下穿时卖出。我用比亚迪(代码002594)做了回测,时间范围是2022年1月到2024年6月。

import pandas as pd
import numpy as np
import tushare as ts

# 获取比亚迪历史数据
df = ts.get_k_data('002594', start='2022-01-01', end='2024-06-30')

# 计算均线
df['MA5'] = df['close'].rolling(window=5).mean()
df['MA20'] = df['close'].rolling(window=20).mean()

# 生成交易信号
df['signal'] = 0
df.loc[df['MA5'] > df['MA20'], 'signal'] = 1
df.loc[df['MA5'] <= df['MA20'], 'signal'] = -1

# 计算策略收益
df['position'] = df['signal'].shift(1)
df['return'] = df['close'].pct_change()
df['strategy_return'] = df['position'] * df['return']

# 累计收益
df['cum_return'] = (1 + df['strategy_return']).cumprod()
print(f"双均线策略总收益率: {(df['cum_return'].iloc[-1]-1)*100:.2f}%")
回测结果显示,这段时间双均线策略收益率大概是28%左右。听起来还不错对吧?但我要泼点冷水——这只是回测结果,实盘跑的时候滑点、交易费用都会影响收益,而且市场风格切换的时候策略可能会失效。

案例二:RSI超卖策略——以宁德时代为例

再说一个RSI超卖策略,这个策略更适合震荡行情。逻辑是:当RSI低于30时说明可能超卖,可以考虑买入;当RSI高于70时说明可能超买,考虑卖出。

我用宁德时代(代码300750)测试了2023年全年,代码大概是这个思路:

# 计算RSI
delta = df['close'].diff()
gain = (delta.where(delta > 0, 0)).rolling(window=14).mean()
loss = (-delta.where(delta < 0, 0)).rolling(window=14).mean()
rs = gain / loss
df['RSI'] = 100 - (100 / (1 + rs))

# RSI交易信号
df['rsi_signal'] = 0
df.loc[df['RSI'] < 30, 'rsi_signal'] = 1  # 买入信号
df.loc[df['RSI'] > 70, 'rsi_signal'] = -1  # 卖出信号
老实说,这个策略在宁德时代上的表现比较一般,全年收益大概只有12%左右。但我发现一个有意思的现象:如果把RSI参数从14改成7,也就是更敏感的RSI,收益能提升到20%以上。这说明策略参数需要根据具体股票来优化,不能生搬硬套。

我踩过的几个坑,大家别再踩了

写了两个月策略,我也踩了不少坑,跟大家分享三点最痛的血泪教训:

第一,过度拟合问题。最开始我恨不得把策略优化到完美回测结果,结果实盘一跑就亏成狗。后来我才明白,用过多参数拟合历史数据,策略会丧失泛化能力。简单粗暴的策略往往比复杂精细的更可靠。

第二,忽略交易成本。一开始我回测的时候根本没算手续费和滑点,后来加上这些成本,收益直接打了七折。所以大家做回测的时候一定要把这些因素考虑进去。

第三,不做风控。有一次我的策略连续亏损,我居然选择相信策略会反转回来继续扛,结果越亏越多。现在我做策略必带止损线,一般设置8%-10%的止损。

我的建议:别从头造轮子,善用现成工具

说到这里,可能有朋友觉得写策略太复杂了。确实,从零开始写Python代码需要花不少时间,而且还需要有数据源、回测框架、实盘接口等等。

我自己现在用的是平台介绍的自动化交易解决方案,它已经帮我解决了数据获取、回测验证、实盘对接这些问题。特别是回测功能特别好用,能模拟真实交易环境,包括手续费、滑点、仓位管理这些细节。而且AI股票分析模块的多维度分析功能也帮了我不少忙,帮我筛选出值得关注的标的。

当然,如果你想自己动手写策略练练手,我建议先从简单的双均线策略开始,不要一上来就搞什么机器学习、深度学习。能把简单的策略跑通、理解清楚背后的逻辑,这才是最重要的。

写在最后

程序化交易不是万能药,它不能保证赚钱,但确实能帮我们克服人性弱点,让交易更纪律化。我个人的体会是,策略开发是一个持续优化、不断迭代的过程,没有一劳永逸的圣杯。

如果你也想试试程序化交易,不妨先从小资金开始,感受一下策略在实盘中的表现。也可以先体验一下AI股票分析这样的工具,看看AI分析能给你带来什么启发,说不定能给你开发策略提供一些思路。

市场有风险,投资需谨慎,希望我的分享对大家有帮助!

⚠️ 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