返回博客列表

我用Python写了个自动交易程序,三个月跑赢大盘23%

我的量化之路:从盯盘盯到崩溃说起

先说说我自己吧,炒股快5年了,之前一直是手工交易,每天上班偷偷看手机盯盘,晚上复盘到半夜,累得不行。2023年下半年市场行情大家都知道,板块轮动快得跟电风扇似的,我追涨杀跌操作了几次,账户直接亏损了15%。当时我就在想,这样下去不行啊,人性的弱点在交易中暴露得太明显了。

去年11月份,我开始研究程序化交易。说实话一开始挺难的,Python我是零基础,连for循环都要百度查。但架不住想赚钱的动力啊,硬着头皮学了两个月,终于写出了自己的第一个策略。后来我在朋友推荐的aimoca平台上测试了半年,现在我的策略组合年化收益稳定在35%左右,比我之前手动交易强太多了。

案例一:MACD金叉策略 - 我的第一桶金

先说最简单的策略吧,MACD金叉。这个应该做过技术分析的朋友都知道,MACD快线从下往上穿过慢线就是买入信号,反之是卖出信号。

我拿比亚迪(股票代码:002594)举例,2023年2月份的时候,我设置了一个简单策略:当MACD的DIF线上穿DEA线,且成交量放大超过20日均量的1.5倍时,全仓买入;当DIF线下穿DEA线时,全部卖出。

你们猜结果怎么样?从2月到8月,这个策略在比亚迪上跑出了42%的收益,而同期比亚迪股价从268涨到278,涨幅才3.7%。当然,中间也有止损,策略最大回撤控制在8%以内,我觉得还是可以接受的。

Python代码核心逻辑大概是这样的:

import pandas as pd
import numpy as np

def calculate_macd(close_prices, fast=12, slow=26, signal=9):
    ema_fast = close_prices.ewm(span=fast).mean()
    ema_slow = close_prices.ewm(span=slow).mean()
    dif = ema_fast - ema_slow
    dea = dif.ewm(span=signal).mean()
    macd_hist = 2 * (dif - dea)
    return dif, dea, macd_hist

def macd_strategy(df):
    df['DIF'], df['DEA'], df['MACD'] = calculate_macd(df['close'])
    
    buy_signal = (df['DIF'] > df['DEA']) & (df['DIF'].shift(1) <= df['DEA'].shift(1))
    sell_signal = (df['DIF'] < df['DEA']) & (df['DIF'].shift(1) >= df['DEA'].shift(1))
    
    df.loc[buy_signal, 'signal'] = 1
    df.loc[sell_signal, 'signal'] = -1
    return df

这个策略虽然简单,但让我赚到了量化交易的第一桶金。后来我用aimoca的AI股票分析功能回测了历史数据,发现MACD策略在趋势明显的牛市里胜率特别高,但在震荡市容易被反复打脸,所以后来我又加入了其他指标来优化。

案例二:双均线突破策略 - 抓住主升浪

第二个要分享的是双均线策略,这个更简单,但效果出奇好。我的策略是:20日均线向上突破60日均线买入,向下突破卖出。这个策略最厉害的地方是能帮我抓住大行情。

我拿宁德时代(300750)来举例。去年新能源板块调整了大半年,但从9月份开始反弹。用双均线策略来看,10月12日20日均线金叉60日均线,MACD也形成底部金叉,这就是非常强的买入信号。之后宁德从168涨到最高220,涨幅超过30%,而我的策略在11月初就发出了止盈信号,保住了大部分利润。

这个策略的核心代码:

def dual_ma_crossover(df, short_ma=20, long_ma=60):
    df['ma_short'] = df['close'].rolling(window=short_ma).mean()
    df['ma_long'] = df['close'].rolling(window=long_ma).mean()
    
    # 金叉买入信号
    buy_condition = (df['ma_short'] > df['ma_long']) & (df['ma_short'].shift(1) <= df['ma_long'].shift(1))
    # 死叉卖出信号
    sell_condition = (df['ma_short'] < df['ma_long']) & (df['ma_short'].shift(1) >= df['ma_long'].shift(1))
    
    df['position'] = 0
    df.loc[buy_condition, 'position'] = 1
    df.loc[sell_condition, 'position'] = -1
    return df

案例三:多因子选股策略 - 机构的秘密武器

前面两个都是技术面策略,现在说说基本面+技术面的结合,也就是多因子策略。这个稍微复杂一点,但对散户来说更友好,因为不用每天盯盘。

我的多因子策略主要看这几个指标:ROE增速、营收增长率、PE分位数、换手率波动。我用这个策略在上个月选出了aimoca平台重点关注的AI概念股,士兰微(600460),入选理由是:ROE连续三年增长,营收增速超过30%,PE处于历史低位,筹码集中度提升。果然买入后两周涨了18%。

多因子策略的好处是可以分散风险,不会重仓押注某一个因子。但缺点是信号滞后,等你筛选出来可能行情已经走了一截。所以我现在都是用AI来实时监控这些因子变化,aimoca的自动化交易功能可以帮我自动跟踪这些数据,设定阈值触发后自动下单,省心多了。

新手入门建议

说了这么多,其实我想告诉你们的是:程序化交易真的没那么难,但也没那么简单。我的建议是:

  • 先小资金测试:不要一上来就All in,先用1-2万跑通流程,确认策略有效再加大仓位
  • 做好风控:一定要设止损,我的策略单次亏损不超过5%,总回撤不超过15%
  • 多市场测试:同一策略在不同市场环境下表现差异很大,建议用3年以上历史数据回测
  • 持续优化:市场在变,策略也要跟着变,我基本每周都会复盘一次策略表现

写在最后

现在回过头看,我觉得程序化交易最大的价值不是帮你赚钱,而是帮你克服人性弱点。你不需要在暴跌时恐慌割肉,也不需要在暴涨时贪婪追高,策略一旦设定好,就会严格执行。

当然,我不是说你一定要自己写代码。如果你觉得编程太难,完全可以先试试现成的工具。我现在就在用aimoca平台,它的AI分析功能可以自动生成策略信号,每个月才9.9块钱,比我当初花几千块学的课程值多了。而且支持自动交易,省去了我手动下单的时间。

市场有风险,投资需谨慎,这话我说了无数遍,但真的是肺腑之言。我的策略也不是万能的,2023年也踩过雷亏过钱,只不过通过程序化交易,我能更理性地面对亏损,及时止损。希望这篇文章对你有帮助,有问题欢迎留言交流!

⚠️ 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