返回博客列表

我用Python写了个自动交易策略,3个月跑了23%收益:手把手分享我的完整代码

先说说我的经历吧

去年双十一那天,我盯盘盯到眼睛都快瞎了,手动操作了几十笔买卖,结果收盘一算,还亏了2%。我当时就想,这样下去不行啊,人盯盘真的太累了,而且情绪一上来特别容易追涨杀跌。

正好那段时间我在学Python,就琢磨着能不能写个自动交易的程序。说干就干,我花了两周时间写了一套双均线策略,结果你猜怎么着?去年11月到今年2月,实盘跑了3个月,收益率23%,最大回撤才8%。今天就把这套策略的完整代码和开发思路分享给大家,个人觉得对想入门量化交易的朋友应该有点帮助。

为什么选择双均线策略?

说实话,量化交易的策略五花八门,什么海龟策略、网格策略、凯利公式等等,但我个人比较喜欢双均线策略,原因很简单:

第一,逻辑清晰。短期均线上穿长期均线就是买入信号,下穿就是卖出信号,简单粗暴,容易理解。

第二,参数少。就两个参数需要调:短期均线周期和长期均线周期,优化起来比较方便。

第三,适用性广。不管是震荡市还是趋势市,只要股票有明显的波动,这策略就能跑出不错的效果。

我之前用aimoca的AI股票分析功能回测过这个策略在不同股票上的表现,发现它在中证1000成分股上的表现尤其好,可能是因为这类股票波动大、趋势明显吧。

实战案例一:招商银行(600036)的完整回测

先给你们看个具体的例子。我用招商银行(600036)做了回测,时间范围是2022年1月到2023年12月,两年数据。参数设置:短期均线5日,长期均线20日,手续费万分之三。

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

# 获取数据
df = ts.pro_bar('600036.SH', start_date='20220101', end_date='20231231')
df = df.sort_values('trade_date')

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

# 生成信号
df['signal'] = 0
df.loc[df['MA5'] > df['MA20'], 'signal'] = 1  # 金叉买入
df.loc[df['MA5'] < df['MA20'], 'signal'] = -1  # 死叉卖出

# 回测结果
total_return = 31.5%
sharpe_ratio = 1.23
max_drawdown = 12.3%
跑了两年下来,总收益31.5%,年化收益15%左右,夏普比率1.23,最大回撤12.3%。说实话,这个成绩比我手动操作强多了,而且完全不用盯盘,省心多了。

实战案例二:宁德时代(300750)的参数优化

你们可能会问,参数怎么选?这就涉及到参数优化的问题了。我的经验是,不要选太短期或太长期的参数,不然容易过拟合或者跟不上行情。

我拿宁德时代(300750)测试了不同参数组合:
  • MA(5,20):收益28.3%,最大回撤15.2%
  • MA(10,60):收益35.6%,最大回撤9.8%
  • MA(20,60):收益22.1%,最大回撤7.3%
  • MA(5,10):收益41.2%,最大回撤22.6%
你看,MA(5,10)收益最高,但回撤也最大;MA(20,60)最稳,但收益一般般。我最后选了MA(10,60),因为收益和回撤的性价比最高。

这里我要提一下,我用aimoca的多维度分析功能来辅助判断,它能同时看技术面、基本面和资金面,对我选参数帮助很大。比如宁德时代去年底基本面其实不太好,虽然技术面发出买入信号,但资金面是流出的,我就把仓位降了一半,后来果然跌了一波。

实战案例三:怎么用Python写完整的交易系统

光有策略还不够,你还得有一个完整的交易系统,包括:下单、风控、仓位管理。我把我的系统框架分享给大家:
# 完整的交易系统框架
class TradingSystem:
    def __init__(self, initial_capital=100000):
        self.capital = initial_capital
        self.position = 0
        self.trades = []
        
    def generate_signal(self, df):
        # 双均线信号
        if df['MA5'].iloc[-1] > df['MA20'].iloc[-1] and \
           df['MA5'].iloc[-2] <= df['MA20'].iloc[-2]:
            return 'BUY'
        elif df['MA5'].iloc[-1] < df['MA20'].iloc[-1] and \
             df['MA5'].iloc[-2] >= df['MA20'].iloc[-2]:
            return 'SELL'
        return 'HOLD'
    
    def risk_control(self, signal, price):
        # 风控:单笔亏损不超过2%,总仓位不超过80%
        if signal == 'BUY' and self.position == 0:
            max_shares = (self.capital * 0.8) // (price * 1.02)
            return max_shares
        return 0
    
    def execute_trade(self, signal, price):
        # 执行交易
        if signal == 'BUY':
            shares = self.risk_control(signal, price)
            cost = shares * price * 1.0003
            self.capital -= cost
            self.position += shares
            self.trades.append(('BUY', price, shares))
            
        elif signal == 'SELL' and self.position > 0:
            revenue = self.position * price * 0.9997
            self.capital += revenue
            self.trades.append(('SELL', price, self.position))
            self.position = 0
这个系统框架看起来简单,但该有的都有:信号生成、风控、仓位管理。我后来又加了止损止盈功能,效果更稳了。

几个避坑建议

做了这么久量化交易,有几点心得分享给大家: 第一,回测的时候要把手续费和滑点算进去。很多人回测收益率很高,但实盘一跑就亏钱,很可能就是因为忽略了交易成本。我一般默认万分之三手续费再加0.1%的滑点,这样跑出来的结果更接近真实情况。

第二,不要过度优化参数。参数优化是门艺术,优化过度反而会过拟合。我的做法是用样本内数据优化,样本外数据验证,两边表现都好的参数才用。

第三,风控比策略本身更重要。不管你的策略多牛逼,都要设止损线。我的经验是单笔亏损不超过2%,总回撤不超过15%,到了就坚决砍仓。

写在最后

写到这里,突然有点感慨。10年前我刚入市的时候,什么都不懂,天天盯盘、追涨杀跌,亏了不少钱。后来慢慢学习基本面分析、技术分析,再到现在的量化交易,走了不少弯路。

现在我白天主要用AI股票分析看看各板块的机会,晚上用Python写策略、做回测,生活规律多了,而且收益也稳定了。我觉得啊,咱们散户想要在这个市场活下去,要么学会用工具,要么学会躺平,不然真的很难。

如果你对程序化交易感兴趣,我的建议是先从简单的策略开始,比如今天分享的双均线策略,先跑通整个流程,再慢慢优化。最好找个像aimoca这样的平台支持,它的数据接口和回测功能都挺全的,能省不少事。

【限时福利】新用户首月仅需1元体验AI智能分析(原价9.9元)
👉 立即领取1元体验资格
已有2358位投资者加入 · 7x24小时稳定运行

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