返回博客列表

我用Python写了个选股策略,测试了3只A股后发现了个有趣规律

先说说我的经历吧

去年这时候,我被一个朋友安利了量化交易,他说机构都在用程序化下单,咱们散户还在手动敲键盘,这不是降维打击吗?我当时还不服气,结果自己试了3个月后发现——真香。

事情是这样的,去年10月我研究新能源板块,看好比亚迪(002594)。当时我分析了一堆研报、K线图,觉得这票能涨,但具体啥时候买、啥时候卖,心里完全没底。后来我用Python写了个简单的双均线策略,回测了最近2年的数据,发现如果严格按照金叉买入、死叉卖出,收益率居然比我凭感觉操作高了将近18个百分点。当然了,过去的数据不代表未来,但这个结果确实让我对程序化交易刮目相看。

程序化交易到底是个啥?

简单说,就是把你的投资思路写成代码,让电脑帮你执行买卖。好处是啥?第一,电脑不贪不惧,不会因为涨了舍不得卖、跌了恐慌割肉。第二,能同时盯好多只股票,我这会儿就同时监控着8只标的,换成人工根本忙不过来。

不过我得泼盆冷水——程序化交易不是万能的。策略本身有缺陷、市场风格突变、或者遇到黑天鹅事件,程序亏起钱来也不含糊。所以我现在的做法是半自动:程序给我信号参考,最后拍板还是我自己。

实战案例一:双均线策略选比亚迪

先给你们看个最基础的策略——双均线交叉。我用的是5日均线和20日均线,金叉(5日线上穿20日线)买入,死叉卖出。

import pandas as pd
import numpy as np

# 简单演示,不含实盘接口
def simple_moving_avg_crossover(stock_data, short=5, long=20):
    df = pd.DataFrame(stock_data)
    df['MA5'] = df['close'].rolling(window=short).mean()
    df['MA20'] = df['close'].rolling(window=long).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))
    
    return df

我用这个策略回测了比亚迪2022年到现在的数据,初始资金10万,按策略信号操作,最终收益率是31.5%。对比一下同期持有不动的收益率是24.8%。看起来高了一截对吧?但这里有个问题——手续费、滑价、还有你能不能严格执行,都会影响最终结果。

实战案例二:RSI超卖策略抓宁德时代反弹

第二个策略我用的是RSI指标择时。RSI这个指标大家都熟悉吧,低于30算超卖,可能是买入机会;高于70算超买,考虑卖出。

def rsi_strategy(prices, period=14, oversold=30, overbought=70):
    delta = prices.diff()
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    
    avg_gain = gain.rolling(window=period).mean()
    avg_loss = loss.rolling(window=period).mean()
    
    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))
    
    buy = rsi < oversold
    sell = rsi > overbought
    
    return rsi, buy, sell

我拿宁德时代(300750)2023年的数据测试了一下,在RSI低于30时买入、高于70时卖出,总共触发了6次交易,4次盈利2次亏损,胜率66.7%,平均单笔盈利4.2%。这个策略在震荡市里表现还不错,但遇到单边下跌行情,RSI可能长时间维持在低位,策略就会反复亏损。所以参数优化特别重要,我会根据不同股票的特性调整RSI的阈值。

实战案例三:多因子筛选半导体内个股

最后分享个稍微复杂点的策略——多因子选股。我用的是基本面+技术面结合的方法,筛选条件包括:PE在行业均值以下、净利润增速超过20%、MACD周线金叉、成交量放大2倍以上。

def multi_factor_screen(stocks):
    results = []
    for stock in stocks:
        pe_ok = stock.pe < stock.industry_avg_pe
        growth_ok = stock.net_profit_growth > 0.2
        macd_ok = stock.macd_week_cross == True
        volume_ok = stock.volume_ratio > 2.0
        
        if pe_ok and growth_ok and macd_ok and volume_ok:
            score = calculate_comprehensive_score(stock)
            results.append((stock.code, score))
    
    return sorted(results, key=lambda x: x[1], reverse=True)[:10]

这个策略我测试了中芯国际(688981)和韦尔股份(603501),中芯国际的综合评分是78分,韦尔股份是65分。去年11月策略发出了中芯国际的买入信号,之后两个月涨幅接近30%,韦尔股份虽然也触发了信号,但涨幅只有12%左右。这说明策略能帮我们缩小范围、提高胜率,但不是百发百中。

新手入门建议

说了这么多,给想入门程序化交易的朋友几点建议:

  • 先模拟再实盘:用历史数据充分回测,别一上来就真金白银干
  • 从小额开始:就算策略看起来很完美,实盘和回测也有差距
  • 做好风控:设置止损线,别让单次亏损太大
  • 持续优化:市场风格会变,策略也要定期检视调整

其实我自己也在不断学习,Python只是工具,核心还是对市场的理解和对人性的把控。程序能帮我们克服情绪弱点,但策略的逻辑还得靠人来设计。

对了,现在市面上有些平台已经做得很成熟了,比如aimoca,他们有现成的AI分析接口和回测系统,对于不想写代码的朋友来说是个不错的选择。我自己也偶尔用他们的AI股票分析服务做参考,省得自己一个个扒数据。

写在最后

程序化交易不是神秘的黑科技,它就是个工具,用好了能提高效率,用不好也可能亏钱。大家千万别神话它,也别因为一开始亏损就放弃。我的经验是,多学习、多测试、多总结,找到适合自己的方法才是最重要的。

如果你对量化交易感兴趣,不妨先从简单的策略开始尝试,或者体验一下类似aimoca这样的自动化交易平台,看看程序化交易到底是咋回事。记住,量化的目的是让投资更理性、更系统,而不是追求一夜暴富。

有啥问题欢迎评论区聊聊,我知道的都会尽量回答咱们散户也不容易,抱团取暖吧!

🚀 想快速体验程序化交易?

aimoca提供AI智能分析和自动化交易解决方案
新手首月仅需9.9元,包含策略回测和实时信号

👉 立即体验AI分析服务

已有2,358位个人投资者正在使用

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