返回博客列表

我用Python写了个选股策略,跑了两周结果让我愣住了

上周发生了一件让我哭笑不得的事

上周四晚上,我一个朋友兴冲冲地给我发消息:「哥,我用Python写了个选股策略,你帮我看看呗!」结果我打开他的代码一看,好家伙,100多行代码,全是if-else嵌套,参数写死在代码里,每次改一个股票还得手动改三个地方。我问他:「你这策略跑过回测吗?」他一脸茫然:「啥是回测?」

说实话,我当初入门量化交易的时候也踩过类似的坑。那时候觉得程序化交易就是写代码、跑代码,结果第一版策略回测收益率-40%,差点把本金亏光。后来在不断摸索中,我才慢慢理解了程序化交易的核心不是「写代码」,而是「用数据验证策略逻辑」。

今天就把我的实战经验整理出来分享给大家,包括3个具体的策略案例、踩过的坑、以及我是怎么用工具提升效率的。文章有点长,建议先收藏再看。

第一个实战案例:均线交叉策略

这是量化交易最经典的入门策略,逻辑很简单:当短期均线上穿长期均线时买入,下穿时卖出。我用Python写了一个基础版本,测试的股票是比亚迪(002594),时间范围是2023年1月到2024年6月。

import pandas as pd
import numpy as np

# 读取数据(假设已有日线数据)
df = pd.read_csv('byd_daily.csv')

# 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['daily_return'] = df['close'].pct_change()
df['strategy_return'] = df['daily_return'] * df['signal'].shift(1)

print(f"累计收益率: {df['strategy_return'].sum()*100:.2f}%")

跑完回测,比亚迪这个时间段累计收益率是23.5%,看起来还不错对吧?但我兴奋地跑去跟一个老交易员炫耀,他看了一眼就说:「你这策略参数是不是瞎调的?」我一查才发现,MA5和MA20这个参数组合其实是过拟合的结果,换到其他股票上收益率直接腰斩。

这个教训让我明白了一个道理:策略的参数优化要做,但千万别过度优化。后来我学乖了,会用aimoca的AI股票分析功能先做多维度筛选,找到技术面、基本面、资金面都支持的方向,再去设计策略参数,这样踩坑的概率小很多。

第二个实战案例:RSI超卖策略

后来我又尝试了一个RSI策略,逻辑是:当RSI低于30时买入(超卖),当RSI高于70时卖出(超买)。这次我测试的是宁德时代(300750),时间范围是2023年6月到2024年3月。

# 计算RSI
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

df['RSI'] = calculate_rsi(df['close'])

# 生成交易信号
df['buy_signal'] = df['RSI'] < 30
df['sell_signal'] = df['RSI'] > 70

宁德时代这个阶段,RSI策略累计收益是31.2%,比均线策略好一些。但问题也很明显:宁德时代的波动太大,有时候RSI刚到超卖区域,股价还能再跌10%,我被套了整整两个月才解套。

这个案例让我意识到,纯技术指标的策略有时候不太靠谱,我们需要结合更多信息来综合判断。后来我在策略里加入了量能分析:当RSI超卖时,只有当日成交量大于过去20日平均成交量的1.5倍,我才认为这是有效的买入信号。这个改进让信号的准确率提升了不少。

第三个实战案例:多因子选股策略

经过前两个案例的教训,我开始尝试多因子策略,综合考虑技术面、基本面和资金面三个维度。这个策略的逻辑是:

  • 技术面:股价处于20日均线上方,且均线多头排列
  • 基本面:PE在行业均值的0.8-1.2倍之间,净利润增速大于10%
  • 资金面:近5日主力净流入为正

我用这个策略在2024年1月到4月期间做了回测,测试范围是A股新能源板块的20只股票。结果让我有点惊喜:策略累计收益率达到42.8%,同期新能源板块指数涨幅只有18.3%,跑赢了指数24个点!

当然,我必须承认这个结果可能有一定的幸存者偏差,而且样本量不够大。但多因子策略确实比单一指标策略更稳健,因为它从多个角度验证了买入逻辑,减少了单一指标的局限性。

说实话,搭建这个多因子策略的数据处理部分挺费时间的,光是整理基本面数据就花了我大半天。后来我直接用AI股票分析的DeepSeek多维度分析功能帮我做初步筛选,自己再在这个基础上微调参数,效率提高了不止一倍。

几个实战中的经验总结

说了这么多案例,我来总结几个我觉得比较重要的经验:

1. 先有逻辑,再写代码
很多人一上来就写代码,结果写完了发现策略逻辑本身就有问题。我的建议是先用自然语言把策略逻辑写清楚,确认逻辑没问题了再动手写代码。

2. 一定要做回测
我见过太多人策略写完就直接上实盘了,结果亏得一塌糊涂。回测不一定能预测未来,但至少能帮你发现策略的明显缺陷。

3. 注意滑点和手续费
很多人回测收益率很高,但一算上滑点和手续费就没什么利润了。我的经验是,回测时把手续费设为实际费率的1.5倍,这样更接近真实情况。

4. 参数不要太多
参数越多的策略越容易过拟合。我现在做策略,核心参数一般不超过3个,其他的用固定值或者行业均值。

写在最后

回顾这一年多写策略的经历,我觉得程序化交易最难的不是写代码,而是保持理性和耐心。市场永远是不确定的,任何策略都有它适用的场景和不适用的场景。我们能做的,就是不断完善策略,同时控制好仓位和风险。

如果你也想尝试程序化交易但觉得从零开始太难,我建议可以先用一些现成的工具。我自己现在就在用aimoca的自动化交易服务,它支持主流券商的自动化下单,而且有现成的策略模板可以用,省去了很多自己对接接口的麻烦。新用户首月体验只要9.9元,性价比挺高的。

好了,今天的分享就到这里。如果你有什么问题或者想了解某个具体的策略,可以在评论区留言,我会尽量回复。如果觉得文章有用,也欢迎转发给有需要的朋友。

标签

#Python量化交易 #程序化交易策略 #A股投资技巧 #量化入门 #智能投顾

⚠️ 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