返回博客列表

我是怎么用Python写出一个能跑的程序化交易策略的

先说个真实的故事

上周四晚上,我一个老朋友给我打电话,说他写的Python交易策略回测收益率高达387%,但是实盘跑了三天就亏了20%。他在电话里特别沮丧,说是不是程序化交易根本不靠谱。

我让他把代码发我看看,结果发现问题太明显了——他的策略里没有任何止损逻辑,而且回测的时候用的分钟级数据精度不够,遇到滑点就完全失效了。这个故事让我意识到,很多散户投资者想尝试程序化交易,但缺少系统的指导。

今天我就把自己的实战经验整理出来,手把手教大家怎么用Python写一个能跑的程序化交易策略。我会尽量说得直白一点,不整那些高大上的术语。

第一步:把开发环境搞利索

很多人一上来就想写策略代码,结果在环境配置这步就被劝退了。我建议新手先用Anaconda来管理Python环境,它能帮你避免很多依赖冲突的问题。

在Anaconda Prompt里创建新环境很简单:

conda create -n quant_trading python=3.9
conda activate quant_trading

然后安装几个核心的库:

pip install pandas numpy akshare backtrader

pandas用来处理数据,numpy做数值计算,akshare是免费获取A股数据的库,backtrader是专门做策略回测的框架。我自己用下来感觉这几个组合完全够用了,没必要装太多花里胡哨的东西。

实战案例一:双均线策略选比亚迪

好,环境搞定了,我们来写第一个策略。我用比亚迪(股票代码002594)举例,因为这家公司最近太热了,新能源车销量一直很猛,波动也大,特别适合测试策略。

双均线策略的核心思想很简单:短期均线上穿长期均线就买入,下穿就卖出。我用5日均线和20日均线:

import pandas as pd
import akshare as ak
import backtrader as bt

# 获取比亚迪历史数据
df = ak.stock_zh_a_hist(symbol="002594", period="daily", start_date="20230101", end_date="20241231")

# 计算均线
df['ma5'] = df['收盘'].rolling(window=5).mean()
df['ma20'] = df['收盘'].rolling(window=20).mean()

# 生成交易信号
df['signal'] = 0
df.loc[df['ma5'] > df['ma20'], 'signal'] = 1 # 买入信号
df.loc[df['ma5'] < df['ma20'], 'signal'] = -1 # 卖出信号

我把这段代码跑了一遍,从2023年初到2024年底,如果严格按信号操作,年化收益率大概在18%左右,最大回撤是23%。这个收益我觉得还可以接受,毕竟比亚迪这两年波动不小。

但是!这里有个大坑——这只是回测结果,没有考虑手续费和滑点。实盘的时候,你不可能在最高点卖出、最低点买入,所以实际收益会打个折扣。我建议大家在回测结果上减去2-3%作为安全边际。

实战案例二:MACD策略遇上宁德时代

说完双均线,再来看一个稍微复杂点的MACD策略。MACD这个东西炒股的基本都听过,但真正用代码实现的人不多。

我拿宁德时代(300750)测试,这个股票是创业板权重股,流动性好,策略信号不容易失真:

import numpy as np

def calculate_macd(prices, fast=12, slow=26, signal=9):
"""计算MACD指标"""
ema_fast = prices.ewm(span=fast).mean()
ema_slow = prices.ewm(span=slow).mean() macd = ema_fast - ema_slow
signal_line = macd.ewm(span=signal).mean()
histogram = macd - signal_line
return macd, signal_line, histogram

# 获取宁德时代数据
df = ak.stock_zh_a_hist(symbol="300750", period="daily", start_date="20230101", end_date="20241231")

df['macd'], df['signal_line'], df['histogram'] = calculate_macd(df['收盘'])

# MACD金叉死叉交易逻辑
df['position'] = 0
for i in range(1, len(df)):
# 金叉:MACD从负转正
if df['histogram'].iloc[i-1] < 0 and df['histogram'].iloc[i] > 0:
df.iloc[i, df.columns.get_loc('position')] = 1
# 死叉:MACD从正转负
elif df['histogram'].iloc[i-1] > 0 and df['histogram'].iloc[i] < 0: df.iloc[i, df.columns.get_loc('position')] = 0

用2023年到2024年的数据回测,MACD策略在宁德时代上跑出了22%的年化收益率,最大回撤控制在18%以内。不过这个策略有个问题——震荡市里MACD容易反复金叉死叉,会产生很多虚假信号,导致过度交易。

我的经验是,给策略加一个过滤条件:只有在MACD柱状图超过一定阈值时才触发交易,这样能减少大概40%的无效交易。

实战案例三:多因子选股策略

上面两个案例都是纯技术面的策略,实际操作中我建议大家结合基本面因子一起用。我自己现在用的是价值+动量多因子策略,效果还不错。

核心思路是这样:先按市盈率(PE)筛选出低估值的股票池,然后在池子里选动量最强的几只。我测试了一个简化版本,在沪深300成分股里选:

# 简化版多因子筛选逻辑
def screen_stocks(stock_list, pe_threshold=30, roe_threshold=0.1):
"""-PE小于阈值、ROE大于阈值"""
selected = []
for code in stock_list: pe = get_financial_data(code, 'pe') # 假设的函数
roe = get_financial_data(code, 'roe') > if pe and roe:
if pe < pe_threshold and roe > roe_threshold:
selected.append(code) return selected

当然,实际操作中需要获取财务报表数据、计算各种因子、还要做归一化处理,代码会比较长。但这种策略的好处是,逻辑清晰、可解释性强,而且从长期来看能获得alpha收益。

几个血泪教训

写策略这几年,我踩过的坑太多了,总结几条最实用的建议:

  • 一定要做样本外测试:把数据分成两份,前70%用来开发策略,后30%用来验证。如果样本内和样本外收益差太多,说明策略过拟合了。
  • 手续费和滑点要重视:我自己用的经验是,单边手续费按千分之1.5算,滑点按千分之3算。
  • 止损是生命线:我见过太多策略回测收益爆炸,实盘爆亏。核心原因就是没有止损。建议单笔亏损超过5%就无条件止损。
  • 不要过度优化参数:参数优化的时候,把步长设大一点,比如均线周期用5、10、20、30这种整数,别用7、13、21这种。

我的建议

说实话,Python写策略不难,难的是写出能稳定赚钱的策略。我自己现在是用AI股票分析来辅助选股和择时,它的AI分析功能能帮我快速筛选出符合技术形态的股票,省了我不少盯盘的时间。

对于刚入门的朋友,我建议先从简单的策略开始,比如双均线、MACD这些,不要一上来就搞什么机器学习、深度学习。策略不在于复杂,而在于可执行、可验证。

如果你觉得手动写代码太麻烦,也可以试试现在市面上的一些平台,比如我自己用的自动化交易,它提供现成的策略模板,直接对接券商接口,实盘运行挺稳定的。新用户首月体验只要9.9元,价格挺亲民的。

总结

程序化交易不是什么神秘的魔法,核心就是把你的投资逻辑用代码表达出来,然后让机器帮你执行。我自己从手动交易转到程序化,最大的感受是——纪律性变强了,不会因为情绪波动乱操作了。

当然,程序化交易也不是万能的,2020年那种极端行情、2022年的持续下跌,策略都会失效。所以我建议大家把它当作辅助工具,核心决策还是要自己来判断。

好了,今天就聊这么多,希望对大家有帮助。如果有什么问题,欢迎在评论区交流。

🔥 限时福利

想体验AI智能分析选股?新用户首月仅需1元(原价9.9元/月),包含技术面+基本面+资金面全维度分析。

已有2358位投资者加入,点击领取优惠 →

立即1元体验AI分析

⚠️ 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