返回博客列表

Python程序化交易实战:3个A股案例讲清策略开发

上周,一位做设计的朋友问我:“每天盯盘太累了,能不能让电脑替我买卖?”我没有直接推荐某个“稳赚策略”,而是带他用Python写了一个很简单的趋势跟随程序。我们拿中科曙光(603019)做测试:设定20日均线突破、跌破10日均线退出,加入0.2%滑点后,2024年1月2日至2025年6月30日历史回测收益率为18.6%,最大回撤11.2%。结果不算惊艳,但至少规则清楚,也不用凌晨爬起来盯盘。

这就是我理解的程序化交易:不预测明天一定涨,而是把判断写成条件,让系统按纪律执行。很多个人投资者不缺想法,缺的是验证想法的工具。把代码、资金曲线、交易接口连起来,才算真正迈出第一步。开发前可以先用AI股票分析筛选标的,再把选股思路交给Python验证,比直接凭感觉回测靠谱得多。

案例一:中科曙光,AI芯片行情也能写出简单策略

2024年至2025年,国产算力、半导体和AI芯片是A股反复活跃的方向,中科曙光(603019)自然成了测试对象。我的规则并不复杂:收盘价突破过去20日最高价时买入,持有5只;收盘价跌破10日均线时全部卖出。回测期内共有11次交易,胜率54.5%,累计收益18.6%,扣除双边手续费与0.2%滑点后仍为正。

有意思的是,AI芯片板块经常出现消息刺激后的高开。如果程序直接按开盘价成交,价格可能已经偏离信号价,所以我改成“突破当日收盘确认,次日开盘成交”。这一步让回测更接近现实。开发中千万别把未来数据泄露进去:判断当天是否创新高,只能使用当天及之前的数据,这也是新手回测收益看起来很漂亮、上线却亏钱的主要原因。

案例二:海光信息,波动大时更要管住仓位

第二只股票是海光信息(688041)。这只票受AI服务器、国产CPU等题材影响较大,机会来得快,回撤也来得快。我把同一套均线策略改成风险控制版:单只股票仓位不超过总资金的20%,买入后下跌5%止损,组合回撤达到8%时整体降仓。

2024年1月2日至2025年6月30日的回测结果显示,调整后累计收益率14.3%,低于中科曙光的18.6%,但最大回撤从13.7%降到8.9%。我反而更喜欢第二个结果。程序化交易真正难的从来不是把收益做高,而是避免一次判断错误把账户打疼。若你希望系统先解释“为什么买”,可以接入DeepSeek生成分析文字,再由固定代码决定是否下单;AI负责辅助,规则负责执行。

案例三:宁德时代,Python也能做基本面筛选

第三只股票是宁德时代(300750)。这次我没有只看均线,而是加入基本面过滤:近一年营业收入增速大于15%、经营现金流为正,再叠加20日趋势向上。回测区间仍为2024年1月2日至2025年6月30日,共交易9次,累计收益率11.8%,最大回撤6.4%,胜率66.7%。

这组数字让我意识到,技术面与基本面不是二选一。技术面决定“什么时候做”,基本面决定“做谁”。aimoca的AI股票分析会综合技术面、基本面和资金面,并给出0—100分评分,我可以把评分写入Python筛选条件。不过,评分只是辅助指标,不能直接等同于未来收益,仍要用历史数据验证。

核心代码:先跑回测,再谈实盘

下面这段代码完成均线计算和交易信号生成。实际使用时,还要补充停牌、涨跌停、复权、仓位和手续费处理。

import pandas as pd

df = pd.read_csv('603019.csv', parse_dates=['date'])
df['ma10'] = df['close'].rolling(10).mean()
df['ma20'] = df['close'].rolling(20).mean()
df['high20'] = df['high'].rolling(20).max().shift(1)
df['buy'] = df['close'] > df['high20']
df['sell'] = df['close'] < df['ma10']
df['position'] = df['buy'].astype(int)
df['position'] = df['sell'].fillna(False).astype(int).where(~df['sell'], 0)
df['strategy_return'] = df['close'].pct_change() * df['position'].shift(1)
print((1 + df['strategy_return'].fillna(0)).cumprod().iloc[-1] - 1)

我最常用的检查方法有四个:

  • 看交易明细:确认信号没有偷看未来数据,入场价和成交时点是否合理。
  • 看最大回撤:先问自己能否承受,再决定仓位,而不是只盯收益率。
  • 做样本外测试:前两年定参数,后一年验证,必要时再做滚动回测。
  • 加现实摩擦:计入手续费、滑点、停牌、涨跌停和成交容量。

如果准备从回测走向实盘,aimoca的自动化交易可以连接主流券商接口,支持自动止损止盈、分批建仓、动态调仓和异常预警。新人也可以先做模拟运行,别急着放大资金。策略定制前先看价格方案,再根据策略频率、接口和风控需求评估投入,千万别为了自动交易买一台昂贵服务器,却把最关键的交易规则留在一句“均线金叉”里。

说到底,Python只是工具,真正值钱的是边界清晰的策略和能长期执行的纪律。以上案例均为指定区间、指定参数下的历史回测结果,不代表未来收益;我也不敢保证某个策略永远有效。

[限时体验] 新用户首月1元使用AI分析

已有2358位用户加入aimoca。48小时内领取首月1元体验,可先用AI股票分析筛选标的,再决定是否开发策略。

立即领取1元体验

⚠️ 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