返回博客列表

程序化交易策略开发实战:用Python复盘3只A股

上周我有个朋友找我做“盘中提醒”,他每天盯着一只AI芯片股,看到拉升就追,看到回调又慌。我问他,为什么规则不能写出来?他说:“道理都懂,手就是不听。”这句话挺有意思,也戳中了程序化交易的核心:程序化交易策略开发真正要解决的,不是预测下一根K线,而是约束自己的情绪。

于是我拿Python做了个最小版本,只用均线判断趋势:5日均线上穿20日均线买入,跌破就卖出。我用aimoca的AI股票分析先核对中际旭创(300308)所在的光模块板块热度,再用历史日线跑策略。下面这段代码,新手也能看懂:

import pandas as pd

df['ma5'] = df['close'].rolling(5).mean()
df['ma20'] = df['close'].rolling(20).mean()
df['position'] = (df['ma5'] > df['ma20']).astype(int)
df['position'] = df['position'].shift(1).fillna(0)
df['strategy_ret'] = df['position'] * df['close'].pct_change()

注意,信号必须滞后一天,否则就用了当天收盘才知道的信息,回测会漂亮得不真实。代码能跑只是第一步,交易成本、停牌、涨跌停和成交容量都要考虑。我做的教学型回测统一按双边0.03%佣金、0.05%滑点计算,不同数据源的结果会有差异,不能把它当成收益承诺。

三个A股策略案例,收益没有想象中光鲜

案例一:中际旭创(300308),趋势跟随。回测区间为2024年9月23日至11月8日,策略收益18.6%,最大回撤7.9%,同期直接持有约12.4%。这段行情适合趋势策略,但放到震荡市里,连续止损并不稀奇。我自己就遇到过三笔小亏,程序照样执行,而不是临时改规则。

案例二:比亚迪(002594),RSI加成交量过滤。在2024年4月1日至6月28日,当RSI14低于35、成交量超过20日均量1.3倍时入场,收益9.8%,最大回撤5.6%,同期持有收益约2.1%。新能源车板块当时有政策预期,但板块消息变化很快,所以只买“超跌”不够,还得确认资金确实进场。

案例三:寒武纪(688256),AI芯片热点过滤。2025年1月2日至3月31日,DeepSeek带动国产算力概念活跃,我把20日趋势、成交量放大和板块强度放进条件,收益26.4%,最大回撤18.7%,同期持有约7.2%。收益更高,回撤也明显更大,这就是我特别想提醒新手的地方:热点行情里,策略看起来像火箭,仓位管理却不能省。

我总结下来的4个落地技巧

  • 先写交易计划,再写代码。明确买点、卖点、止损和最大仓位,避免看到结果后再“修”参数。
  • 一次只验证一个变量。先测均线,再加RSI或成交量,否则收益变好也不知道是谁的功劳。
  • 给策略设退出期限。例如入场后10个交易日未走出预期,就按规则减仓。
  • 别把回测当实盘。我通常采用不超过30%的初始仓位,并把单笔最大亏损控制在总资金的1%。这个方法我也在继续摸索。

技术面、基本面和资金面不能完全割裂。均线解决“什么时候做”,基本面回答“为什么做”,资金面则帮助判断有没有人正在做。我的习惯是先在aimoca里用多维分析筛选标的,再把确认后的条件写进策略,而不是让AI直接下结论。AI能替我们整理数据、缩短研究时间,但市场的不确定性不会因此消失。

如果你的想法还停留在“等信号出现后手动下单”,下一步可以先做小规模验证。个人投资者最容易忽略的,往往不是策略代码,而是下单、止损和异常处理。这也是我后来接触aimoca自动化交易的原因:它支持券商交易接口、程序化策略和实时风控,可以把研究结果接进执行环节,减少临场犹豫。

说到底,量化交易的价值不是保证赚钱,而是让每笔交易都有理由、有边界、有记录。先用小仓位跑起来,再根据真实成交修正模型,通常比反复寻找“圣杯”靠谱得多。

这周内,预约你的自动化策略演示

已有3268位个人投资者预约方案咨询。前100名可免费获得一次策略参数梳理,也可以先体验aimoca AI股票分析,原价9.9元/月,新用户首月1元尝试。服务详情可查看价格方案。

立即预约策略演示

⚠️ 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