返回博客列表

Python程序化交易实战:3只A股把策略跑起来

上周我有个朋友问我:“量化交易是不是把均线策略交给电脑,躺等着赚钱?”我听完笑了。这个想法很常见,但真正把Python程序化交易跑起来,难点并不是写出买卖条件,而是处理数据、成交滑点、仓位控制和异常停牌。他后来用贵州茅台(600519)、宁德时代(300750)做测试,第一次看到回测曲线时非常兴奋,可加上手续费后,收益立刻缩水了一截。这次,我就把整个实战过程拆开讲讲。

先确定规则,再写代码

我的策略并不复杂:20日均线高于60日均线,股价站上60日均线,同时成交量达到20日均量的1.2倍时开仓;跌破20日均线,或触发2倍ATR移动止损时退出。规则简单,是为了让初学者容易复现。ATR可以理解为波动尺子,股票平时波动越大,止损距离就留得越宽。

测试时我选择贵州茅台、宁德时代(300750)和比亚迪(002594)作为样本,分别覆盖白酒龙头、新能源龙头和汽车热门方向。为了避免“偷看答案”,信号产生后按下一个交易日成交,并加入双边佣金、印花税以及0.1%的单边滑点。程序化交易最怕的是回测很美,实盘却因一根跳空线被打穿。

Python代码其实只有骨架,细节决定结果

下面用pandas完成最核心的信号计算。真正上线时,还要补充停牌、涨跌停、最小成交量和接口断线重连等处理。

import pandas as pd

df['ma20'] = df['close'].rolling(20).mean()
df['ma60'] = df['close'].rolling(60).mean()
df['vol_ma20'] = df['volume'].rolling(20).mean()

df['entry'] = (
    (df['ma20'] > df['ma60']) &
    (df['close'] > df['ma60']) &
    (df['volume'] > 1.2 * df['vol_ma20'])
)
df['exit'] = df['close'] < df['ma20']
df['target'] = df['entry'].astype(int)
df.loc[df['exit'], 'target'] = 0
df['position'] = df['target'].shift(1).fillna(0)
df['ret'] = df['close'].pct_change()
df['strategy_ret'] = df['position'] * df['ret']

这里我特意加了shift(1)。如果当天收盘后才出现信号,却假设当天收盘价可以买到,收益会被人为抬高。我第一次写策略时就犯过这个错,后来每回测一个结果,都会问自己:这是模型能力,还是时间穿越带来的错觉?

三个真实案例:收益不错,但别把回测当承诺

第一只贵州茅台(600519),信号在2024年2月5日附近出现,按当日收盘价约1670.70元近似建仓。到5月20日,股价约1848.56元,毛收益约10.6%,扣除约0.35%的综合交易成本后约10.3%。第二只宁德时代(300750),2月5日收盘约157.39元,5月20日约188.32元,净收益约19.3%。第三只比亚迪(002594),1月23日附近约178.55元参与,5月20日约245.36元,净收益约37.1%。

这组结果最直观的感受是:趋势策略在新能源、汽车等强势板块里更容易抓到主升浪,但胜率并不意味着每次都对。比亚迪从1月到5月的上涨阶段,并不是每天都在涨,中途也有震荡;如果止损设得太紧,可能在突破前就被洗出去。反过来,如果只盯着这三段历史行情反复调参数,又很容易把过去拟合成了“答案”。所以我会保留一份完全没参与调参的数据做最终验证。

让AI参与分析,但别让AI替你做决定

2025年1月20日DeepSeek-R1开源后,AI编程和AI算力概念又热了一轮。我现在也会用DeepSeek辅助生成代码、解释报错和补测试,但它写代码快,不代表策略就赚钱。我更愿意用aimoca的AI股票分析做交叉验证:技术面看趋势和量价,基本面看业绩与估值,资金面看主力动向,最后再决定是否让程序开仓。

这里的多维度分析不是让三个Agent投票后直接满仓,而是帮你缩小研究范围。个股基本面突然恶化时,可以先关闭对应标的;技术面出现突破,再交给自动化交易系统执行。aimoca支持交易接口、回测、止损止盈和策略部署,也能按个人需求做策略定制。对个人投资者来说,程序化交易最大的价值不是“替代判断”,而是把已经想清楚的规则稳定执行,避免情绪化追涨杀跌。

把这套方法用起来,先检查这几件事

  • 先做样本外测试:参数确定后,至少留出20%历史行情完全不参与调参。
  • 把成本算进收益:短线策略更要关注滑点、佣金、印花税和冲击成本。
  • 单股仓位别太高:可以先限制单只股票占总资金的20%,再按波动率调整。
  • 设置熔断机制:接口连续报错、行情延迟或当日亏损超过阈值时,自动停止下单。
  • 用AI做助手,不做赌徒:模型输出必须经过历史验证,不能因为一句“趋势良好”就直接满仓。

我自己也在继续摸索,比如加入基本面过滤、板块强弱排序和更精细的成交模型。工具越复杂不一定越好,关键是你能不能解释每一行代码为什么赚钱,也知道它什么时候会失效。

写在最后

Python程序化交易并不是一条通往财富的直线,它更像把纪律装进系统。AI可以帮助你更快学习和检查错误,但仓位、风险与执行仍需要自己负责。先用小资金验证,再谈自动化,这比一上来就追求暴利靠谱得多。

[限时开放] 预约自动化交易方案诊断

已有2358位个人投资者加入aimoca。本周日至24:00前仅开放100个免费方案诊断名额;你也可以用1元体验AI分析首月,原价9.9元/月。

倒计时提醒:本周方案名额剩余有限,预约后将获得接口、回测与风控建议。

立即预约自动化交易演示 立即领取1元AI分析体验

关于aimoca的收费与服务边界,可查看价格方案;想了解完整能力,可阅读平台介绍。

⚠️ 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