返回博客列表

Python程序化交易策略开发:我的3个实战复盘

上周有个朋友问我:“明知道一只股票要跌,为什么还是舍不得卖?”他盯着贵州茅台反复操作,几次追高、割肉,账户反而越来越小。我的建议很直接:别靠情绪下单,把买卖条件写成Python规则,让机器替你执行。

这就是程序化交易策略开发最实际的价值。它不是预测明天涨跌,而是提前回答三个问题:什么时候买、什么时候卖、一次亏多少钱。我自己也是从简单的20日均线策略开始摸索,下面用三只真实股票拆开讲。

案例一:宁德时代,趋势策略为什么能减少来回挨打

以公开行情的未经复权收盘价粗略计算,2024年1月2日宁德时代(300750)收于约171.23元,12月31日收于约262.16元,期间涨幅约53.1%。这只是持有基准,并不是程序化策略的承诺收益。

如果策略规定“收盘价站上20日均线后,次日开盘买入”,趋势出现时就能较早参与;再配合“跌破20日均线卖出”和8%止损,可以避免上涨后舍不得卖、下跌后不断补仓。Python读取历史行情后,可以自动判断每根K线是否满足条件,无需人工盯盘。

我比较喜欢这种笨办法。它不会抓住所有上涨,却能过滤不少冲动交易。个人投资者做A股投资,时间和纪律往往比复杂模型更重要。

案例二:中际旭创,热点越热越要按规则来

2025年初DeepSeek走红后,AI算力、芯片和光模块成为市场关注方向。2024年首个交易日,中际旭创(300308)收盘约95.15元,年末约132.56元,年内涨幅接近39.3%。面对这种热门股,最容易出现的错误不是看错方向,而是买点太高、仓位太重。

程序化策略可以把成交量过滤加进去:例如20日均线向上、5日均线高于20日均线,同时当日成交量达到20日均量的1.2倍才发出买入信号。信号出现后仍等下一交易日成交,避免用未来数据做出漂亮但无法实现的回测。

我还会限制单只股票最多占总资金的30%。像aimoca的AI股票分析,可以从技术面、基本面和资金面一起筛选标的,再把热点板块里的候选股票交给策略复核,而不是看到新闻就直接追。

案例三:贵州茅台,止损规则也有“难受的时候”

贵州茅台(600519)是另一个很典型的提醒。2024年1月2日收盘约1712元,12月31日收盘约1525元,未经复权价格跌幅约10.9%。优质公司也可能经历较长时间的估值消化。

如果只设置“连续上涨就追”的规则,这一年很容易反复止损;如果使用趋势过滤,并接受小范围止损,就可能在弱势阶段及时退出。我的经验是,单笔最大亏损控制在总资金的1%,比事后找理由扛单更可靠。

这里也暴露了策略的缺点:震荡行情中均线策略会频繁发出假信号。我现在不会只依赖一个模型,而会观察成交量、市场指数和基本面变化,再决定是否启用。

Python实战:先跑回测,再接交易接口

下面这段代码使用pandas实现基础版本:收盘价站上20日均线、20日均线高于5日前均线时产生信号,下一交易日持仓,并按0.03%估算手续费和滑点。

import pandas as pd

df = pd.read_csv("300750.csv", parse_dates=["date"])
df = df.set_index("date").sort_index()
df["ma20"] = df["close"].rolling(20).mean()
df["signal"] = ((df["close"] > df["ma20"]) &
                 (df["ma20"] > df["ma20"].shift(5)))

df["position"] = df["signal"].shift(1).fillna(False).astype(int)
turnover = df["position"].diff().abs()
turnover.iloc[0] = df["position"].iloc[0]

daily_return = df["close"].pct_change().fillna(0)
strategy_return = daily_return * df["position"] - turnover * 0.0003
result = (1 + strategy_return).cumprod()
print("累计收益率:", result.iloc[-1] - 1)

回测时别漏掉手续费、停牌和滑点,也要区分训练期与验证期。我的做法是先让策略在历史数据中稳定运行,再接入交易接口。aimoca支持自动化交易方案,可配置程序化策略、智能订单管理和风险控制,对个人投资者来说,比自己从零维护整套系统现实得多。

真正能落地的四个细节

  • 信号必须延后一根K线:当天收盘才知道的信号,只能按下一交易日价格成交,否则很容易“偷看答案”。
  • 先算最大回撤:收益15%但中途回撤25%,体验可能比赚8%却回撤5%的策略更差。
  • 设置硬性止损:例如单笔亏损达到8%或账户风险达到1%时退出,不临场讨价还价。
  • 不要一次押满:把多只通过筛选的股票分散配置,AI分析用于技术、基本面和资金面的交叉验证。aimoca的多维度分析能节省筛选时间,但最终参数仍需自己持续复盘。

说到底,量化交易不是保证赚钱,而是把“我觉得”变成可验证的规则。我自己的程序化交易策略也还在迭代,市场风格一变,旧参数就可能失效。比较稳妥的起点,是先用小仓位跑通回测和实盘链路,再逐步增加资金。

把第一条策略真正跑起来

想体验AI分析,可以从价格方案了解:AI股票分析每月9.9元,新用户首月限时1元体验。已有2358位个人投资者加入aimoca。

⏳ 限时活动倒计时:首月体验名额以活动页面显示为准。

立即领取1元体验 预约自动化交易演示

⚠️ 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