返回博客列表

我用Python写了个选股策略,回测结果把我自己惊到了

一个让我入坑的真实故事

上周我一个大学同学突然给我打电话,说他看到新闻说某只AI概念股涨停了,想问我能不能买。我问他为什么觉得能买,他说“感觉跌够了”。说实话,这个理由让我挺担心的。

后来我跟他解释,与其靠感觉,不如用数据说话。我给他演示了我用Python写的双均线策略回测,他看完眼睛都亮了——原来选股可以这么系统化。他当场就问我在哪学的,我就把这两个月自己摸索的经历跟他分享了。今天也写出来,给想入门量化交易的朋友们参考。

为什么我开始学Python写策略

说起来挺讽刺的,我做了七八年A股投资,自认看盘经验还行,但去年一整年收益只有12%。而我一个程序员朋友,完全不懂股票,就靠几个简单的量化策略,收益居然跑赢了我。他的方法不复杂,就是把人的交易逻辑写成代码,让机器去执行。

这件事刺激到我了。我开始琢磨,与其每天盯盘4个小时,不如花时间把交易思路系统化。于是我开始学Python,从最基础的语法开始,到能看懂金融数据包,再到写出第一个能跑的回测程序,大概花了两个月。当然,现在有了AI股票分析这样的工具帮忙分析,其实不需要那么曲折了。但自己动手写策略的过程,确实让我对交易逻辑有了更深的理解。

实战案例一:双均线策略,稳得超出预期

我写的第一个策略是双均线交叉。原理很简单:短期均线上穿长期均线时买入,下穿时卖出。具体代码逻辑是这样的:


import pandas as pd
import numpy as np

# 假设 df 包含股票历史数据,close是收盘价
df['MA5'] = df['close'].rolling(window=5).mean()   # 5日均线
df['MA20'] = df['close'].rolling(window=20).mean()  # 20日均线

# 金叉买入信号
df['buy_signal'] = (df['MA5'] > df['MA20']) & (df['MA5'].shift(1) <= df['MA20'].shift(1))

# 死叉卖出信号
df['sell_signal'] = (df['MA5'] < df['MA20']) & (df['MA5'].shift(1) >= df['MA20'].shift(1))

我拿比亚迪(代码002594)测试了2023年全年。回测结果显示,这一年按照双均线策略操作,收益约38%,最大回撤12%。同期比亚迪股价从260涨到200(按前复权),如果你一直持有反而亏了4%左右。策略的收益主要来自捕捉到了几次明显的上涨波段。

当然,这个策略也有问题。震荡行情里容易被反复打脸,产生很多无效交易。所以后来我又优化了一版,加入了趋势过滤——只有当20日均线也在向上时,才考虑买入。这个改进让交易次数减少了40%,胜率提升到了58%。

实战案例二:RSI超卖策略,抓底部反转

第二个策略我想试试均值回归类的思路。RSI是我平时看盘也会参考的指标,当它低于30时,一般被认为是超卖区域,可能存在反弹机会。

我的策略逻辑是:RSI低于25时买入,RSI高于70时卖出。但测试的时候发现一个问题——单纯看RSI不行,有些股票跌下来就一蹶不振了。所以我又加了条件:买入时要求RSI在最近20天内创过新低,且股价不能处于明显下跌趋势中。

拿宁德时代(300750)测试2023年数据,这个策略捕捉到了两次明显的反弹机会,收益约22%。不过问题在于,策略过滤掉了太多交易信号,整年只触发了3次买入。这说明RSI策略更适合在特定市场环境下使用,比如震荡市或者熊市末期。

通过这两个案例我最大的感受是:没有完美的策略,只有适合当下市场的策略。学会用多维度分析真的很重要,这也是我后来开始用aimoca的原因之一——它能同时给你技术面、基本面、资金面的综合判断,比我自己一个个指标去算方便多了。

新手最容易踩的三个坑

自己写策略的这段时间,我总结了三个最容易犯的错误:

第一,过度拟合。 我一开始喜欢把策略参数调到极致,比如MA的参数从5、20一直试到10、30,找到回测收益最高的那个。但后来发现,这种“完美”的参数放到实盘可能根本不适用,因为它过度适应了历史数据的特征。所以建议大家回测时,用样本内数据调试,样本外数据验证,两组数据效果差不多才靠谱。

第二,忽视交易成本。 别小看手续费和滑点的影响。我有段时间回测收益写着50%,加上手续费和滑点后,实际收益可能只有30%出头。尤其是短线策略,高频交易的成本累积起来非常可怕。

第三,没有止损逻辑。 回测赚钱了不代表策略完美。我后来加了单次最大亏损5%的止损线,并且要求总资金回撤不能超过15%。风控这件事,真的是亏过钱才懂。

我的建议:善用工具,专注策略本身

说实话,自己写代码做量化确实有意思,但也挺费时间的。后来我开始用aimoca的AI分析功能,发现它能自动跑很多技术指标和策略回测,比我手写Python快多了,而且还能看机构持仓、资金流向这些我之前没太关注的数据。

如果你也在研究程序化交易,我建议先把精力放在策略逻辑上,而不是编程细节上。Python只是工具,核心是你对市场的理解和交易思路。当你能用语言把策略描述清楚,写代码反而是最简单的部分。如果你想快速验证自己的想法,可以先试试用AI股票分析这类平台跑一下策略回测,有了初步结果再决定要不要深入研究。

另外,对于想走自动化交易这条路的朋友,自动化交易的解决方案也很值得了解。它能帮你把策略和券商接口对接,实现自动下单、止损这些功能。当然,这一切的前提是你已经有了一套经过验证的策略,否则自动化只是让你亏得更快。

写在最后

量化交易不是圣杯,它只是把交易决策系统化、纪律化的工具。学会用数据验证想法,本身就是一种进步。但也别把所有希望寄托在策略上,市场永远充满不确定性,再好的策略也需要持续迭代和调整。

我的经验是:先把一套简单策略做到极致,比如完全理解双均线的适用场景和局限性,比同时研究十个半生不熟的策略有用得多。等你有了稳定的交易体系,再考虑用程序化来执行,效率会高很多。

如果你对程序化交易感兴趣,不妨先从免费的数据源和回测框架开始试水,看看自己的策略思路是否经得起验证。觉得有戏了,再考虑升级工具和增加投入。

市场有风险,入市需谨慎,祝各位都能找到适合自己的投资方式。

⚡ 限时体验:AI股票分析首月仅需1元

已有2358位投资者正在使用aimoca智能分析系统

👉 立即1元体验AI分析

原价9.9元/月,限时优惠中

⚠️ 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