从一个惨痛的教训说起
去年3月份,我重仓持有一只科技股(就不点名了),明明技术面已经破位,但我总觉得“跌这么多了该反弹了吧”,硬是扛了两个月,最后割肉亏了将近40%。 那时候我就在想一个问题——为什么我明知道该止损,手却管不住?后来跟一个在私募做量化交易的朋友聊,他一句话点醒我:"与其相信自己的手,不如相信代码。" 于是我开始学Python做程序化交易。一年下来,虽然没赚什么大钱,但胜在稳定,心态也轻松了很多。今天就把我的实战经验分享出来,希望能帮到想入门量化交易的朋友。为什么程序化交易值得学
说实话,A股市场里有太多干扰因素了。群里的大神、财经媒体的喊多、自己的贪婪和恐惧……这些都是交易的大敌。程序化交易最大的好处就是把你的策略固定下来,让代码严格执行,不带情绪。 我现在的做法是这样的:用AI股票分析先筛选出基本面不错的股票,再用Python写策略做技术面择时,最后通过自动化交易接口自动下单。整套流程跑下来,比我以前盯盘省心多了。案例一:均线交叉策略——最简单也最实用
这是我写的第一个策略,逻辑特别简单:短期均线上穿长期均线时买入,下穿时卖出。
import pandas as pd
import numpy as np
import akshare as ak
# 获取股票数据
def get_stock_data(stock_code, start_date, end_date):
df = ak.stock_zh_a_hist(symbol=stock_code, start_date=start_date, end_date=end_date, adjust="qfq")
return df
# 计算均线
def calculate_ma(df, short=5, long=20):
df['MA5'] = df['收盘'].rolling(window=short).mean()
df['MA20'] = df['收盘'].rolling(window=long).mean()
return df
# 生成交易信号
def generate_signals(df):
df['Signal'] = 0
df.loc[df['MA5'] > df['MA20'], 'Signal'] = 1 # 买入
df.loc[df['MA5'] < df['MA20'], 'Signal'] = -1 # 卖出
return df
# 简单回测
def backtest(df):
initial_capital = 100000
cash = initial_capital
position = 0
for i in range(len(df)):
if df.iloc[i]['Signal'] == 1 and position == 0: # 买入
position = cash / df.iloc[i]['收盘']
cash = 0
elif df.iloc[i]['Signal'] == -1 and position > 0: # 卖出
cash = position * df.iloc[i]['收盘']
position = 0
final_value = cash + position * df.iloc[-1]['收盘']
return (final_value - initial_capital) / initial_capital * 100
# 测试:招商银行(600036)
df = get_stock_data('600036', '20230101', '20240601')
df = calculate_ma(df)
df = generate_signals(df)
print(f'招商银行均线策略收益率: {backtest(df):.2f}%')
我用这个策略跑了招商银行(600036)从2023年到现在的数据,收益率大概是18%左右,最大回撤控制在8%以内。对于一个这么简单的策略来说,我觉得已经很不错了。
案例二:RSI超卖策略——抄底专用
均线策略偏趋势跟踪,对于喜欢抄底的朋友,我后来加了一个RSI超卖的模块。当RSI低于30时,说明股票可能超卖了,这时候买入的赔率比较高。
def calculate_rsi(prices, period=14):
delta = prices.diff()
gain = (delta.where(delta > 0, 0)).rolling(window=period).mean()
loss = (-delta.where(delta < 0, 0)).rolling(window=period).mean()
rs = gain / loss
rsi = 100 - (100 / (1 + rs))
return rsi
def rsi_strategy(df, oversold=30, overbought=70):
df['RSI'] = calculate_rsi(df['收盘'])
df['RSI_Signal'] = 0
df.loc[df['RSI'] < oversold, 'RSI_Signal'] = 1 # 超卖买入
df.loc[df['RSI'] > overbought, 'RSI_Signal'] = -1 # 超买卖出
return df
# 结合均线和RSI
def combined_strategy(df):
df = calculate_ma(df)
df = generate_signals(df)
df = rsi_strategy(df)
# 双重确认:均线金叉 + RSI超卖
df['Final_Signal'] = 0
df.loc[(df['Signal'] == 1) & (df['RSI'] < 40), 'Final_Signal'] = 1
df.loc[df['Signal'] == -1, 'Final_Signal'] = -1
return df
这个策略我在宁德时代(300750)上试过,2023年4月那波下跌,RSI一度跌到25左右,策略自动买入,后来反弹到RSI到70以上时卖出,一波就赚了15%左右。
案例三:资金流选股策略——机构都在用
说实话,纯粹靠技术指标选股还是有点单薄。我后来学聪明了,先用AI股票分析看看资金流向,主力大幅流入的股票才有参与价值。
# 资金流策略核心逻辑
def money_flow_strategy(stock_list):
results = []
for stock in stock_list:
# 获取资金流向数据(示例)
money_df = ak.stock_individual_fund_flow(stock, market="sh")
# 计算主力净流入占比
main_net = money_df['主力净流入'].sum()
total_net = money_df['总净流入'].sum()
if total_net > 0:
main_ratio = main_net / total_net
# 主力净流入占比超过60%视为强势
if main_ratio > 0.6:
results.append({
'stock': stock,
'main_ratio': main_ratio,
'signal': 'STRONG'
})
return pd.DataFrame(results)
# 测试选出的股票
selected = money_flow_strategy(['600036', '300750', '000858', '601318', '000001'])
print(selected)
我的几点忠告
写了这么多策略,有几点是我踩过坑才明白的:- 不要过度拟合:我之前有个策略,回测收益率高达80%,结果实盘跑直接腰斩。参数设得太精准了,市场稍微一变就不行。
- 仓位管理比策略本身更重要:我建议单只股票仓位不超过20%,这样即使踩雷也不会太伤。
- 持续优化但不要频繁改动:我的做法是每周复盘一次,每月小优化一次,季度大检修一次。
- 选好用的工具很重要:自己写代码对接券商接口挺麻烦的,我现在用自动化交易的接口,省心很多。
总结
程序化交易不是万能的,但它能帮你克服人性弱点,让交易更系统化。从简单的均线策略开始,慢慢加入RSI、资金流等因子,迭代优化自己的交易系统。 如果你不想自己写代码,也可以试试AI股票分析,平台有现成的策略模板可以参考,而且支持自动化交易对接券商,月费才9.9元,我觉得很划算。 当然,市场有风险入市需谨慎,我的策略也仅供参考,不构成投资建议。大家有什么问题欢迎留言交流!
👇 想试试程序化交易?
【限时福利】新用户首月1元体验AI分析(原价9.9元/月)
已有2358位个人投资者加入aimoca,开启量化交易之旅
👉 立即1元体验AI分析