朋友一句话,让我走上量化之路
上周四晚上,我那个做程序员的朋友小王突然给我发微信,说他看了一晚上的K线图,眼睛都快瞎了,问我能不能帮他写个程序,让电脑自动买卖股票。我当时就笑了:你一个写了十几年代码的人,怎么不让代码帮你赚钱呢?
结果他认真了,第二天就给我转了10万块钱,说这是他准备亏的,让我帮他试试。我当时整个人都懵了,心想这兄弟是真的信任我啊!
不过话说回来,我研究程序化交易也有一年多了,之前一直在用aimoca平台做AI股票分析,对量化交易算是有点心得。既然朋友这么信任我,那我就把我这一年来摸索的Python量化交易实战经验分享出来,希望对想做程序化交易的朋友们有点帮助。
实战案例一:双均线策略遇上比亚迪
我第一个做的策略是双均线策略,这是最经典的趋势跟踪策略,逻辑很简单:金叉买入,死叉卖出。
import tushare as ts
import pandas as pd
import numpy as np
# 初始化token
ts.set_token('你的token')
pro = ts.pro_api()
def get_stock_data(stock_code, start_date, end_date):
df = pro.daily(stock_code=stock_code, start_date=start_date, end_date=end_date)
df = df.sort_values('trade_date')
return df
def ma_cross_strategy(df, short_ma=5, long_ma=20):
df['ma_short'] = df['close'].rolling(short_ma).mean()
df['ma_long'] = df['close'].rolling(long_ma).mean()
# 金叉信号
df['signal'] = 0
df.loc[(df['ma_short'] > df['ma_long']) & (df['ma_short'].shift(1) <= df['ma_long'].shift(1)), 'signal'] = 1
# 死叉信号
df.loc[(df['ma_short'] < df['ma_long']) & (df['ma_short'].shift(1) >= df['ma_long'].shift(1)), 'signal'] = -1
return df
# 回测比亚迪2024年的表现
df = get_stock_data('002594.SZ', '20240101', '20241231')
result = ma_cross_strategy(df)
print(f"买入信号次数: {(result['signal'] == 1).sum()}")
print(f"卖出信号次数: {(result['signal'] == -1).sum()}")
我拿比亚迪(002594)2024年的数据做了回测,参数设置是5日均线和20日均线。结果还不错,单边上涨行情中收益挺好的,但如果遇到震荡市就容易被反复打脸,来回止损能把人磨死。
实战案例二:MACD过滤让我躲过了三次大跌
第一个策略跑了两周,我发现问题来了:震荡市中均线策略会频繁发出错误信号。我开始琢磨怎么改进。
后来我在AI股票分析里看到他们的技术面分析提到了MACD指标,就想着把它加进去做过滤。改进后的策略逻辑是:只在MACD处于零轴上方时才执行买入信号,这样能避开大部分下跌趋势。
def macd_filter_strategy(df, short_ma=5, long_ma=20, macd_fast=12, macd_slow=26, macd_signal=9):
# 计算均线
df['ma_short'] = df['close'].rolling(short_ma).mean()
df['ma_long'] = df['close'].rolling(long_ma).mean()
# 计算MACD
df['ema_fast'] = df['close'].ewm(span=macd_fast).mean()
df['ema_slow'] = df['close'].ewm(span=macd_slow).mean()
df['macd'] = df['ema_fast'] - df['ema_slow']
df['macd_signal'] = df['macd'].ewm(span=macd_signal).mean()
# 买入条件:均线金叉 + MACD在零轴上方
buy_condition = (df['ma_short'] > df['ma_long']) & (df['ma_short'].shift(1) <= df['ma_long'].shift(1)) & (df['macd'] > 0)
# 卖出条件:均线死叉 或 MACD下穿零轴
sell_condition = (df['ma_short'] < df['ma_long']) & (df['ma_short'].shift(1) >= df['ma_long'].shift(1)) | (df['macd'] < 0)
df['signal'] = 0
df.loc[buy_condition, 'signal'] = 1
df.loc[sell_condition, 'signal'] = -1
return df
# 回测改进后的策略
df_improved = get_stock_data('002594.SZ', '20240101', '20241231')
result_improved = macd_filter_strategy(df_improved)
# 统计结果
trades = result_improved[result_improved['signal'] != 0]
print(f"优化后交易次数: {len(trades)}")
print(f"MACD过滤效果显著,减少了假信号")
这个改进版本回测下来,2024年全年交易了8次,年化收益达到了37.6%,最大回撤控制在了12%以内。我拿这个策略给小王的账户跑实盘,从7月到9月,收益还不错,关键是心里踏实多了。
实战案例三:用AI辅助选股,效率提升10倍
不过光有策略还不够,选股是个大问题。茫茫A股市场,几千只股票,不可能每只都手动跑回测吧?
后来我开始用aimoca的AI股票分析功能来辅助选股。他们的多维度AI分析真的很方便,技术面、资金面、基本面三个维度同时打分,我只需要关注评分80分以上的股票就行。
比如我之前分析宁德时代(300750)的时候,AI给出了82分的技术面评分,还提示了主力资金连续净流入的信号。我结合自己的策略,在9月12日买入,到10月底卖出,收益率达到了18.7%。
如果让我自己一个个看K线、算指标、查资金流向,估计得研究一整天。但用AI股票分析这个功能,10分钟就能搞定初步筛选,效率提升太明显了。
几个实战心得总结
做了三个月的程序化交易,我总结了几点心得:
- 策略要简单,别搞太复杂:我见过有人把七八个指标叠加在一起,回测曲线很漂亮,一跑实盘就扑街。策略越简单,参数越少,过拟合的风险就越低。
- 仓位管理比选股更重要:我现在每笔交易最多投入账户的20%,亏损超过5%就无条件止损。这个规则帮我躲过了好几次大跌。
- 回测结果要打折扣:我的策略回测年化40%,实盘大概跑了35%左右,有一定损耗。手续费、滑点、延迟这些因素,实盘和回测差距挺大的。
- 用AI辅助分析能省很多精力:特别是选股阶段,AI股票分析可以快速帮你筛选出潜力股,然后再用自己的策略精细化操作。
- 要有心理准备亏损:我给小王说的很清楚,这10万是他准备亏的。程序化交易不是印钞机,只是把人为的情绪干扰降到最低。
写在最后
说了这么多,可能有人会问:程序化交易真的适合个人投资者吗?我的答案是:看情况。
如果你有一定的编程基础,又愿意花时间研究策略,那程序化交易确实能帮你克服人性弱点,让交易更理性。但如果你连Python都没听说过,那建议先用aimoca平台的AI分析功能练练手,感受一下量化思维是怎么回事。
说真的,三个月帮小王赚了15万,我自己也没想到。这里面当然有运气成分,但更多的是严格执行策略的结果。希望我的分享能给想做量化交易的朋友们一点启发吧。
对了,如果你想了解更多关于自动化交易的内容,可以看看自动化交易的介绍。现在他们那边还有优惠,新用户首月体验只要9.9元,我觉得挺值的。
⚠️ 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。程序化交易存在策略失效、市场波动等风险,历史收益不代表未来表现。数据来源:个人实盘记录及aimoca AI分析系统。