量化交易新手第一步：环境搭建到双均线回测实操指南

大家好我是老K。最近后台收到最多的一类私信几乎都是一个套路“公开课听完了感觉量化确实有点意思但关上电脑那一刻人直接懵了——下一步该干嘛”这个问题太典型了。我自己早年从传统投研转量化也是这个路径买书、听课、收藏一堆资料笔记本上抄得密密麻麻热血退去之后连个能跑通的数据文件都没有。所以今天这篇不想聊概念也不想画饼就聊一件事打开量化大门之后第一步具体怎么走。这篇文章适合刚听完课、还没动手的朋友也适合那些已经装好 Python 但不知道从哪开始的人。我会用尽量直白的话把从环境准备到第一个策略跑通的全流程过一遍顺带把新手期最容易踩的坑提前指出来。1. 第一步先想清楚量化交易到底在做什么1.1 量化的本质是“用规则替代手感”很多新手一开始就把“量化”和“自动赚钱”划等号这是最大的误区。量化交易不是写了一段代码就能躺着数钱它的本质是把一套可重复的交易逻辑变成明确的规则什么条件下买入、什么条件下卖出、每笔交易下多大仓位。我用一个生活化的类比来解释传统手动交易像是开手动挡汽车什么时候换挡、踩多深油门全靠司机当下的手感量化交易则是把换挡逻辑写成了固定程序发动机转速到了某个值就自动换挡不依赖情绪不依赖盘感也不依赖当天有没有睡好。这个区别看起来很基础但决定了你后续做的所有事情的走向。如果你打开大门之后脑子里想的还是“找一段能赚钱的代码”那大概率会在“过拟合”这个大坑里摔得很惨。相反如果你一开始就想着“我要建立一套能稳定执行的交易规则”那你后面的每一步都会走得扎实得多。1.2 第一步先别追求“复杂”先建立“闭环”新手最常见的做法是第一天装环境第二天写了个MACD策略第三天开始研究机器学习预测股价第四天放弃。问题出在哪里出在跳过了最关键的“闭环”概念。一个完整的量化交易学习闭环应该是这样的产生一个交易想法 → 把想法写成明确规则 → 用历史数据回测验证 → 分析结果、复盘改进 → 小资金试跑 → 迭代优化这不是什么高深理论这就是一个标准的 PDCA 循环懂点管理的人一眼就能认出来。第一步的核心任务不是学会某个复杂的模型而是把这个闭环完整地跑一遍。哪怕你用的是最简单的双均线策略、哪怕回测结果并不惊艳只要你把“想法→规则→验证→复盘”这条路走通了你就已经迈过了90%的人卡住的坎。很多人学量化学了很久还不会动手不是因为智商不够而是因为一直在输入知识、没有输出结果。2. 落地第一步环境、数据、回测框架怎么选2.1 环境搭建不要过度工程化说到动手第一个问题就是我得装点什么我的建议非常直白作为一个新手你只需要三样东西——Python、pandas、一个做回测的工具。不要一开始就上 Docker、不要配云服务器、不要搭数据库集群这些和你的核心目标没有关系。具体操作上我推荐直接用 Anaconda 这个发行版它把 Python 解释器、pip 包管理器和一堆常用科学计算库打包在一起装完就能用。装完之后在终端或者命令行里敲两行命令conda install pandas numpy matplotlib这三样就是你第一阶段全部的工具依赖。pandas 负责处理数据numpy 负责数值计算matplotlib 负责把回测结果画成曲线。有人说要不要装 TensorFlow、PyTorch先不用那是后面的事现在装了你也不会用只会徒增挫败感。环境搭建这条路上我踩过最大的坑就是“版本地狱”用 pip 装了一个新版本的库结果另一个库不兼容整个环境就崩了。所以现在我对新手的建议永远是只装必要的别贪多。2.2 数据从哪里来先解决“有没有”再谈“精不精”数据是量化的粮草没有数据一切策略都是纸上谈兵。很多新手第一步就卡在数据获取上觉得一定要找到最干净、最专业的数据源才敢动手其实是本末倒置。对新手来说免费的数据源完全够用。国内有几个常用的开源数据接口AKShare、Tushare、Baostock。我个人比较推荐 Baostock因为它不需要注册 token也不用担心频率限制对于日线级别的数据获取非常友好。import baostock as bs import pandas as pd # 登录 lg bs.login() # 获取某只股票的日线数据 rs bs.query_history_k_data_plus(sh.600519, date,code,open,high,low,close,volume, start_date2020-01-01, end_date2023-12-31, frequencyd, adjustflag2) # 处理成 DataFrame data_list [] while (rs.error_code 0) rs.next(): data_list.append(rs.get_row_data()) df pd.DataFrame(data_list, columnsrs.fields) bs.logout()这段代码干的事情很简单登录数据服务、查询贵州茅台日线数据、把结果转成 DataFrame。注意adjustflag2这个参数它表示前复权也就是把历史价格根据分红送股做过调整这样回测的时候才不会被除权跳空干扰。新手在这个阶段的重点不是追求数据有多精细而是先搞到一批真实的历史数据让你的策略能跑起来。先解决“有没有”再谈“精不精”。2.3 回测框架的选择先用两条腿走路回测简单说就是把你写好的交易规则放到历史数据上去“演戏”看看这套规则在过去的一段时间里如果可以模拟交易到底能赚多少钱、回撤多大。回测框架这个问题新手分成了两派一派非要自己手写回测引擎另一派一上来就研究 Zipline、backtrader 这类重型框架。我的建议是走第三条路先用手工循环做最简单的回测理解每一步的逻辑然后再考虑用框架。自己手写回测最大的好处是你会真正理解“逐行扫描数据、按信号交易、统计收益”这三个步骤的本质。如果你一上来就封装好了的黑盒框架一旦回测结果不对你根本不知道是策略的问题、数据的问题还是框架用的不对。3. 手把手跑通第一个策略双均线回测全流程3.1 为什么第一个策略选了双均线双均线策略在量化圈的地位就相当于编程界的“Hello World”——朴素、经典、教学价值极高。它的逻辑简单得不能再简单一条短周期均线比如5日均线和一条长周期均线比如20日均线。当短均线从下方穿越长均线时产生买入信号——“金叉”当短均线从上方向下穿越长均线时产生卖出信号——“死叉”。为什么第一个策略选它因为它完美契合了我前面提到的“闭环”概念里最核心的那一步把模糊的想法变成明确的、可以执行的规则。没有模棱两可、没有主观判断的空间每一个信号都有明确的定义和触发条件。这对于新手理解“策略”的本质帮助极大。3.2 代码实现最直白的双均线回测下面我用最直白的方式写一个双均线回测不追求性能只追求你能看懂每一个步骤在干什么。基于上面获取到的数据假设我们有一个包含date和close两列的 DataFrame代码如下import pandas as pd import numpy as np # 计算5日均线和20日均线 df[ma_short] df[close].rolling(window5).mean() df[ma_long] df[close].rolling(window20).mean() # 生成信号金叉1死叉-1 df[signal] 0 df.loc[df[ma_short] df[ma_long], signal] 1 df.loc[df[ma_short] df[ma_long], signal] -1 # 交易动作不持有0满仓1空仓0简化处理只做多 df[position] df[signal].replace({-1: 0}).fillna(0) # 上一日信号决定今日仓位 df[position] df[position].shift(1) # 信号次日执行避免未来函数 df[position].fillna(0, inplaceTrue) # 计算每日收益率 df[daily_return] df[close].pct_change() df[strategy_return] df[daily_return] * df[position] # 计算累计收益 df[cumulative_return] (1 df[strategy_return]).cumprod() df[benchmark_return] (1 df[daily_return]).cumprod() print(df[[date, close, strategy_return, cumulative_return, benchmark_return]].tail(10))我来说说这段代码里的几个关键动作。首先用rolling(window5).mean()算出了均线这是 pandas 最基础的功能含义就是“取过去5天的收盘价的平均值”。然后用两两比较生成signal列这里用 1 表示“应该持仓”-1 表示“应该空仓”。真正专业的地方在下面两行position列的shift(1)。这一行代码的意思是把今天的信号延迟一天变成明天的仓位。为什么要这么干因为均线是用收盘价算出来的如果当天收盘价金叉、你就用当天收盘价买入这在现实中做不到——你看到信号的时候市场已经收盘了。这就是业内常说的“未来函数”实际回测中最常用的作弊方式自己写回测要务必避免这一点。3.3 回测结果怎么看不是只看收益数字当你跑通了上面的代码你会得到两条曲线一条是你的策略累计收益一条是买入持有的基准收益。这时候新手最容易犯的错误就是看自己策略曲线比基准高兴奋得不行比基准低垂头丧气。我自己的经验是看待回测结果要按一套固定的步骤来。第一步看最大回撤也就是“如果运气最差、刚好买在山顶你的账户会从最高点跌掉多少”第二步看胜率也就是“100笔交易里有多少笔是赚钱的”第三步才是看年化收益和总收益。为什么回撤这么重要举一个现实中的例子如果你的策略净值从100万跌到60万跌了40%你想涨回100万不是涨40%就够了而是要涨66.7%——回撤越深翻本越难。很多新手的策略收益很高但回撤动辄超过50%这种策略在实盘里几乎没有活下去的可能因为人扛不住那么大的浮亏。4. 新手避坑实录这些教训值得用真金白银换4.1 回测漂亮不等于实盘赚钱过拟合与未来函数这是量化新手最容易踩、也是代价最大的一个坑。回测结果极其漂亮、年化收益高得吓人、最大回撤低得诱人一到实盘就拉胯问题往往就出在这里。所谓过拟合通俗说就是你把策略参数调到完美匹配历史数据但这就像考试前背了去年的真题答案今年题目一变你就原形毕露。比如双均线策略你用5日和20日回测不佳你一根根试从1日试到60日终于找到一组“最赚钱”的参数比如17日和33日然后你在回测里看着完美曲线觉得发现了圣杯。这种参数你在历史行情上挖出来的又一个坑对未来几乎没有任何预测能力。正确做法是什么至少要把数据分成两段前80%用来调参数、做研究和优化后20%用来做“样本外测试”模拟“未来的天气”看看策略会不会水土不服。如果样本外数据也能保持稳定表现这个策略才算有点可信度。4.2 手续费和滑点被忽略的成本杀手另一个回测和实盘差距巨大的原因就是交易成本。很多新手在第一次回测的时候完全不考虑手续费、印花税和滑点结果回测年化50%实盘一算可能连20%都不到高频率的策略甚至可能直接由盈转亏。我给大家一个简单的估算方法A股目前单边佣金大约万2.5卖出还要加印花税千0.5再加上买卖各一次的滑点大约每边万5左右单次来回的总成本约在千1.5到千2之间。如果一个策略每年交易200次仅交易成本就会吞噬掉20%-40%的毛利这个数字绝对不可忽视。所以我在帮新手审回测结果时总会问一句“你的回测里扣了手续费和滑点没有”大多数人的回答都是沉默。记住一个原则在做回测时把交易成本往高了估如果高成本下策略还能赚钱实盘才不会让你太难受。4.3 仓位与心态量化的短板恰恰在“人”很多新手以为量化交易是纯机器的事——系统发出信号自动下单人只需要躺着。但实际情况是在绝大多数个人投资者甚至小型机构的实践里人是执行链条中最不稳定的一环。最常见的两个心态问题一是干预信号明明策略发出了买入信号你因为市场恐慌不敢点按钮等涨上去了又懊悔二是重仓回测里表现最好的仓位比例是30%但你看到前几次盈利不错就忍不住加到了60%遇到一次回撤直接爆仓。解决第一个问题靠纪律解决第二个问题靠资金管理。资金管理并不复杂最简单的方法就是固定比例仓位每次交易只投入总资金的固定百分比比如10%或20%不做临时加仓不搞主观减仓。这一条简单的规则能帮你在最坏的情况下活下来。我自己在做量化实盘的头一年最大的教训就是策略本身不是胜负手能否平稳执行策略、能否容忍连续失误才是决定最终结果的关键。关于第一步的最终建议最后分享一点点个人的体会。我带过的学量化的人里能走完第一步的人往往不是最聪明的人而是最能耐得住寂寞、愿意老老实实把闭环跑通的人。打开量化大门之后真正的门槛才刚刚开始——但只要你完成了这篇文章里的任何一个反馈闭环哪怕只是一个最简单策略的回测结果你就已经站到了这座山的第一级台阶上。如果你跑通了今天文章里的双均线代码可以试着调整参数区间看看结果变化也可以换一只股票试试看看策略在不同品种上的适用性。做的时候别贪多先把一个策略理解透比看十份资料都强。