Python进阶教程：19_量化交易 零基础超详细入门教程

Python 量化，简单说就是用 Python 编程语言 + 配套工具库，自动完成金融数据获取、分析、交易策略开发、历史回测、甚至自动交易的过程。它不是某种神奇的 "赚钱公式"，而是一套用程序替代人工盯盘、人工计算、人工决策的工具方法 ------ 核心优势是高效、客观、可验证，能避免人性的贪婪恐惧带来的决策失误。

本文从概念、工具、流程到完整实战案例，全程用通俗语言 + 可运行代码 + 逐行解释，零基础也能理解量化的完整逻辑，跑通第一个入门策略。

⚠️ 重要风险提示：本文所有内容仅为技术学习演示，不构成任何投资建议。股市有风险，投资需谨慎，新手务必先从历史回测练手，不要盲目实盘交易。

---

一、先搞懂：Python 量化能做什么？核心优势

1. 通俗类比

就像你开奶茶店：

• 人工交易 = 老板自己每天手工算账、手工进货、手工做奶茶，效率低、容易累、情绪不好的时候还容易做错
• Python 量化 = 买了一套自动化设备 + 管理系统：自动统计销量、自动算进货量、自动做奶茶，严格按规则来，不会累、不会情绪化

2. 核心用途

1. 批量数据分析：一次性分析几千只股票的历史数据，筛选符合条件的标的，人工筛选要几天，程序几秒搞定
2. 策略回测验证：用过去几年的历史数据，模拟你的买卖规则跑一遍，看看过去赚不赚钱、最大亏多少，不用真金白银试错
3. 自动盯盘交易：程序 24 小时监控行情，满足条件自动下单，不用天天盯盘
4. 风险控制：严格执行止损、止盈规则，避免亏损时舍不得卖、盈利时贪多等人性问题

3. 新手最容易有的误区

❌ 错误：量化 = 稳赚不赔 ✅ 事实：量化只是工具，策略本身好不好才决定盈亏，差的策略用程序跑只会亏得更快 ❌ 错误：量化必须懂复杂的数学、算法 ✅ 事实：入门级的均线策略、网格策略，只需要基础 Python + 简单逻辑就能实现，新手也能上手

---

二、新手必备：量化核心工具库

Python 量化的生态非常成熟，不同工具负责不同环节，新手先掌握最核心的几个即可，不用一次性全学。

分类	工具库	作用	新手推荐度
数据获取	AkShare	免费开源的财经数据库，股票、基金、期货、宏观数据都能拿，不用注册、不用积分，新手首选	⭐⭐⭐⭐⭐
数据获取	Tushare	数据更全更专业，但高级数据需要积分，适合进阶	⭐⭐⭐
数据处理	pandas	表格数据处理神器，算指标、清洗数据、筛选标的全靠它，是量化的基础	⭐⭐⭐⭐⭐
数值计算	numpy	pandas 的底层，专门做数值运算，处理大规模数据更快	⭐⭐⭐⭐
可视化	matplotlib / mplfinance	画收益曲线、K 线图、指标图，直观查看策略效果	⭐⭐⭐⭐
回测框架	Backtrader	经典本地回测框架，功能完整，适合本地开发策略	⭐⭐⭐
在线平台	聚宽、米筐、优矿	网页端量化平台，自带数据、回测环境，不用自己搭环境，新手入门也可以从这里开始	⭐⭐⭐⭐

💡 新手入门建议：先学 pandas + AkShare，手动实现简单策略的回测，搞懂底层逻辑，再去学专业回测框架。

---

三、量化交易的标准流程

不管是简单还是复杂的策略，完整的量化流程都分 5 步，新手按这个顺序学就不会乱：

1. 获取数据：拿到股票 / 基金的历史行情、基本面数据
2. 清洗处理：补全缺失值、调整复权、计算技术指标（均线、MACD 等）
3. 制定策略：写清楚买卖规则（比如什么条件买、什么条件卖）
4. 历史回测：用历史数据模拟运行策略，算收益、最大回撤、胜率等指标
5. 优化与风控：调整参数、加止损止盈、仓位管理，降低风险

---

四、实战入门：第一个量化策略（双均线策略）

双均线策略是量化入门最经典的策略，逻辑简单、容易理解，非常适合新手练手。

策略原理

• 短期均线（比如 5 日均线）：反映短期价格走势
• 长期均线（比如 20 日均线）：反映长期价格走势
• 金叉买入：短期均线从下往上穿过长期均线 → 行情转强，买入
• 死叉卖出：短期均线从上往下穿过长期均线 → 行情转弱，卖出

准备工作

先安装需要的库，打开终端执行：

pip install akshare pandas matplotlib

完整代码 + 逐段解释

我们以贵州茅台（股票代码：600519）为例，用 2020-2023 年的日线数据，实现 5 日均线 + 20 日均线的双均线策略，并计算策略收益。

---

第 1 步：导入库 + 获取历史行情数据

import akshare as ak
import pandas as pd
import matplotlib.pyplot as plt

# 设置中文显示，避免画图乱码
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 获取A股单只股票的日线数据
# 参数说明：
# symbol：股票代码，600519是贵州茅台
# period：周期，daily=日线
# start_date/end_date：数据起止日期，格式YYYYMMDD
# adjust：复权方式，qfq=前复权（处理过分红拆股后的真实价格，回测必须用复权数据）
df = ak.stock_zh_a_hist(
    symbol="600519",
    period="daily",
    start_date="20200101",
    end_date="20231231",
    adjust="qfq"
)

# 查看数据前5行
print("数据前5行：")
print(df.head())
print("\n数据列名：", df.columns.tolist())

代码解释

• ak.stock_zh_a_hist 是 AkShare 专门获取 A 股日线数据的函数，免费不用登录
• 前复权：股票分红、拆股会导致价格跳空，前复权会把历史价格调整成连续可比的价格，回测必须用复权数据，否则收益计算会错
• 返回的 df 是 pandas 的 DataFrame 表格，包含日期、开盘、收盘、最高、最低、成交量等字段

---

第 2 步：数据预处理 + 计算均线指标

# 1. 把日期列转成日期格式，设为索引，方便后续画图和计算
df['日期'] = pd.to_datetime(df['日期'])
df = df.set_index('日期')

# 2. 只保留我们需要的收盘价列（简化计算，策略只用收盘价）
df = df[['收盘']]
df.rename(columns={'收盘': 'close'}, inplace=True)

# 3. 计算5日均线和20日均线
# rolling(5).mean()：滚动5天求平均值，也就是过去5天收盘价的均值
df['ma5'] = df['close'].rolling(5).mean()
df['ma20'] = df['close'].rolling(20).mean()

# 查看前30行，前19天20日均线是空值（因为没有足够的历史数据）
print("\n带均线的数据：")
print(df.head(30))

代码解释

• 均线（MA）：Moving Average，过去 N 天收盘价的平均值，用来平滑价格波动，判断趋势方向
• rolling(5).mean() 是 pandas 的滚动计算函数，非常适合算各类均线指标，是量化最常用的函数之一
• 前 N-1 天的 N 日均线是空值，因为没有足够的历史数据，属于正常现象

---

第 3 步：生成买卖信号

核心逻辑：

• 金叉：昨天 MA5 ≤ 昨天 MA20，并且今天 MA5 > 今天 MA20 → 上穿，买入信号
• 死叉：昨天 MA5 ≥ 昨天 MA20，并且今天 MA5 < 今天 MA20 → 下穿，卖出信号

# 1. 新增两列：昨天的5日均线、昨天的20日均线
# shift(1) 表示把数据往下挪一行，也就是取前一天的值
df['ma5_yesterday'] = df['ma5'].shift(1)
df['ma20_yesterday'] = df['ma20'].shift(1)

# 2. 生成信号：1=买入信号，-1=卖出信号，0=无信号
df['signal'] = 0

# 金叉：买入信号
df.loc[(df['ma5_yesterday'] <= df['ma20_yesterday']) & (df['ma5'] > df['ma20']), 'signal'] = 1

# 死叉：卖出信号
df.loc[(df['ma5_yesterday'] >= df['ma20_yesterday']) & (df['ma5'] < df['ma20']), 'signal'] = -1

# 查看有信号的日期
print("\n买卖信号日期：")
print(df[df['signal'] != 0][['close', 'signal']])

代码解释

• shift(1) 是量化里非常重要的函数，用来取前一天的数据，避免用到 "未来数据"（比如不能用今天收盘的均线判断今天的买卖，实际交易中收盘后才能算出当天均线，第二天才能交易）
• loc[条件, 列名] 是 pandas 按条件赋值的标准写法
• 这里的信号是 "收盘后发出"，实际交易要第二天才能成交，后面计算收益的时候会处理这个细节

---

第 4 步：模拟持仓 + 计算策略收益

# 1. 计算持仓状态：1=持有股票，0=空仓
# 遇到买入信号就变成持有，遇到卖出信号就变成空仓
df['position'] = 0
position = 0  # 初始持仓：空仓

for date, row in df.iterrows():
    if row['signal'] == 1:
        position = 1
    elif row['signal'] == -1:
        position = 0
    df.loc[date, 'position'] = position

# 2. 计算股票本身的每日涨跌幅（买入持有策略的收益）
df['daily_return'] = df['close'].pct_change()

# 3. 计算策略的每日收益
# 注意：信号是收盘后产生的，第二天才持仓，所以持仓要往后挪一天（shift(1)），避免未来函数
df['strategy_return'] = df['daily_return'] * df['position'].shift(1)

# 4. 计算累计收益（从1开始，1代表初始本金）
df['buy_hold_cum'] = (1 + df['daily_return']).cumprod()
df['strategy_cum'] = (1 + df['strategy_return']).cumprod()

# 打印最终收益
print(f"\n买入持有最终收益：{(df['buy_hold_cum'].iloc[-1] - 1)*100:.2f}%")
print(f"双均线策略最终收益：{(df['strategy_cum'].iloc[-1] - 1)*100:.2f}%")

关键解释：什么是未来函数？

这是新手最容易踩的致命坑：

• 未来函数：回测时用到了 "交易当天还不可能知道的数据"，比如用当天收盘价算的均线，当天就买入
• 现实中：当天的收盘价要收盘才知道，均线也要收盘后才能算出来，只能第二天开盘交易
• 所以我们用 shift(1) 把持仓往后挪一天，信号第二天才生效，这样回测结果才真实可信，不然回测收益虚高，实盘完全用不了

---

第 5 步：可视化结果

plt.figure(figsize=(12, 6))

# 画收盘价和均线
plt.plot(df['close'], label='收盘价', color='gray', alpha=0.5)
plt.plot(df['ma5'], label='5日均线', color='red')
plt.plot(df['ma20'], label='20日均线', color='blue')

# 标记买入点（绿色向上箭头）
buy_points = df[df['signal'] == 1]
plt.scatter(buy_points.index, buy_points['close'], marker='^', color='green', s=100, label='买入信号')

# 标记卖出点（红色向下箭头）
sell_points = df[df['signal'] == -1]
plt.scatter(sell_points.index, sell_points['close'], marker='v', color='red', s=100, label='卖出信号')

plt.title('贵州茅台 双均线策略回测 (5日+20日)')
plt.xlabel('日期')
plt.ylabel('价格（元）')
plt.legend()
plt.grid(alpha=0.3)
plt.show()

# 画收益对比曲线
plt.figure(figsize=(12, 5))
plt.plot(df['buy_hold_cum'], label='买入持有', color='gray')
plt.plot(df['strategy_cum'], label='双均线策略', color='red')
plt.title('策略收益对比')
plt.xlabel('日期')
plt.ylabel('累计净值（1=初始本金）')
plt.legend()
plt.grid(alpha=0.3)
plt.show()

运行后会弹出两张图：

1. 第一张：价格走势 + 均线 + 买卖点，可以直观看到什么时候买、什么时候卖
2. 第二张：策略和买入持有的收益对比，能直观看出策略有没有跑赢大盘

---

五、进阶：专业回测框架 Backtrader 简介

上面的手动回测适合理解原理，但真实量化开发会用专门的回测框架，它们已经封装好了手续费、滑点、仓位管理、绩效统计等功能，不用自己从零写。

Backtrader 是最经典的本地回测框架，核心特点：

1. 内置几十种技术指标，不用自己算
2. 自动处理交易成本、滑点、成交逻辑
3. 支持股票、期货、外汇等多品种
4. 可以输出完整的绩效报告：胜率、盈亏比、最大回撤、夏普比率等

极简示例（了解即可）

import backtrader as bt

# 定义策略类
class DoubleMAStrategy(bt.Strategy):
    def __init__(self):
        # 定义5日和20日均线
        self.ma5 = bt.indicators.SimpleMovingAverage(self.data.close, period=5)
        self.ma20 = bt.indicators.SimpleMovingAverage(self.data.close, period=20)
    
    def next(self):
        # 每个交易日执行一次
        if not self.position:  # 没持仓
            if self.ma5[0] > self.ma20[0] and self.ma5[-1] <= self.ma20[-1]:
                self.buy()  # 金叉买入
        else:  # 有持仓
            if self.ma5[0] < self.ma20[0] and self.ma5[-1] >= self.ma20[-1]:
                self.sell()  # 死叉卖出

框架会自动帮你处理成交、计算收益、统计绩效，比手动写严谨得多，新手理解原理后可以深入学习。