【 Python 量化交易】第10章：八大经典策略

文章目录

[🧭 量化交易八大经典策略 · 全景解读](#🧭 量化交易八大经典策略 · 全景解读)
- [1️⃣ 策略分类全景图 🗺️](#1️⃣ 策略分类全景图 🗺️)
- [2️⃣ 八大策略速览对比表 📊](#2️⃣ 八大策略速览对比表 📊)
- [3️⃣ 逐个点评："人设" 🎭](#3️⃣ 逐个点评：“人设” 🎭)
- - [① 📈 移动平均策略 ------ 量化界的"老前辈"](#① 📈 移动平均策略 —— 量化界的“老前辈”)
  - [② 🔄 均值回归策略 ------ 赌"钟摆总会摆回来"](#② 🔄 均值回归策略 —— 赌“钟摆总会摆回来”)
  - [③ 🚀 动量策略 ------ "强者恒强"的信徒](#③ 🚀 动量策略 —— “强者恒强”的信徒)
  - [④ ⚖️ 市场中性策略 ------ 对冲基金经理的"心头好"](#④ ⚖️ 市场中性策略 —— 对冲基金经理的“心头好”)
  - [⑤ 🧮 统计套利策略 ------ 市场中性策略的"数学加强版"](#⑤ 🧮 统计套利策略 —— 市场中性策略的“数学加强版”)
  - [⑥ 📰 事件驱动策略 ------ "消息面"的量化版](#⑥ 📰 事件驱动策略 —— “消息面”的量化版)
  - [⑦ 🤖 机器学习策略 ------ 让AI"学"出交易规则](#⑦ 🤖 机器学习策略 —— 让AI“学”出交易规则)
  - [⑧ ⚡ 高频交易策略 ------ "速度即一切"的极致流派](#⑧ ⚡ 高频交易策略 —— “速度即一切”的极致流派)
- [4️⃣ 如何选择第一个策略？ 🎯](#4️⃣ 如何选择第一个策略？ 🎯)
- [📚 附录](#📚 附录)
- - [A. 常见问题 FAQ ❓](#A. 常见问题 FAQ ❓)
  - [B. 术语速查表 🔤](#B. 术语速查表 🔤)

🧭 量化交易八大经典策略 · 全景解读

量化交易不是"黑箱"，它是一套用数学模型、统计规律和计算机算法来捕捉市场机会的系统化方法。

1️⃣ 策略分类全景图 🗺️

从"上帝视角"俯瞰整个量化策略宇宙。所有策略都可以归入四条主线：趋势跟踪 、均值回归 、多资产/信息类 、前沿技术类。
#mermaid-svg-3aOEAUMIFPFW6bl0{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-3aOEAUMIFPFW6bl0 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-3aOEAUMIFPFW6bl0 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-3aOEAUMIFPFW6bl0 .error-icon{fill:#552222;}#mermaid-svg-3aOEAUMIFPFW6bl0 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-3aOEAUMIFPFW6bl0 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-3aOEAUMIFPFW6bl0 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-3aOEAUMIFPFW6bl0 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-3aOEAUMIFPFW6bl0 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-3aOEAUMIFPFW6bl0 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-3aOEAUMIFPFW6bl0 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-3aOEAUMIFPFW6bl0 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-3aOEAUMIFPFW6bl0 .marker.cross{stroke:#333333;}#mermaid-svg-3aOEAUMIFPFW6bl0 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-3aOEAUMIFPFW6bl0 p{margin:0;}#mermaid-svg-3aOEAUMIFPFW6bl0 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-3aOEAUMIFPFW6bl0 .cluster-label text{fill:#333;}#mermaid-svg-3aOEAUMIFPFW6bl0 .cluster-label span{color:#333;}#mermaid-svg-3aOEAUMIFPFW6bl0 .cluster-label span p{background-color:transparent;}#mermaid-svg-3aOEAUMIFPFW6bl0 .label text,#mermaid-svg-3aOEAUMIFPFW6bl0 span{fill:#333;color:#333;}#mermaid-svg-3aOEAUMIFPFW6bl0 .node rect,#mermaid-svg-3aOEAUMIFPFW6bl0 .node circle,#mermaid-svg-3aOEAUMIFPFW6bl0 .node ellipse,#mermaid-svg-3aOEAUMIFPFW6bl0 .node polygon,#mermaid-svg-3aOEAUMIFPFW6bl0 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-3aOEAUMIFPFW6bl0 .rough-node .label text,#mermaid-svg-3aOEAUMIFPFW6bl0 .node .label text,#mermaid-svg-3aOEAUMIFPFW6bl0 .image-shape .label,#mermaid-svg-3aOEAUMIFPFW6bl0 .icon-shape .label{text-anchor:middle;}#mermaid-svg-3aOEAUMIFPFW6bl0 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-3aOEAUMIFPFW6bl0 .rough-node .label,#mermaid-svg-3aOEAUMIFPFW6bl0 .node .label,#mermaid-svg-3aOEAUMIFPFW6bl0 .image-shape .label,#mermaid-svg-3aOEAUMIFPFW6bl0 .icon-shape .label{text-align:center;}#mermaid-svg-3aOEAUMIFPFW6bl0 .node.clickable{cursor:pointer;}#mermaid-svg-3aOEAUMIFPFW6bl0 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-3aOEAUMIFPFW6bl0 .arrowheadPath{fill:#333333;}#mermaid-svg-3aOEAUMIFPFW6bl0 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-3aOEAUMIFPFW6bl0 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-3aOEAUMIFPFW6bl0 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-3aOEAUMIFPFW6bl0 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-3aOEAUMIFPFW6bl0 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-3aOEAUMIFPFW6bl0 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-3aOEAUMIFPFW6bl0 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-3aOEAUMIFPFW6bl0 .cluster text{fill:#333;}#mermaid-svg-3aOEAUMIFPFW6bl0 .cluster span{color:#333;}#mermaid-svg-3aOEAUMIFPFW6bl0 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-3aOEAUMIFPFW6bl0 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-3aOEAUMIFPFW6bl0 rect.text{fill:none;stroke-width:0;}#mermaid-svg-3aOEAUMIFPFW6bl0 .icon-shape,#mermaid-svg-3aOEAUMIFPFW6bl0 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-3aOEAUMIFPFW6bl0 .icon-shape p,#mermaid-svg-3aOEAUMIFPFW6bl0 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-3aOEAUMIFPFW6bl0 .icon-shape .label rect,#mermaid-svg-3aOEAUMIFPFW6bl0 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-3aOEAUMIFPFW6bl0 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-3aOEAUMIFPFW6bl0 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-3aOEAUMIFPFW6bl0 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 量化策略宇宙
📈 趋势跟踪类
🔄 均值回归类
🔗 多资产/信息类
🤖 前沿类
均线交叉

MA Crossover
动量策略

Momentum
均值回归

Mean Reversion
统计套利

Statistical Arbitrage
市场中性

Market Neutral
事件驱动

Event-Driven
机器学习

Machine Learning
高频交易

HFT

🧭 两条哲学路线

趋势跟踪信奉"惯性"：涨的会继续涨，跌的会继续跌。

均值回归 信奉"钟摆"：涨多了会跌回来，跌多了会涨回去。
两者在震荡市和趋势市中互为补充------震荡市利好回归，趋势市利好动量。知道市场现在处于什么状态，是选择策略的第一步。

2️⃣ 八大策略速览对比表 📊

#	策略	策略思想	典型实现方式	适合市场
1	📈 移动平均	价格围绕均线波动，短长期均线交叉指示方向	短均线上穿长均线 → 买入；下穿 → 卖出	趋势市
2	🔄 均值回归	价格偏离均值太多就会"弹回来"	布林带上下轨、RSI超买超卖反向开仓	震荡市
3	🚀 动量	"强者恒强"，过去表现好的未来一段时间继续好	计算N期收益率，买入强者卖出弱者	趋势市
4	⚖️ 市场中性	对冲掉大盘涨跌（Beta），只赚相对强弱（Alpha）	同时做多强势股、做空弱势股，保持净敞口≈0	任何市况
5	🧮 统计套利	用数学模型找出价格关系的临时失衡	配对交易：两只历史高相关股票价差异常时反向操作	震荡市
6	📰 事件驱动	特定事件（财报、新闻、政策）前后存在统计规律	监控事件时间窗口，程序自动下单	事件密集期
7	🤖 机器学习	让模型从海量数据中"自学"交易规则	回归/分类/深度学习，用特征预测未来走势	数据充裕时
8	⚡ 高频交易	用微秒级速度捕捉极小价差，积少成多	低延迟架构，FPGA硬件加速，极短持仓（秒级）	高流动性市场

3️⃣ 逐个点评："人设" 🎭

① 📈 移动平均策略 ------ 量化界的"老前辈"

原理：用过去N天的收盘价平均值代表当前"合理价格"。当短期均线（如5日）上穿长期均线（如20日）时，说明近期动能转强，产生金叉买入信号；下穿则产生死叉卖出信号。
实现：计算MA(5)和MA(20)，每日比较，生成买卖指令。
优点：逻辑简单、代码实现门槛极低，是大多数人的"第一个策略"。
风险：震荡市中反复交叉，造成频繁"打脸"的假信号。

专属示意图 ：K线 + 均线交叉图

在K线图上绘制MA5和MA20，用箭头标注金叉/死叉位置，一目了然。

💡 金叉/死叉小贴士：

✨ 金叉 = 快车反超慢车，势头占优 → 看涨。
⚠️ 死叉 = 快车被慢车反超，动力不足 → 看跌/避险。

② 🔄 均值回归策略 ------ 赌"钟摆总会摆回来"

原理：价格围绕其长期均值波动，当偏离过大时，市场情绪过度反应，最终会回归。
实现：常用布林带（均线±2倍标准差），价格触及上轨时做空，触及下轨时做多；或用RSI指标，超买（>70）卖出，超卖（<30）买入。
优点：震荡市中胜率高，有明确的入场和止盈区间。
风险：遇到真正的单边趋势（"钟摆断了"），会越亏越扛，回撤巨大。

专属示意图：价格通道 + 超买超卖区图

③ 🚀 动量策略 ------ "强者恒强"的信徒

原理：金融学中的"动量效应"表明，过去3~12个月表现好的资产，未来一段时间仍可能跑赢。
实现：计算过去N期收益率，排序后买入前10%的资产，卖出后10%的资产（多空组合）。
优点：在趋势市中能吃到最大段的利润，且在全球多个市场被验证有效。
风险：趋势反转时会遭遇"动量崩溃"，回撤急且深。

专属示意图 ：多资产收益排名柱状图

横轴为资产，纵轴为过去N期收益率，绿色高亮最强动量，红色高亮最弱动量。

④ ⚖️ 市场中性策略 ------ 对冲基金经理的"心头好"

原理：同时构建多头和空头头寸，使整个组合对大盘涨跌（Beta）的敏感度接近于0，只赚取选股能力带来的超额收益（Alpha）。
实现：做多一组"强势因子"股票，做空等市值的"弱势因子"股票，每日调整保持净敞口为零。
优点：收益与大盘涨跌无关，波动率低，夏普比率往往更漂亮。
风险：选股因子失效或配对关系瓦解时，两头亏损。

专属示意图 ：多空组合累计收益对比图

⑤ 🧮 统计套利策略 ------ 市场中性策略的"数学加强版"

原理：利用统计模型寻找多个资产之间价格关系的"异常值"。例如，两只历史高度相关的股票（如可口可乐与百事可乐），当价差扩大到历史均值+2倍标准差以上时，做空强的、做多弱的，赌价差收敛。
实现：协整检验、卡尔曼滤波、GARCH等模型用于估计价差和阈值。
优点：交易频率适中，收益来源分散，容量较大。
风险：统计关系可能因基本面变化而结构性破裂（"协整失效"）。

专属示意图 ：配对资产价差与均值回归图

上方是两只资产价格走势，下方是价差走势，标出均值和±2σ阈值，触及阈值时发出反向交易信号。

⑥ 📰 事件驱动策略 ------ "消息面"的量化版

原理：财报发布、指数成分调整、并购重组、宏观经济数据公布等事件前后，股价往往出现可统计的异常波动。
实现：利用爬虫/API监控事件日历，在事件窗口（如公布前1天至后3天）内执行预设交易，并设置止盈止损。
优点：事件具有明确的时间节点，回测易于界定。
风险：事件结果超预期（"黑天鹅"）可能导致剧烈反向波动，且滑点成本较高。

专属示意图 ：事件窗口收益走势图

横轴为事件前后的交易日（T-5到T+5），纵轴为平均异常收益，寻找显著效应窗口。

⑦ 🤖 机器学习策略 ------ 让AI"学"出交易规则

原理：将价格、成交量、宏观数据、情绪指标等作为特征，训练回归模型（预测未来价格）或分类模型（预测涨跌方向）。深度学习（如LSTM）还能捕捉时序依赖。
实现：特征工程→训练集/验证集划分→模型调参→回测。常见模型：随机森林、XGBoost、CNN、LSTM。
优点：能挖掘非线性关系，上限高，适应复杂市场结构。
风险：黑箱问题、过拟合（把历史噪声背得滚瓜烂熟）、对数据质量极其敏感，实盘往往比回测差一大截。

专属示意图 ：模型预测结果 vs. 实际走势对比图

在K线图上叠加模型预测值或涨跌概率，直观检验模型有效性。

⑧ ⚡ 高频交易策略 ------ "速度即一切"的极致流派

原理：利用订单流、买卖盘失衡、极短时间内的价格微波动，在微秒至毫秒级别建仓平仓，每笔赚取零点几个基点，靠海量交易累积利润。
实现：FPGA硬件加速、微波传输、托管机房（Co-location），算法常基于订单簿动态博弈。
适用：极端流动性市场（如美股大盘股、主流期货）。
风险：基础设施投入巨大，监管趋严，对个人投资者而言基本是"观战"项目。

专属示意图 ：订单簿深度图 (Level 2 Market Data)

展示买卖盘口的挂单情况，体现流动性和价差微变。

4️⃣ 如何选择第一个策略？ 🎯

如果是新手，建议走一条循序渐进的"打怪升级"路线：

移动平均 ------ 学会完整的回测流程（数据获取、信号生成、绩效统计）。
均值回归 ------ 训练反向思维，理解波动率和统计阈值。
动量 ------ 进阶多因子验证和组合构建。

然后根据兴趣深入事件驱动、机器学习等方向。

永远记住 ：任何策略，必须先做历史回测 （避免未来函数），再跑模拟盘 （验证滑点与流动性），最后用小资金实盘（检验真实冲击成本）。
#mermaid-svg-9vflrcZwKf0MDgOP{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-9vflrcZwKf0MDgOP .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-9vflrcZwKf0MDgOP .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-9vflrcZwKf0MDgOP .error-icon{fill:#552222;}#mermaid-svg-9vflrcZwKf0MDgOP .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-9vflrcZwKf0MDgOP .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-9vflrcZwKf0MDgOP .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-9vflrcZwKf0MDgOP .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-9vflrcZwKf0MDgOP .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-9vflrcZwKf0MDgOP .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-9vflrcZwKf0MDgOP .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-9vflrcZwKf0MDgOP .marker{fill:#333333;stroke:#333333;}#mermaid-svg-9vflrcZwKf0MDgOP .marker.cross{stroke:#333333;}#mermaid-svg-9vflrcZwKf0MDgOP svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-9vflrcZwKf0MDgOP p{margin:0;}#mermaid-svg-9vflrcZwKf0MDgOP .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-9vflrcZwKf0MDgOP .cluster-label text{fill:#333;}#mermaid-svg-9vflrcZwKf0MDgOP .cluster-label span{color:#333;}#mermaid-svg-9vflrcZwKf0MDgOP .cluster-label span p{background-color:transparent;}#mermaid-svg-9vflrcZwKf0MDgOP .label text,#mermaid-svg-9vflrcZwKf0MDgOP span{fill:#333;color:#333;}#mermaid-svg-9vflrcZwKf0MDgOP .node rect,#mermaid-svg-9vflrcZwKf0MDgOP .node circle,#mermaid-svg-9vflrcZwKf0MDgOP .node ellipse,#mermaid-svg-9vflrcZwKf0MDgOP .node polygon,#mermaid-svg-9vflrcZwKf0MDgOP .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-9vflrcZwKf0MDgOP .rough-node .label text,#mermaid-svg-9vflrcZwKf0MDgOP .node .label text,#mermaid-svg-9vflrcZwKf0MDgOP .image-shape .label,#mermaid-svg-9vflrcZwKf0MDgOP .icon-shape .label{text-anchor:middle;}#mermaid-svg-9vflrcZwKf0MDgOP .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-9vflrcZwKf0MDgOP .rough-node .label,#mermaid-svg-9vflrcZwKf0MDgOP .node .label,#mermaid-svg-9vflrcZwKf0MDgOP .image-shape .label,#mermaid-svg-9vflrcZwKf0MDgOP .icon-shape .label{text-align:center;}#mermaid-svg-9vflrcZwKf0MDgOP .node.clickable{cursor:pointer;}#mermaid-svg-9vflrcZwKf0MDgOP .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-9vflrcZwKf0MDgOP .arrowheadPath{fill:#333333;}#mermaid-svg-9vflrcZwKf0MDgOP .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-9vflrcZwKf0MDgOP .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-9vflrcZwKf0MDgOP .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-9vflrcZwKf0MDgOP .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-9vflrcZwKf0MDgOP .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-9vflrcZwKf0MDgOP .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-9vflrcZwKf0MDgOP .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-9vflrcZwKf0MDgOP .cluster text{fill:#333;}#mermaid-svg-9vflrcZwKf0MDgOP .cluster span{color:#333;}#mermaid-svg-9vflrcZwKf0MDgOP div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-9vflrcZwKf0MDgOP .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-9vflrcZwKf0MDgOP rect.text{fill:none;stroke-width:0;}#mermaid-svg-9vflrcZwKf0MDgOP .icon-shape,#mermaid-svg-9vflrcZwKf0MDgOP .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-9vflrcZwKf0MDgOP .icon-shape p,#mermaid-svg-9vflrcZwKf0MDgOP .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-9vflrcZwKf0MDgOP .icon-shape .label rect,#mermaid-svg-9vflrcZwKf0MDgOP .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-9vflrcZwKf0MDgOP .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-9vflrcZwKf0MDgOP .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-9vflrcZwKf0MDgOP :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 趋势市
震荡市
不确定/混合
初学者
有一定编程基础
擅长数学/统计
开始
市场目前是

趋势市还是震荡市？
优先考虑

趋势跟踪类
优先考虑

均值回归类
考虑市场中性

或统计套利
你的技术能力?
移动平均策略

（低门槛）
均值回归或动量

（布林带/RSI/动量因子）
统计套利/机器学习
回测 → 模拟 → 小资金
持续优化与风险监控

📚 附录

A. 常见问题 FAQ ❓

Q1：yf.download() 返回空数据？

检查A股代码是否加了后缀（如 600519.SS 上交所，000568.SZ 深交所）。
确认日期区间内包含交易日。
Yahoo Finance 偶尔服务不稳定，稍后重试或换用 akshare 数据源。

Q2：pip install TA-Lib 报错装不上？

TA-Lib 依赖本地C库。

Windows用户建议下载预编译 .whl 文件安装。
或直接 conda install -c conda-forge ta-lib（省心）。

Q3：zipline 安装后一运行就报错？

版本兼容性"重灾区"。

务必用 conda install -c conda-forge zipline，并确保 Python 版本为 3.8~3.9。
若仍困难，可改用 backtrader 入门，更稳定。

Q4：回测收益虚高得不真实？

第一嫌疑人：未来函数 （检查是否用了 shift(1) 避免用到未来数据）。
第二：忘记扣除交易成本（佣金、滑点、税费）。
第三：样本区间恰好是单边大行情------应做不同市场周期的敏感性测试。

Q5：学完本教程，下一步学什么？

① 精读 Pandas/NumPy 官方文档，夯实数据处理能力。

② 用 backtrader 重写第7章的回测，体验更完整的回测框架。

③ 学习 TA-Lib 计算更多技术指标，扩充因子库。

④ 尝试用 AKShare 替换数据源，做A股实盘研究。

B. 术语速查表 🔤

术语	中文	一句话解释
OHLCV	开高低收量	每日开盘、最高、最低、收盘价 + 成交量，量化最基础的数据
MA / SMA	移动平均 / 简单移动平均	最近N天收盘价的算术平均值
Golden Cross / Death Cross	金叉 / 死叉	短期均线上穿/下穿长期均线，分别视为买入/卖出信号
Alpha	超额收益	剔除市场因素后，策略真正的"本事"
Beta	市场敏感度	组合随大盘波动的幅度，>1更激进，<1更保守
Sharpe Ratio	夏普比率	风险调整后的收益指标（每单位风险带来的超额回报）
Max Drawdown	最大回撤	历史上从峰值到谷底的最大跌幅，衡量最坏情况
Backtesting	回测	在历史数据上模拟策略运行，检验有效性
Overfitting	过拟合	把历史数据"背得太熟"，导致实盘失效
Look-ahead Bias	未来函数	在回测中无意使用了"未来才知道"的信息，使结果虚高
NaN	非数值（缺失值）	数据不足或无效值的占位标记，如滚动窗口初期的空值

🎉 恭喜！ 你已掌握了八大经典策略的完整地图。

现在就去挑选你的第一个策略，写几行代码，跑一次回测，感受量化交易的魅力吧！

记住：策略没有"圣杯"，只有不断迭代的认知和严格的风控。祝你在量化之路上越走越稳！ 🚀