Python 量化

Python3 学习笔记 · 整理自菜鸟教程

一句话

用 Python 抓取行情、计算指标、回测策略并自动交易，把投资决策变成可验证的代码流程。

要点

  • 量化三件事：数据（行情/财务）、策略（信号规则）、执行（回测或实盘）。
  • 主流库：pandas 处理时间序列，numpy 数值计算，matplotlib/pyecharts 画图。
  • 行情数据：akshare、tushare（A 股免费）、yfinance（美股），或券商 API。
  • 回测框架：backtrader、vectorbt、bt；A 股常用 聚宽、米筐 在线平台。
  • 常用指标：均线（MA）、MACD、RSI、布林带、夏普比率、最大回撤。
  • 实盘接口：聚宽/米筐/券商量化 API，需开通权限并注意风控。
  • 回测收益不等于实盘收益，注意滑点、手续费、未来函数与幸存者偏差。
  • 仅供学习研究，投资有风险，代码不构成投资建议。

语法 / 常用方法

库 / 概念 说明 典型用途
pandas 表格与时间序列 行情清洗、滚动计算
numpy 数值数组与向量化 收益率、矩阵运算
akshare 免费财经数据接口 抓 A 股行情/财务
tushare 财经数据（需 token） 股票、基金数据
yfinance 雅虎财经数据 美股/指数
backtrader 事件驱动回测框架 写策略回测
vectorbt 向量化高速回测 批量参数扫描
matplotlib / pyecharts 绘图 K 线、净值曲线
TA-Lib / pandas_ta 技术指标库 MA、MACD、RSI
rolling().mean() 移动平均 均线策略核心
夏普比率 收益/波动比 评价策略质量
最大回撤 峰值到谷底跌幅 风险控制

代码示例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
# pip install pandas numpy
# 用模拟数据演示一个双均线策略的核心逻辑（不含真实交易接口）
import pandas as pd
import numpy as np

np.random.seed(0)

# 1) 构造一段模拟收盘价（真实场景用 akshare/yfinance 获取）
dates = pd.date_range("2024-01-01", periods=200, freq="D")
price = pd.Series(100 + np.random.randn(200).cumsum(), index=dates)

df = pd.DataFrame({"close": price})

# 2) 计算 5 日、20 日移动平均
df["ma5"] = df["close"].rolling(5).mean()
df["ma20"] = df["close"].rolling(20).mean()

# 3) 生成信号：金叉买入(1)，死叉卖出(-1)
df["signal"] = 0
df.loc[df["ma5"] > df["ma20"], "signal"] = 1
df.loc[df["ma5"] <= df["ma20"], "signal"] = -1

# 4) 用信号的位置变化模拟持仓（1 为持有）
df["position"] = df["signal"].diff().clip(lower=0).fillna(0)

# 5) 计算累计收益，对比"买入持有"
df["ret"] = df["close"].pct_change().fillna(0)
strategy_ret = (df["ret"] * df["signal"].shift(1).fillna(0)).cumsum()
print("策略累计收益:", round(strategy_ret.iloc[-1], 4))

# 6) 最大回撤
cum = (1 + df["ret"]).cumprod()
drawdown = (cum / cum.cummax() - 1).min()
print("最大回撤:", round(drawdown, 4))

易错点

  • 未来函数：用当天收盘价决定当天买入，现实中来不及，回测必须用前一天信号。
  • 手续费与滑点不设，回测虚高；A 股还有印花税与涨跌停限制。
  • 复权问题：未复权价格遇除权除息会跳空，须用前复权/后复权数据。
  • 免费数据源有频率限制或非官方接口，生产勿依赖，注意接口变动。
  • rolling 会引入前几个 NaN，计算信号前要处理掉。
  • 回测过拟合很常见，参数越调越美不代表能赚钱，务必样本外验证。
  • 量化是工程 + 金融交叉，别只看代码，先理解策略背后的市场逻辑。