4天掌握Python量化交易：从零搭建自动化交易策略实战指南

1次阅读

共计 1887 个字符，预计需要花费 5 分钟才能阅读完成。

近年来，随着金融科技的发展，量化交易逐渐成为市场主流。传统人工交易受限于情绪波动和反应速度，而量化交易通过数学模型和计算机程序自动执行交易决策，能够更客观、高效地捕捉市场机会。Python 凭借其丰富的金融分析库（如 Pandas、NumPy）、简洁的语法和强大的社区支持，成为量化交易领域的首选语言。

安装 Python 3.8+ 版本
使用 pip 安装必要库：pip install pandas numpy tushare backtrader

import tushare as ts

# 设置 Tushare token（需官网注册获取）ts.set_token('your_token')
pro = ts.pro_api()

# 获取日线数据
df = pro.daily(ts_code='600519.SH', start_date='20230101', end_date='20231231')

# 数据清洗：处理缺失值
df = df.dropna()
print(df.head())

注意事项：
– Tushare 免费版有调用频率限制
– 生产环境建议使用付费 API 或搭建本地数据仓库

import pandas as pd

# 转换为 Pandas DataFrame 并设置索引
df = pd.DataFrame(df)
df['trade_date'] = pd.to_datetime(df['trade_date'])
df.set_index('trade_date', inplace=True)

# 计算 5 日和 20 日均线
df['ma5'] = df['close'].rolling(window=5).mean()
df['ma20'] = df['close'].rolling(window=20).mean()

# 添加成交量指标
df['vol_ma10'] = df['vol'].rolling(window=10).mean()

import backtrader as bt

class SmaCross(bt.Strategy):
    params = (('fast', 5), ('slow', 20))

    def __init__(self):
        sma_fast = bt.ind.SMA(period=self.p.fast)
        sma_slow = bt.ind.SMA(period=self.p.slow)
        self.crossover = bt.ind.CrossOver(sma_fast, sma_slow)

    def next(self):
        if not self.position:
            if self.crossover > 0:  # 金叉买入
                self.buy()
        elif self.crossover < 0:  # 死叉卖出
            self.close()

# 创建回测引擎
cerebro = bt.Cerebro()
data = bt.feeds.PandasData(dataname=df)
cerebro.adddata(data)
cerebro.addstrategy(SmaCross)

# 设置初始资金和手续费
cerebro.broker.setcash(100000.0)
cerebro.broker.setcommission(commission=0.001)

# 运行回测
print('初始资金: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('最终资金: %.2f' % cerebro.broker.getvalue())