AI量化交易指标源码解析：从零构建你的第一个策略模型

1次阅读

共计 1877 个字符，预计需要花费 5 分钟才能阅读完成。

量化交易指标的核心价值在于：通过数学建模捕捉市场 alpha 收益，利用历史数据优化风险收益比，以及实现交易决策的自动化执行。这三者构成了量化策略的根基，也是初学者需要重点理解的概念。

参数盲目套用 ：很多开源指标默认参数是基于特定市场环境优化，直接套用可能导致策略失效。例如移动平均窗口设为 20 日可能适合美股但不适应 A 股短线波动。
未来函数陷阱 ：部分指标计算会无意中引入未来数据（例如使用整段历史数据计算标准差），导致回测结果虚高。这是新手最容易踩的坑之一。
计算逻辑黑箱 ：直接调用 talib 等库函数时，如果不清楚内部计算方式，可能误用指标（例如混淆 SMA 与 EMA 的适用场景）。

以下代码演示了完整的双均线策略流程，包含关键注释和类型标注：

import pandas as pd
import numpy as np
from typing import Tuple

def load_and_preprocess(file_path: str) -> pd.DataFrame:
    """数据加载与标准化处理"""
    try:
        data = pd.read_csv(file_path, parse_dates=['date'], index_col='date')
        return data[['close']].dropna()
    except FileNotFoundError:
        print(f"文件 {file_path} 不存在")
        raise

def calculate_ma(data: pd.DataFrame, 
                short_win: int = 5, 
                long_win: int = 20) -> Tuple[pd.Series, pd.Series]:
    """双均线计算（避免使用 rolling.mean() 的未来数据陷阱）"""
    assert short_win < long_win, "短期窗口应小于长期窗口"

    # 严格按时间先后顺序计算
    ma_short = data['close'].expanding().apply(lambda x: x[-short_win:].mean() if len(x)>=short_win else np.nan)
    ma_long = data['close'].expanding().apply(lambda x: x[-long_win:].mean() if len(x)>=long_win else np.nan)

    return ma_short, ma_long

def generate_signals(ma_short: pd.Series, ma_long: pd.Series) -> pd.Series:
    """信号生成逻辑"""
    signals = pd.Series(0, index=ma_short.index)
    signals[ma_short > ma_long] = 1   # 金叉做多
    signals[ma_short < ma_long] = -1  # 死叉做空
    return signals

# 示例使用
if __name__ == "__main__":
    data = load_and_preprocess("stock_data.csv")
    ma5, ma20 = calculate_ma(data)
    signals = generate_signals(ma5, ma20)

通过测试 100,000 行数据发现：