Skill股票投资入门：从零开始掌握量化交易基础

7次阅读

没有评论

共计 2335 个字符，预计需要花费 6 分钟才能阅读完成。

量化交易通过数学模型和计算机程序来执行交易决策，相比传统人工交易，它具有以下优势：

客观性 ：完全基于数据和规则，避免了情绪干扰
效率性 ：可以快速处理海量数据，实时监控市场
可回溯性 ：策略表现可以通过历史数据验证

在 skill 股票市场中，量化交易尤其适合，因为这个市场具有：

较高的波动性，提供更多交易机会
相对透明的数据获取渠道
活跃的开发者社区支持

要开始量化交易，你需要掌握以下核心工具：

Jupyter Notebook：交互式的开发环境，非常适合策略开发和数据分析
Pandas：数据处理的瑞士军刀，支持时间序列操作
NumPy：高效的数值计算库
Matplotlib/Seaborn：数据可视化工具
Backtrader/Zipline：专业的回测框架

我们使用 AKShare 获取 skill 股票数据：

import akshare as ak

def get_stock_data(stock_code, start_date, end_date):
    """
    获取 skill 股票历史数据
    :param stock_code: 股票代码
    :param start_date: 开始日期，格式 'YYYY-MM-DD'
    :param end_date: 结束日期
    :return: DataFrame 格式的股票数据
    """df = ak.stock_zh_a_hist(symbol=stock_code, period="daily", start_date=start_date, end_date=end_date)
    df['date'] = pd.to_datetime(df['日期'])
    df.set_index('date', inplace=True)
    df = df[['开盘', '最高', '最低', '收盘', '成交量']]
    df.columns = ['open', 'high', 'low', 'close', 'volume']
    return df

计算 5 日和 20 日均线：

def calculate_ma(df, short_window=5, long_window=20):
    """
    计算双均线
    :param df: 包含收盘价的数据框
    :param short_window: 短期均线窗口
    :param long_window: 长期均线窗口
    :return: 添加了均线列的数据框
    """df['ma_short'] = df['close'].rolling(window=short_window).mean()
    df['ma_long'] = df['close'].rolling(window=long_window).mean()
    return df

生成交易信号：

def generate_signals(df):
    """
    生成交易信号
    1 表示买入，-1 表示卖出，0 表示持有
    """df['signal'] = 0
    df['signal'][short_window:] = np.where(df['ma_short'][short_window:] > df['ma_long'][short_window:], 1, 0
    )
    df['positions'] = df['signal'].diff()
    return df

简单回测实现：

def backtest(df, initial_capital=100000):
    """简单回测函数"""
    # 计算持仓
    df['holdings'] = df['positions'].cumsum() * df['close']

    # 计算现金
    df['cash'] = initial_capital - (df['positions'] * df['close']).cumsum()

    # 计算总资产
    df['total'] = df['cash'] + df['holdings']

    # 计算收益率
    df['returns'] = df['total'].pct_change()

    return df

未来函数是指策略中使用了未来才能知道的信息。例如，如果在 t 时刻使用了 t + 1 时刻的价格来计算信号，就是典型的未来函数。避免方法：

确保所有计算都只使用历史数据
在回测中使用 point-in-time 数据

过拟合是指策略在历史数据上表现很好，但在实盘中失效。防范措施：

使用足够长的历史数据测试 (至少 3 - 5 年)
进行样本外测试
避免过多参数优化

实际交易中需要考虑：

手续费
滑点
冲击成本

建议在回测中加入这些因素：

def add_trading_cost(df, commission=0.0005, slippage=0.001):
    """添加交易成本"""
    trade_volume = abs(df['positions'].diff() * df['close'])
    df['total'] -= trade_volume * (commission + slippage)
    return df