先说结论在A股做量化最怕的不是模型跑不好而是把“术”当成“道”把“器”当成全部。很多人一上来就研究各种策略代码翻找网上的“量化交易之路”PDF资源恨不得把因子库全部背下来结果回测曲线漂亮得像教科书实盘一跑就翻车。问题出在哪答案往往不在策略本身而在你对这个市场的底层认知。“道法术器势”这套框架原本是道家思想里用来分析复杂系统的认知模型放到量化交易场景中我的理解是道是市场运行的底层规律和你的认知立场法是整套策略体系与风控框架术是具体到每个信号、每个仓位的执行技巧器是数据、代码、接口、平台这些工具势是市场情绪的周期与环境的顺逆。五者缺一不可但权重完全不同。这篇文章我会把这五个维度一一拆开结合A股特有的交易规则和市场结构把实战中踩过的坑和验证过的思路摊开讲。不管你是刚写完第一行 pandas 的新手还是已经在跑实盘的半熟手应该都能从中找到一些能直接拿去用的东西。1. 道量化交易的底层认知1.1 量化交易到底在赚什么钱很多人对量化交易的第一反应是“用程序自动炒股”这个理解没错但太浅。量化交易本质上是把投资决策过程数字化、系统化用统计学和数学模型去捕捉市场中的非随机规律赚的是三种钱错误定价的钱、趋势惯性的钱、风险溢价的补偿。A股市场有一个特色散户占比高情绪驱动明显这导致价格短期内经常偏离合理区间。同时A股又是一个强政策市行业轮动、主题炒作非常频繁这种环境对量化策略来说其实是“肥沃土壤”——波动大、错误定价多、趋势延续性强只要你有一套能稳定捕捉统计规律的系统机会并不少。但这里有个关键点必须想清楚量化交易不是印钞机它是在“概率优势”的基础上做大量重复决策。单笔交易可能亏但长期下来只要期望为正加上合理的风控整体收益就会趋于正。这个认知就是“道”的第一层你相信的是什么决定了你怎么设计策略和面对亏损。1.2 A股的特殊规则如何影响“道”A股和其他市场最大的区别不只是涨跌停板、T1交易更是一整套微观结构。这些规则直接影响策略的设计边界如果你不了解底层规则回测里看起来再好的策略实盘也是纸上谈兵。T1制度当天买入的股票当天不能卖出这意味着日内高频策略在现货端的实现成本极高很多短线玩法天然受限。涨跌停限制主板10%、创业板和科创板20%ST股5%涨跌停时流动性枯竭回测中很容易高估收益因为你的单子根本未必能成交。交易成本佣金、印花税卖出时收取、过户费叠加冲击成本实际交易成本远高于很多人的预期。日内频繁交易的话成本会迅速吃掉利润。停牌机制A股停牌频率高于成熟市场长期停牌和重大资产重组都可能导致你的持仓无法按计划退出。这些规则表面上限制了很多策略但也保护了一套市场生态。比如涨跌停制度客观上强化了趋势的“惯性扭曲”很多涨停板接力的策略能赚钱靠的正是这个制度下的情绪放大效应。把规则吃透你才能知道哪些钱能赚、哪些钱不该碰这是“道”的第二层含义尊重规则顺应市场结构而不是对抗它。1.3 概率思维与风控信仰做量化最致命的心态是把盈亏看成一时的对错。实盘里连续亏损十次太正常了如果每次亏损都动摇你对系统的信任那系统就废了。我的习惯是每笔交易下单前就告诉自己这笔交易我只有55%的胜率亏了不代表策略错赚了也不代表我神机妙算。风控是“道”的最底线。仓位控制、最大回撤预警、单票集中度限制、行业暴露约束这些规则必须前置设定而不是盘中拍脑袋。哪怕策略再好一次尾部风险就可能让你退出市场所以“活下去”永远比“赚得多”优先。我个人把风控的优先级提到策略逻辑之前先想好最坏情况亏多少我能接受再谈收益目标。2. 法策略体系与回测框架2.1 适合A股的策略类型选择“法”是你在哪个框架下构建策略。A股市场没有万能的策略但有几大类经过了长期验证适合不同行情和环境。策略类型核心逻辑适用环境A股适配度主要风险趋势跟踪价格突破/均线发散后顺势持有趋势明显的牛市或题材周期高但需过滤震荡市震荡市场反复止损均值回归价格偏离均值后反向交易震荡市、行业轮动较高注意涨跌停陷阱趋势延续时持续亏损因子选股多因子打分选一篮子股票中低频全市场扫描高机构主流玩法因子失效与拥挤事件驱动公告、财报、舆情催化特定事件窗口中等需快数据处理内幕化竞争与监管风险统计套利相关性组合的价差回归期货/ETF配对中等股票做空受限基差不回归、流动性不足高频做市买卖价差与订单流流动性好的标的极低散户基本没戏技术门槛、硬件成本、监管对个人量化交易者来说我最推荐的是趋势跟踪 因子选股的组合。趋势跟踪逻辑简单透明不容易过拟合因子选股容量大能分散个股风险。均值回归策略在A股也能赚钱但需要很强的纪律性因为“便宜”并不意味着马上反弹。2.2 回测框架怎么搭才靠谱回测是“法”的验证工具但回测框架的坑比策略本身还多。我的建议是不要一开始就去追求复杂的专业回测平台先用 Python pandas 自己写一套简单的向量化回测把每一步逻辑都吃透再去引入 backtrader 或自研事件驱动框架。核心原则有这几点必须处理复权数据A股分红、送股频繁不复权的价格序列会制造虚假收益。用前复权数据回测用不复权数据计算实际交易价格。交易成本必须显式建模我的回测参数是佣金万2.5单边、卖出印花税千12024年政策后为千0.5按实际执行、滑点按成交价的千1到千2估计。别在回测里设零成本那是自欺欺人。必须考虑涨停无法买入、跌停无法卖出信号触发当天如果一字板你根本成交不了。至少要做一步“如果开盘价触及涨跌停则跳过持仓”的过滤。不能只看总收益夏普比率、最大回撤、卡玛比率、胜率、盈亏比、换手率、资金曲线这些指标全都要看。一个年化50%但最大回撤40%的策略实盘心态早就崩了。2.3 从策略想法到回测的正向流程我习惯的流程是先写策略逻辑文档明确买入条件、卖出条件、仓位规则、止损规则再去写代码。这个看似“浪费时间”的步骤非常重要因为它逼你把模糊想法变成可执行指令。比如“大盘走势好的时候才买入”这种模糊话术你就要定义清楚什么是“好”是20日均线在60日均线上方还是沪深300的动量为正每一条都必须量化。写回测代码的时候我建议先写一个最简单的版本哪怕只处理单标的、单参数的均线策略跑通整个链路数据获取、信号生成、逐日持仓计算、收益统计。跑通之后再逐步加入多标的、仓位管理、手续费模型、滑点模型。这样定位问题会非常快。3. 术信号、仓位与执行细节3.1 一个能直接跑的A股双均线策略示例“术”的部分我用一个最经典的双均线策略来拆解它简单但完整包含了数据下载、信号生成、回测计算和绩效统计的完整链路。用到的库是 akshare、pandas、numpy这些都是免费且对A股友好的工具。import akshare as ak import pandas as pd import numpy as np # 1. 获取平安银行历史数据前复权 symbol 000001 df ak.stock_zh_a_hist(symbolsymbol, perioddaily, start_date20200101, end_date20241231, adjustqfq) df.rename(columns{日期: date, 收盘: close, 开盘: open, 最高: high, 最低: low, 成交量: volume}, inplaceTrue) df df[[date, open, close, high, low, volume]].copy() df[date] pd.to_datetime(df[date]) df.set_index(date, inplaceTrue) # 2. 计算均线与信号 df[ma_short] df[close].rolling(10).mean() df[ma_long] df[close].rolling(60).mean() df[signal] np.where(df[ma_short] df[ma_long], 1, 0) df[position] df[signal].diff().fillna(0) # 记录交易方向1表示买入-1表示卖出 # 3. 模拟持仓与收益做简化处理信号次日开盘执行 df[signal_shift] df[signal].shift(1)#96; df[position_hold] df[signal_shift].fillna(0) df[market_return] df[close].pct_change() df[strategy_return] df[position_hold] * df[market_return] # 4. 考虑简单交易成本单边万2.5佣金 卖出千0.5印花税 滑点千1 trade_mask df[position] ! 0 cost 0.00025 0.0005 0.001 # 买入佣金卖出税滑点综合估算 df.loc[trade_mask, strategy_return] - cost # 5. 绩效统计 df[strategy_cum] (1 df[strategy_return].fillna(0)).cumprod() df[market_cum] (1 df[market_return].fillna(0)).cumprod() annual_days 244 total_return df[strategy_cum].iloc[-1] - 1 annual_return (df[strategy_cum].iloc[-1]) ** (annual_days / len(df)) - 1 daily_std df[strategy_return].std() * np.sqrt(annual_days) sharpe annual_return / daily_std if daily_std ! 0 else 0 max_drawdown (df[strategy_cum] / df[strategy_cum].cummax() - 1).min() print(f累计收益: {total_return:.2%}) print(f年化收益: {annual_return:.2%}) print(f夏普比率: {sharpe:.2f}) print(f最大回撤: {max_drawdown:.2%}) print(f交易次数: {int((trade_mask).sum())})这段代码很简单但已经包含了几个关键细节。第一是信号延迟一拍当天收盘的均线信号要在次日开盘才执行避免未来函数。第二是交易成本显式扣除这是很多人回测虚高的根源。第三是用前复权价格避开除权除息造成的价格跳空。3.2 仓位管理决定生死的那一步仓位管理是“术”里最核心的部分却最容易被新手忽视。很多人写策略时把全部注意力放在买卖信号上仓位上永远“满仓干”回测里收益率确实高但一次回撤就能把心态打崩。我常用的仓位框架有几种。固定金额仓位最简单每笔交易投入总资金的固定比例比如5%或10%适合多标的分散。波动率目标仓位更精细先设定组合目标年化波动率比如15%然后根据标的近期波动率反推仓位。凯利仓位理论上最优但A股的胜率和盈亏比估计误差太大我建议用“半凯利”甚至“四分之一凯利”避免过激。具体到上面的双均线策略如果资金100万单票仓位我一般不会超过20%也就是20万。这样即使连续止损三五次总回撤也控制在可承受范围内。记住仓位管理的目标是让你在任何一次极端行情中都不会被迫出局。3.3 A股执行层面的特殊细节实盘执行和回测之间的偏差是策略失效的最常见原因。A股有几个细节必须特别注意。集合竞价阶段的处理很关键。9:15到9:25的集合竞价决定了开盘价如果你的策略信号在昨天收盘后生成准备今天开盘买入那你的委托价最好参考集合竞价的揭示价格而不是昨天的收盘价。很多新手直接按昨收加几个百分点挂单结果开盘高开太多直接买在最高点。盘中滑点控制也有讲究。对于流动性好的大盘股用限价单在买卖盘口附近挂单一般能把滑点控制在千1以内。对小盘股和题材股流动性薄冲击成本高要么降低单笔规模要么把执行拆成几笔分时段完成。不要在涨停板附近追单买了大概率第二天低开被套。另外A股有“指数熔断”机制沪深300指数涨跌超7%时暂停交易虽然实际触发很少但在极端行情下你的止损单可能直接失效所以策略里必须预设“极端行情下人工接管”的预案比如盘中监控指数跌速超过阈值直接降仓位或清仓。4. 器数据、Python生态与A股实战工具4.1 数据源怎么选做量化数据是地基。数据错了、脏了、频率不够后面全白搭。A股个人量化能用的数据源我整理了一个对比表都是我自己实际用过的。数据源免费/付费数据覆盖接口方式稳定性适用场景akshare免费股票、基金、期货、宏观Python库抓取公开数据中等接口偶尔变动学习回测、研究验证tushare pro部分免费/积分制股票、财务、资金流Python API token较好因子研究、中低频策略baostock免费A股日线/分钟线、复权Python库较稳但字段较少入门回测、均线类策略聚宽/米筐付费/免费试用标准行情因子库在线平台/本地SDK好策略研究、快速验证Wind/同花顺iFinD付费较贵全市场另类数据API/终端最好专业机构、高频研究我个人的建议是新手先用 akshare 免费数据跑通全流程成本为零、上手最快。中期若做因子分析可以考虑 tushare pro它的财务数据、资金流向数据比 akshare 规整。如果你有稳定策略准备实盘再考虑付费数据因为实盘中行情延迟和断线是致命的。4.2 Python量化生态的核心库Python能成为量化的主流语言靠的是整个生态。最核心的几个库pandas数据处理的主力DataFrame几乎成了量化的通用语言。时间序列重采样、滚动计算、合并拼接全依赖它。numpy底层数值计算数组运算速度远超Python原生循环。matplotlib / plotly画净值曲线、回撤曲线、信号分布可视化是发现问题的第一手段。statsmodels / scipy回归分析、统计检验因子有效性检验要用。backtrader事件驱动回测框架支持多标的、复杂订单类型适合策略逻辑比较复杂的情况。sklearn / lightgbm机器学习选股、因子非线性组合会用。有一个经验分享不要为了用框架而用框架。如果策略逻辑就是几十行pandas能搞定的事硬套backtrader反而增加维护成本。架构设计遵循“够用就好”原则等策略真正复杂到向量化回测搞不定时再迁移到事件驱动框架。4.3 实盘交易接口的选择回测再好也要过实盘这一关。A股个人量化实盘的路径现在主流是两种。一种是券商QMT迅投很多券商免费提供给资金量达标一般是50万以上的客户。QMT提供Python接口可以直接下单、撤单、查持仓也支持miniQMT模式策略跑在自己的VPS或本地机器上通过接口连接券商交易通道。这是目前个人做A股股票量化的主流选择灵活性高、延迟低。另一种是恒生PTrade界面化操作更强策略可以在平台上直接运行适合不想折腾本地环境的用户。但PTrade的Python环境相对封闭可用的第三方库有限策略复杂度受约束。无论用哪个实盘前都要做模拟盘验证。我自己习惯先跑至少两个月的模拟盘跟回测结果对比重点看滑点是否符合预期、信号执行是否准确、平台接口是否稳定。模拟盘能过滤掉一大批“回测赚钱、实盘亏钱”的策略。4.4 数据清洗与预处理心得数据这关绕不过去。我见过太多人在回测里用“完美数据”操作实盘突然发现停牌日、无交易量日、异常跳空都没处理。数据清洗我有一套固化的流程先检查缺失值A股交易日历要剔除节假日和周末再检查异常值比如价格为0、涨跌幅超过20%主板、创业板、科创板阈值不同最后做复权处理前复权是回测的标准选择但要注意前复权价格可能是负值或极小值不能直接用于计算实际成交金额。另外财报数据天然存在“时点偏差”。公司年报发布日期远晚于报告期截止日如果你直接用最新的财报因子去回测历史就用了“当时不可能知道的数据”这就是前视偏差。我处理财务因子时会设置一个披露滞后时间一般用报告期截止日加1-3个月作为数据可用日期宁可少赚一点信息优势也不能让回测失真。5. 势市场周期与状态适配5.1 如何感知A股的“势”“势”在量化里对应的概念就是市场状态Regime。A股牛熊周期明显从2015年的杠杆牛到2018年的单边熊再到2019-2021年的结构牛、2022-2023年的震荡调整不同状态下同一个策略的表现差异巨大。趋势策略在牛市中封神在震荡市中会被反复打脸均值回归策略在震荡市中舒服一旦趋势启动就持续接飞刀。那怎么量化“势”我常用的指标组合有这几个指数均线排列比如沪深300的20日和60日均线是否多头发散、市场宽度全市场站上20日均线的个股占比、成交量能两市成交额相对近20日均值的变化、波动率中证500或沪深300的历史波动率水平。不需要太复杂我自己的经验是一个简单的打分系统均线多头加1分宽度大于60%加1分成交额放量加1分波动率温和加1分。总分4分表示强势环境3分偏强2分中性1分及以下就是防守环境。策略只在总分大于等于3的时候启用趋势类信号其他时候降低仓位或者直接空仓等待。5.2 顺势与逆势的平衡“顺势而为”这句话谁都懂但在量化策略里“势”需要被精确定义。我见过有人把“顺势”做成纯粹的追涨突破20日新高就买入结果回测收益率不错实盘却经常买在山顶。原因很简单突破策略天然胜率低靠的是盈亏比取胜但A股的假突破非常多尤其是震荡市的诱多/诱空。我的做法是把多周期共振和止损纪律结合起来。单个周期出信号可能只是噪声日线趋势向上、周线趋势向上、加上成交量配合才是相对高概率的“势”。同时每笔交易必须设定明确的止损位一般用ATR平均真实波幅来动态设定比如跌破入场价减去2倍ATR就无条件离场。做到“顺大势、逆小势”小级别回调时找入场点而不是在情绪最高潮时追入。5.3 市场状态切换时的策略应对再好的策略也有失效期关键是提前感知并切换。我有两个比较实用的方法。第一个是月度绩效监控。每月底统计当前策略的最近3个月收益、回撤、与基准的超额收益。如果连续3个月跑输沪深300且最大回撤超过策略历史平均回撤的1.5倍就强制进入“策略审查模式”暂停实盘新开仓重新跑历史数据排查原因。第二个是组合策略对冲。不要把所有资金押在一个策略上我会把资金分成几份分别跑趋势策略、低估值因子策略、以及债券ETF的防守配置。市场状态不明确时防守仓位比例自动提高。比如我的简单规则是市场宽度低于40%时股票型策略仓位从70%降到30%多余资金放入货币ETF或国债ETF。6. 实战避坑我踩过的那些坑6.1 过度优化是最大的坑回测参数调优这件事十个量化新手九个栽在这上面。把均线周期从20日调到15日回测年化从20%变成35%你以为找到了圣杯其实只是拟合了这一段时间的噪声。A股的历史行情长度有限尤其是2015年之后才有的常态化融券、注册制、以及2019年后的创业板改革很多“策略优点”是特定制度环境下的产物。我的经验是参数敏感性分析。核心参数在合理范围内变化时策略收益和回撤不能剧烈波动。比如双均线策略短周期在5到20日、长周期在40到120日范围内扫一扫看收益分布是否均匀。如果只有某个特定参数组合赚钱其他参数都亏钱那就说明策略本身没有稳健性直接放弃。6.2 未来函数和数据穿越这是我见过最隐蔽的问题。信号生成用了当天的收盘价但假设你能在当天开盘就交易或者用了未来某段时间才披露的财务数据再或者统计进出场时用了整段行情的最优参数。这些都属于未来函数。一个自查技巧信号必须打一拍。策略所有的买入卖出指令应在信号生成的下一根K线执行。代码里用shift(1)是最简单的实现但复杂策略中数据合并时的索引错位也会产生隐蔽的未来函数需要逐字段校对。6.3 幸存者偏差和实盘偏差回测时用现在的股票池回溯到过去等于把退市股票全部剔除了这直接高估了策略收益。A股退市制度常态化后这个问题会更加突出。我处理的方式是回测用历史全部股票包括已经退市的尽量用包含退市标记的数据源或者至少在你的交易限制里加上“排除ST和上市不满60个交易日的次新股”减少异常值干扰。还有一类偏差叫“实盘执行偏差”包括延迟、漏单、价格滑点超预期。我的应对是模拟盘至少跑两个月以上记录每秒的开仓价、平仓价和回测预期的差异如果平均滑点超过回测假设的2倍就要么优化执行方式要么把成本模型上调。6.4 常见问题速查表问题现象排查思路回测收益极高但实盘亏损成本未充分计入或存在未来函数检查滑点、手续费参数自查信号是否延迟同一策略不同时间段结果差异巨大市场状态切换或参数过拟合做参数敏感性分析分段回测引入市场状态过滤收益率曲线前段陡峭后段平坦策略失效或市场规则变化对比各阶段市场环境考虑加入状态过滤器数据中断或错位实盘信号时好时坏检查数据源稳定性建立数据校验和自动补数机制单票持仓占比重导致波动巨大风控规则缺失设定单票最大仓位和行业暴露阈值因子有效但容量很小资金规模超过策略容量评估换手率和市场深度限制单笔成交量占比6.5 写在最后的实盘习惯说实话做了这些年量化我自己最大的体会是量化交易真正难的不是策略而是纪律与习惯。每天收盘后花半小时记录交易日志每周回顾一次策略表现每月做一次全面复盘。日志里除了盈亏数字还要记录当时的市场环境、信号执行情况、有没有违反纪律的地方。时间长了你会对自己的策略产生一种“手感”这种手感不是玄学而是对市场和自身执行特点的深刻了解。最后分享一个小技巧别把所有策略参数写死把关键的参数放在配置文件里每次调参都记录下来。这样当策略表现异常时你可以快速回溯是市场变了还是参数出了问题。这套习惯帮我避免了很多次“拍脑袋式”的改动也是我建议你从第一个策略开始就养成的动作。工具和代码只是“器”真正决定你能走多远的是你对市场本质的理解、对风险的敬畏、对纪律的执行——这大概就是量化交易的“道”了吧。
