量化交易入门：经典策略大盘点与Python实战

很多人一听到“量化交易”，脑子里浮现的可能是这样一幅画面：成排的服务器高速运转、K线图在屏幕上飞速跳动、交易员头也不抬地敲着键盘。但实际上，量化的核心并没有那么高深。简单来说，就是把你的交易思路写成代码，让计算机按照这个规则自动执行，从而克服人性的贪婪与恐惧，也让我们可以在历史数据上验证自己的策略到底靠不靠谱。使用量化交易完全遵循机械交易，避免主观交易。

本文作为量化交易系列的开篇，将为你系统梳理市面上最经典的量化交易策略类型，带你熟悉Tushare这个国内最实用的免费行情数据平台，最后通过一个完整的Python Demo，为你展示从数据获取到策略回测的全流程。

一、经典量化交易策略大盘点

量化策略五花八门，但归根结底，大多数策略都能归入以下几种经典类型。

1. 趋势跟踪策略

核心逻辑：顺势而为，捕捉价格的持续方向。 当市场形成明显趋势时，涨会继续涨，跌会继续跌，策略的任务就是识别趋势并跟随到底，不试图预测顶部或底部。

代表策略：

• 双均线策略：短期均线上穿长期均线（金叉）时买入，下穿（死叉）时卖出。逻辑简单直观，是量化的“Hello World”级策略。
• 海龟交易法则：价格突破20日高点时入场，跌破10日低点时止损退出，堪称趋势跟踪的经典范式。

适用场景： 单边牛市或熊市，爆发力强，收益可观。缺点： 在震荡行情中容易被“假突破”反复收割，造成频繁止损。

2. 均值回归策略

核心逻辑：涨多了会跌，跌多了会涨，价格终究围绕“均值”上下波动。 在震荡市场中，这是天然的赚钱利器——在高位卖出、在低位买入，赚的就是“反复震荡”的钱。

代表策略：

• 布林带策略：当价格触及或突破上轨时视为超买，考虑卖出；触及下轨时视为超卖，考虑买入。
• RSI超买超卖策略：RSI超过70视为超买，考虑卖出；低于30视为超卖，考虑买入。

适用场景： 区间震荡市场，胜率稳定。缺点： 一旦出现强趋势行情，逆势操作容易“接飞刀”，造成较大亏损。

3. 动量策略

核心逻辑：强者恒强，弱者恒弱。 近期表现强势的资产，这种强势惯性有望延续到未来；反之亦然。

代表策略：

• 时间序列动量：如果过去N天的累计涨幅为正，就买入；若为负，则做空或卖出。
• 横截面动量：在同一时间点，买入表现最好的几只股票，卖出表现最差的几只，构建多空组合。

适用场景： 趋势明显的市场，捕捉“牛股”时爆发力强。缺点： 动量反转发生时，回撤较大。

4. 套利策略

核心逻辑：利用资产间的价格差异获取“无风险”或低风险收益。 市场并非永远有效，不同资产之间的定价偏差会时不时出现，套利者的任务就是捕捉这些偏差并等待其收敛。

代表策略：

• 配对交易：选取两只高度相关的股票（如可口可乐与百事），当它们的价差偏离历史均值一定程度时，做多便宜的那只、做空贵的那只，等待价差回归后平仓获利。
• 期现套利：当股指期货价格与现货指数价格出现价差（基差）时，同时做多低的一方、做空高的一方。

适用场景： 市场中性，收益与大盘方向无关，回撤较小。缺点： 对数据和模型要求较高，协整关系可能因基本面变化而断裂。

5. 多因子选股策略

核心逻辑：从多个维度（因子）对股票进行综合评分，选出最优组合。 这是机构量化投资的主流范式，通过组合多个具有风险溢价来源的因子，实现稳健的长期收益。

常用因子：

• 价值因子：低PE、低PB的股票长期表现优于高估值股票。
• 动量因子：过去表现强势的股票有延续倾向。
• 质量因子：高ROE、低负债的公司质地更优。
• 低波动因子：低波动股票长期收益反而优于高波动股票。

适用场景： 中低频调仓（月频或季频），长期夏普比率稳定，资金容量大。缺点： 需防范因子拥挤与过拟合，对数据质量和投研能力要求较高。

6. 网格交易策略

核心逻辑：在预设的价格区间内设置多层买卖单，价格下跌一层就买一份，上涨一层就卖一份，通过反复的低买高卖累积收益。 这是一种特殊的均值回归实践，本质上赚的是价格波动带来的差价。

适用场景： 区间震荡市场。缺点： 单边行情中可能导致浮亏持续扩大，必须设置好网格间距和止损边界。

7. 事件驱动策略

核心逻辑：基于财报发布、政策变动、重大公告等事件对价格的影响进行交易。 如果财报超预期，买入并持有；若低于预期，则卖出或做空。

技术依赖： 常结合自然语言处理（NLP）技术对新闻和公告进行情感分析。适用场景： 财报季、政策窗口期。缺点： 对信息获取速度和事件解读能力要求较高。

---

以上就是主流的几类经典策略。单一策略均有其适应环境和失效周期，成熟的量化团队往往采用多策略融合的方式，在趋势市中靠趋势策略盈利，在震荡市中靠均值回归策略平滑收益，从而实现稳健增长。

对于个人量化初学者，建议从趋势跟踪（如双均线）或均值回归策略入手，用Python进行回测验证，避免一开始就涉足高频或套利等门槛较高的领域。

二、Tushare：打开A股数据之门的免费钥匙

有了策略思路，数据从哪里来？这是每个量化初学者面临的第一个实际问题。Tushare是目前国内最成熟、最实用的免费开源Python财经数据接口包。

Tushare的核心优势：

• 完全免费：基础版个人开发者完全免费，Pro版通过日常签到即可获得积分兑换数据权限。
• 数据覆盖面广：从日线/分钟级K线到财务报表，从宏观经济指标到行业分类数据，甚至包括北向资金流向和龙虎榜数据，Tushare都能一键获取。
• 安装即用：只需pip install tushare，注册获取API token后几行代码即可获取真实行情数据。

环境配置与数据获取示例

import tushare as ts
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 初始化Pro接口（请在tushare.pro官网注册获取token）
# 安全起见，建议使用环境变量，不要直接将token写在代码中
# ts.set_token('你的token')
pro = ts.pro_api()

# 获取贵州茅台（600519.SH）2023年全年日线数据
df = pro.daily(
    ts_code='600519.SH',
    start_date='20230101',
    end_date='20231231'
)

# 数据预处理：按交易日期排序，并转为时间索引
df = df.sort_values('trade_date')
df['trade_date'] = pd.to_datetime(df['trade_date'], format='%Y%m%d')
df.set_index('trade_date', inplace=True)

# 预览数据
print(df.head())
print(df.info())

代码说明：ts_code的格式必须是“代码.交易所”——6开头的股票加.SH（沪市），0和3开头的加.SZ（深市）。

其他免费数据源参考

除了Tushare，国内还有几个不错的免费备选：

• AkShare：免费开源，覆盖实时/历史行情，数据源来自新浪、东方财经等，无需注册即可使用。
• Baostock：专为A股设计，支持复权因子计算，无需注册。
• 智兔数服：每日200次免费调用，含实时行情与技术指标（MACD、RSI等）。

建议初学者以Tushare或AkShare作为起点，这两个库的文档最完善，社区最活跃。

三、实战Demo：双均线策略回测（以贵州茅台为例）

理论说完了，数据也能拿到了，接下来就用一个最经典的双均线策略来跑通整个量化回测流程。我们将以贵州茅台（600519.SH）2023年的日线数据为例，实现金叉买入、死叉卖出的完整回测，并评估收益表现。

第1步：获取数据并计算均线

# 获取贵州茅台2023年日线数据（沿用上面的df）
# 计算5日均线和20日均线
df['ma5'] = df['close'].rolling(window=5).mean()
df['ma20'] = df['close'].rolling(window=20).mean()

# 查看均线计算结果
print(df[['close', 'ma5', 'ma20']].tail(10))

第2步：生成交易信号

双均线策略的核心逻辑很简单：当ma5从下方上穿ma20时，产生买入信号（金叉）；当ma5从上方下穿ma20时，产生卖出信号（死叉）。

# 生成信号列：1表示金叉（买入），-1表示死叉（卖出），0表示无操作
df['signal'] = 0

# 金叉：前一天的ma5 <= ma20，今天的ma5 > ma20
df.loc[(df['ma5'].shift(1) <= df['ma20'].shift(1)) & (df['ma5'] > df['ma20']), 'signal'] = 1

# 死叉：前一天的ma5 >= ma20，今天的ma5 < ma20
df.loc[(df['ma5'].shift(1) >= df['ma20'].shift(1)) & (df['ma5'] < df['ma20']), 'signal'] = -1

# 统计信号数量
print(f"买入信号次数: {(df['signal'] == 1).sum()}")
print(f"卖出信号次数: {(df['signal'] == -1).sum()}")

# 可视化均线与信号点
plt.figure(figsize=(14, 7))
plt.plot(df.index, df['close'], label='收盘价', alpha=0.7)
plt.plot(df.index, df['ma5'], label='5日均线')
plt.plot(df.index, df['ma20'], label='20日均线')

# 标注金叉（买入）和死叉（卖出）
buy_signals = df[df['signal'] == 1]
sell_signals = df[df['signal'] == -1]
plt.scatter(buy_signals.index, buy_signals['close'], color='red', marker='^', s=100, label='金叉买入')
plt.scatter(sell_signals.index, sell_signals['close'], color='green', marker='v', s=100, label='死叉卖出')

plt.title('贵州茅台2023年股价走势与双均线交易信号')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

第3步：模拟交易并计算收益

有了信号之后，就可以模拟真实的买卖交易了。我们采用逐笔交易的模拟方式：每次金叉买入，每次死叉全部卖出，并计算每一笔交易的盈亏。为了更贴近真实场景，我们加入了千分之一的手续费/滑点成本（单边0.1%） 假设。

# 交易模拟
position = 0        # 当前持仓数量（股）
cash = 100000       # 初始资金（元）
cost_rate = 0.001   # 手续费+滑点费率（双边合计）
trade_log = []      # 记录每笔交易

for i in range(len(df)):
    price = df['close'].iloc[i]
    signal = df['signal'].iloc[i]
    
    # 金叉买入：满仓买入（全仓买入）
    if signal == 1 and position == 0:
        # 计算可买股数（确保是100的整数倍，A股交易单位）
        shares = int(cash / price / 100) * 100
        if shares > 0:
            cost = shares * price * (1 + cost_rate)
            cash -= cost
            position += shares
            trade_log.append({
                '日期': df.index[i],
                '操作': '买入',
                '价格': price,
                '股数': shares,
                '金额': cost,
                '剩余现金': cash
            })
    
    # 死叉卖出：清仓卖出
    elif signal == -1 and position > 0:
        revenue = position * price * (1 - cost_rate)
        cash += revenue
        trade_log.append({
            '日期': df.index[i],
            '操作': '卖出',
            '价格': price,
            '股数': position,
            '金额': revenue,
            '剩余现金': cash
        })
        position = 0

# 计算最终总资产（现金 + 持仓市值）
final_value = cash + position * df['close'].iloc[-1] * (1 - cost_rate)
total_return = (final_value - 100000) / 100000 * 100

# 计算买入持有策略的收益率，用于对比
buy_hold_return = (df['close'].iloc[-1] - df['close'].iloc[0]) / df['close'].iloc[0] * 100

print("========== 回测结果 ==========")
print(f"初始资金: 100,000 元")
print(f"期末总资产: {final_value:.2f} 元")
print(f"策略总收益率: {total_return:.2f}%")
print(f"买入持有收益率: {buy_hold_return:.2f}%")
print(f"\n交易记录（共{len(trade_log)}笔）:")
for trade in trade_log:
    print(f"  {trade['日期'].strftime('%Y-%m-%d')}: {trade['操作']} {trade['股数']}股 @ {trade['价格']:.2f}元")

第4步：扩展思路——加入止损机制

上面的Demo是一个最简版本的双均线回测框架。在实际量化实践中，策略往往会加入止损止盈等风控模块来增强鲁棒性。例如：

# 简化版止损逻辑示例
stop_loss_pct = 0.08      # 8%止损线
entry_price = 0           # 记录每笔买入成本

# 在原有的交易循环中增加止损判断
# 如果持仓浮亏超过8%且持仓天数超过3天，则强制平仓

感兴趣的朋友可以自行扩展，也可以在评论区交流讨论。

第5步：K线可视化（最终整体效果）

为了让策略效果更加直观，我们来绘制一张包含K线、均线和交易信号的完整图表：

import matplotlib.pyplot as plt
import mplfinance as mpf

# 准备K线数据
df_ohlc = df[['open', 'high', 'low', 'close', 'volume']].copy()

# 添加买入卖出信号附加图
apds = [
    mpf.make_addplot(df['ma5'], color='blue', width=0.8),
    mpf.make_addplot(df['ma20'], color='orange', width=0.8),
    mpf.make_addplot(buy_signals['close'], type='scatter', markersize=100, marker='^', color='red'),
    mpf.make_addplot(sell_signals['close'], type='scatter', markersize=100, marker='v', color='green')
]

# 绘制K线图
mpf.plot(
    df_ohlc,
    type='candle',
    style='charles',
    title='贵州茅台双均线策略回测',
    ylabel='价格（元）',
    addplot=apds,
    volume=True,
    figsize=(14, 8)
)

四、总结与系列预告

本文作为量化交易系列的开篇，系统梳理了七大类经典量化策略的核心逻辑与适用场景，介绍了Tushare这个国内最实用的免费行情数据平台，并通过一个完整的Python Demo，实现了从数据获取→均线计算→信号生成→交易模拟→回测评估的全流程回测框架。

通过这个案例，你应该已经看到：量化交易并不神秘，把交易思路写成代码，让计算机帮你回测、帮你执行，这就是量化的本质。

当然，双均线策略只是一个起点。一个完整的量化交易系统，还需要考虑更多因素：多品种分散、仓位管理、滑点模拟、策略组合等。在后续的系列文章中，我将针对每一种经典策略进行深度剖析和完整实战演示。

后续系列文章预告：

• 📈 趋势跟踪篇：双均线策略的优化与进阶（海龟交易法则、布林带突破）
• 🔄 均值回归篇：从RSI到布林带的震荡市交易实战
• 🎯 动量策略篇：A股市场的横截面动量与时间序列动量回测
• 🧩 多因子选股篇：从因子挖掘到组合构建的完整流程
• 🛠️ 回测框架篇：用Backtrader搭建专业级的回测系统

如果这篇文章对你有帮助，欢迎点赞 + 收藏 + 关注，后续系列内容将持续更新，一起学习讨论和进步！

友情提示：量化回测结果不代表未来实盘表现。市场环境会变化，任何策略都有失效周期，实盘交易前务必经过充分的模拟验证和风险评估。投资有风险，入市需谨慎。