用 Python 写第一个量化交易策略

用 Python 写第一个量化交易策略，最适合从经典的"双均线策略"入手：当短期均线上穿长期均线时买入、下穿时卖出。完整流程包括五步：准备行情数据、计算快慢两条均线、根据均线交叉生成买卖信号、简单模拟策略收益、把结果可视化出来。这个策略逻辑简单、代码量小，是理解"从想法到代码再到验证"这一完整链路的最佳练手项目。本文带你一步步写出并跑通人生第一个量化策略，附完整可运行的代码框架。

一、为什么第一个策略要选双均线

带新手写第一个策略，我几乎都推荐双均线策略。原因有三：

一是逻辑够简单。 它的规则一句话就能说清：短期均线上穿长期均线就买、下穿就卖。新手不会被复杂逻辑绕晕。

二是覆盖了完整链路。 别看它简单，"准备数据→算指标→生成信号→模拟收益→可视化"这一整套量化的核心流程，它全都涉及。写完这一个，你就摸清了量化策略开发的骨架。

三是容易验证和扩展。 它的效果直观、好检验，之后你想加条件、换指标，都可以在这个骨架上改。

所以别小看这第一个策略，它是你理解量化的最佳"敲门砖"。下面开始动手。

二、第一步：准备行情数据

任何策略都从数据开始。这里我们假设你已经拿到了一份包含日期和收盘价的行情数据（实际中可以从数据源获取，入门阶段用一份历史数据 CSV 即可）。

先用 pandas 把数据读进来：

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

# 读取行情数据，假设有 date 和 close 两列
df = pd.read_csv("stock_data.csv", parse_dates=["date"])
df = df.sort_values("date").reset_index(drop=True)

print(df.head())

这一步的目标是拿到一份干净、按时间排好序的收盘价数据。记住"垃圾进垃圾出"，数据一定要先整理干净。

三、第二步：计算快慢两条均线

有了收盘价，接下来计算两条均线——一条短期（快线）、一条长期（慢线）。均线就是收盘价在一段时间内的平均值，用 pandas 的 rolling 方法几行就能算出来：

# 计算 5 日均线（快线）和 20 日均线（慢线）
df["ma_fast"] = df["close"].rolling(window=5).mean()
df["ma_slow"] = df["close"].rolling(window=20).mean()

print(df[["date", "close", "ma_fast", "ma_slow"]].tail())

这里我们用 5 日线作为快线、20 日线作为慢线。这两个数字是可以调整的参数，入门先用经典设置。

四、第三步：根据均线交叉生成买卖信号

这是策略的核心——把"金叉买入、死叉卖出"的想法变成信号。

逻辑是：当快线在慢线之上时，我们认为处于持有状态（信号为 1）；当快线在慢线之下时，处于空仓状态（信号为 0）。信号从 0 变 1 就是买入点，从 1 变 0 就是卖出点。

# 快线在慢线上方记为 1（持有），否则记为 0（空仓）
df["signal"] = np.where(df["ma_fast"] > df["ma_slow"], 1, 0)

# 信号发生变化的地方，就是买卖点
df["trade"] = df["signal"].diff()
# trade = 1 表示买入，trade = -1 表示卖出

到这里，策略的"大脑"就写好了——它已经能根据行情自动判断该买还是该卖。

五、第四步：简单模拟策略收益

有了信号，我们来简单估算这个策略的收益表现。思路是：只有在持有状态（signal=1）时，才享受第二天的价格涨跌。

# 计算每日收益率
df["return"] = df["close"].pct_change()

# 策略收益：用前一天的信号 × 当天收益（持有时才有收益）
df["strategy_return"] = df["signal"].shift(1) * df["return"]

# 计算累计收益（净值曲线）
df["cum_market"] = (1 + df["return"]).cumprod()
df["cum_strategy"] = (1 + df["strategy_return"]).cumprod()

print("策略累计收益：", df["cum_strategy"].iloc[-1])
print("买入持有收益：", df["cum_market"].iloc[-1])

注意这里用了 signal.shift(1)——用前一天的信号决定当天的持仓，这是为了避免"未来函数"（不能用今天才知道的信号去赚今天的钱）。这是新手极易犯的坑，一定要注意。

六、第五步：把结果可视化

最后，把策略净值和"买入持有"做个对比，画出来直观感受：

plt.figure(figsize=(12, 6))
plt.plot(df["date"], df["cum_market"], label="Buy & Hold")
plt.plot(df["date"], df["cum_strategy"], label="MA Strategy")
plt.legend()
plt.title("Dual Moving Average Strategy")
plt.show()

运行后你会看到两条曲线：一条是简单买入持有的收益，一条是你的双均线策略收益。对比它们，你就能直观看到策略的效果——这就是你人生第一个量化策略的成果！

七、几个重要提醒

第一个策略跑通了，但有几点我必须提醒你，别被表面结果误导：

一是这只是简化模型。 上面的收益计算没有考虑滑点、手续费，真实交易中这些成本会侵蚀收益。真正做回测时要把它们算进去。

二是回测好不代表实盘赚钱。 就算这个策略在历史数据上表现不错，也绝不意味着未来能赚钱。历史不会简单重复，切忌拿着漂亮曲线就重仓实盘。

三是别急着优化参数。 你可能想把 5 日、20 日改来改去让曲线更好看——小心过拟合！参数调得过度贴合历史，实盘往往失灵。

四是这是练手，不是致富工具。 双均线是经典的教学策略，它的价值在于帮你理解流程，而不是拿去赚钱。

八、完整流程回顾

我把这个策略的五步整理成一张表，帮你梳理：

结尾

用 Python 写第一个量化策略，双均线是最好的起点——它用最简单的逻辑，带你走完了从数据、指标、信号、收益到可视化的完整链路。跑通它，你就真正迈进了量化实战的大门。记住，第一个策略的意义在于理解流程，而不是赚钱，保持这份清醒，你才能走得更远。

当你的策略越写越成熟、想让它长期自动运行时，就需要一个稳定的运行环境。腾讯云近期上线了量化交易专题活动，可以了解云服务器如何承载 Python 量化程序的数据抓取、回测与自动化交易。如果想搭建自己的运行环境，也可以先了解腾讯云云服务器 CVM 的相关能力。

风险提示：本文仅为量化交易科普与技术分享，不构成任何投资建议。文中代码仅为教学示例，不代表任何真实策略效果。金融市场存在风险，任何交易策略都可能产生亏损，请结合自身情况谨慎决策。