简介面向量化交易学习者与金融科技开发者的完整策略源码聚焦股票日线行情从数据获取到策略评估、仓位优化的端到端流程。项目通过Tushare接口自动采集日线数据并落库再对原始行情完成清洗整合形成统一训练集在建模环节采用SVM分类器对个股走势进行训练与预测模型评估部分引入回测与推进式验证输出准确率、召回率与F1分数仓位管理则基于马科维茨投资组合理论生成配置建议各环节以独立脚本模块衔接结构清晰且便于按需替换算法。压缩包共18个文件以10个Python脚本、7个SQL表结构和1个Markdown说明文档组成SQL脚本覆盖行情、股票池、资金账户及评估结果等关键表说明文档有助于快速理解项目脉络整体大小仅56KB。目前已有3554人学习使用适合作为量化交易入门实践、课程设计或策略二次开发的参考基础。 做量化这几年被问得最多的一句话就是有没有现成的量化策略源码说实话市面上流传的“源码”我见过太多有的只是在某平台抄了段指标公式有的是网上拼出来的半成品Python文件真正能直接跑通、看得懂、改得动的少之又少。量化策略源码从来不是一大坨代码那么简单它背后是一整套决策流程数据怎么来、信号怎么算、仓位怎么定、亏了怎么止损。把这一整条链路写清楚、跑得通才算一套能用的策略源码。这篇文章不卖黑盒不承诺躺赚我以一套最典型的双均线加成交量过滤策略为例完整拆解量策略源码的模块设计、核心实现、回测参数和那些防不胜防的坑。已经上手的朋友可以直接拿这套框架换因子、换标的新手照着做也能沉淀出自己的第一版策略雏形。1. 动手写策略前先把源码拆成四层1.1 策略源码不是指标公式而是一个小系统我最早入行时也以为量化策略源码就是一段算买卖点的公式后来踩了大半年坑才明白单纯算出一个买入点离实操还差得远。很多平台里分享的量能饱和度、量比、分时主力追踪、三步点金这类指标公式源码本质上是信号层的某个因子它们可以作为策略的一个组件但并不是完整策略。经常有朋友拿着某平台的量能饱和度指标源码来问我这个能直接实盘吗我说你把这段公式接到数据层和回测层里再看资金曲线才算真正开始。指标公式回答的是“什么时候有信号”策略源码需要回答的却是另外三个问题用什么数据判断信号信号出来后买多少买进去之后错了怎么办这四个问题合在一起才是一个完整的小系统任何一环缺失策略在实盘里都会漏水。1.2 四层结构数据层、信号层、仓位层、执行层我习惯把一套策略源码拆成四层每一层各管一段互不干扰。第一层是数据层负责行情数据的获取、清洗、复权对齐这一层烂了后面全白算。第二层是信号层核心因子计算都在这均线、量能、动量、价差、盘口数据都可以映射成这个模块里的一个函数。第三层是仓位层根据信号强弱、账户风险偏好决定买多少、止损位在哪里、回撤到多少停手。第四层是执行层把信号落成订单同时要考虑价格冲击、手续费、滑点。之所以强调这样拆分是因为每一层都能单独测试。很多人写的策略源码只有一个信号计算文件回测结果和实盘表现差很远问题往往不在信号本身而是执行层和成本假设做得太粗。分层之后你可以先单独验证数据层有没有脏数据再单独看信号层触发频率是否合理最后再让仓位层限制住风险排查效率会高非常多。2. 双均线加量能过滤信号源码一步步写明白2.1 数据加载解决复权、字段对齐和数据源双均线是最容易理解、最适合当骨架的趋势策略挂上量能过滤后就能把“放量突破”这种资金行为翻译成代码。我从数据加载开始写这一步最容易被新手跳过但它恰恰决定策略后续能不能稳定运行。实际项目里我习惯把行情落成本地CSV字段至少包含date、open、close、high、low、volume再加一列前复权价格。前复权很关键因为股票分红送转会造成价格断崖如果不处理均线会在除权当天产生假的金叉死叉信号失真。下面这段代码是数据层的最小实现import pandas as pd import numpy as np def load_daily_data(code, start_date, end_date): # 本地数据至少包含 date/open/close/high/low/volume/adj_close df pd.read_csv(f{code}.csv, parse_dates[date]) df df[(df[date] start_date) (df[date] end_date)] df df.sort_values(date).reset_index(dropTrue) # 用前复权价格替换收盘价避免除权除息导致价格跳变 df[close] df[adj_close] return df很多免费数据源会直接给你复权因子也可以自己用因子计算前复权价。核心原则只有一条进入策略逻辑的价格序列必须是一根连续、没有断层的曲线。字段对齐也容易踩坑比如不同数据源一个用字符串日期一个用时间戳直接合并就会错位我习惯统一转成datetime格式后按日期排序。2.2 信号计算金叉、死叉加量能过滤信号层我选取了最简单的组合MA5上穿MA20时关注买入同时要求当日成交量放大到20日均量的1.2倍以上才真正触发买入MA5下穿MA20时无条件清仓。这背后其实是两个因子叠加——趋势因子负责方向量能因子负责确认。这里为什么要加量能条件因为纯双均线在窄幅震荡行情里会反复金叉死叉开仓频繁手续费就能把本金磨掉一层。加上“放量确认”之后等于给信号增加了置信度门槛只有资金真实进场的突破才参与。我在实际测试里发现加了这个过滤条件后交易次数通常会下降一半左右但单笔盈利质量明显提升。核心代码不长def generate_signal(df, fast5, slow20, vol_ratio1.2): df[ma_fast] df[close].rolling(fast).mean() df[ma_slow] df[close].rolling(slow).mean() df[vol_ma] df[volume].rolling(slow).mean() df[signal] 0 # 多头排列且放量才给出持仓信号 df.loc[(df[ma_fast] df[ma_slow]) (df[volume] df[vol_ma] * vol_ratio), signal] 1 # 死叉无条件离场 df.loc[df[ma_fast] df[ma_slow], signal] 0 return df这里有个细节我用的是成交量绝对值和20日均量的比值而不是日内量比。量比更偏分钟级盘口比较用日线策略时容易引入未来信息所以我更推荐这种相对均量的过滤方式。如果你做的是分时级别策略再单独考虑量比指标也不迟。2.3 把连续信号变成可执行的触发信号signal列在多头行情里会一直为1如果不处理回测时就会每天都在“买入”。实际交易只应该发生在状态变化的那一刻所以我会再生成一列trigger用diff()取状态变化只有从0变1才买从1变0才卖df[trigger] df[signal].diff().fillna(0)这行代码很短但非常关键。trigger等于1表示刚产生买入信号等于-1表示刚产生卖出信号等于0表示状态没变不执行任何操作。很多初写回测的朋友会直接拿signal列当交易信号结果每次循环都在反复开仓资金曲线看起来在涨实际全是废单这就是没有做状态变化处理的典型问题。3. 回测引擎与风控参数别让回测结果骗了你3.1 回测循环与撮合假设信号写好后下一步是搭回测引擎。我的回测引擎尽可能简单但撮合假设不能含糊。下面这段代码处理了开仓、平仓、止损三件事顺序也特意做了安排先检查持仓是否有止损需求再处理新信号。这个顺序来源于实盘经验——当价格先跳水触发止损、随后又反弹触发买入时回测一定要先止损后开仓否则会高估策略收益。def backtest(df, init_cash100_000, commission0.0003, slippage0.001, stop_loss0.08): cash init_cash position 0 entry_price 0 equity_curve [] max_equity init_cash max_drawdown 0 for i in range(len(df)): row df.iloc[i] # 先判断是否需要止损 if position 0: pnl row[close] / entry_price - 1 if pnl -stop_loss: cash position * row[close] * (1 - commission - slippage) position 0 entry_price 0 # 再处理新开仓或平仓信号 if row[trigger] 1 and position 0: position cash / (row[close] * (1 commission slippage)) cash 0 entry_price row[close] * (1 commission slippage) elif row[trigger] -1 and position 0: cash position * row[close] * (1 - commission - slippage) position 0 entry_price 0 equity cash position * row[close] equity_curve.append(equity) max_equity max(max_equity, equity) drawdown equity / max_equity - 1 max_drawdown min(max_drawdown, drawdown) df[equity] equity_curve return df, max_drawdown在这个版本里我用的是次日收盘价附近成交的假设也就是信号出现当天收盘后计算第二天以近似价格执行。这样处理是为了避免用当日收盘信号、当日开盘价成交这种未来函数。别小看这一天的延迟趋势策略在震荡市里差一天成交可能就从盈利变成亏损。3.2 止损、回撤控制和交易成本止损逻辑我设成了8%也就是买入后如果价格从成本价往下跌8%无条件离场不再等死叉信号。之所以加这道硬止损是因为均线死叉往往滞后遇到突发利空时等死叉信号出来可能已经跌了20%以上。硬止损的意义是把单笔最大亏损锁死在可接受范围内。资金曲线从高点回撤超过15%时我会在策略外层加一个总开关暂停开新仓等权益重新创出新高再恢复。这个逻辑在源码里并不复杂但能有效避免策略在连续亏损段里越挫越勇。止损和回撤控制属于仓位层的核心职责它不负责赚钱只负责让账户活下来。交易成本这一项很多人喜欢设成0这是回测报告好看的最大元凶。拿A股举例双边佣金按万2.5到万3算卖出还有印花税千1再加上冲击成本我一般把单边成本设为千1到千2。你可以自己算一下10万元本金一年交易100次单边千1.5的摩擦成本就是3万元占比三成。很多策略裸回测年化30%扣完成本直接变成不赚钱这是新手最容易忽略的现实约束。3.3 策略绩效指标怎么看回测跑完不是只看总收益。我会输出总收益率、最大回撤、夏普比率、胜率、盈亏比和交易次数用一张表综合判断策略质量指标计算方式我的经验阈值总收益率期末权益 / 期初权益 - 1没有绝对标准至少跑赢基准最大回撤权益从高点回落的最大幅度实盘可接受一般在15%以内夏普比率(年化收益 - 无风险利率) / 年化波动1.5以上才值得继续打磨胜率盈利交易次数 / 总交易次数趋势策略40%左右也可能赚钱盈亏比平均盈利 / 平均亏损大于1.5配合低胜率可成立这套指标体系里我最看重的是最大回撤和盈亏比。单看胜率会严重误导人趋势类策略的胜率天然不高很多赚钱的策略胜率只有40%出头但赚钱那几笔能覆盖掉之前所有亏损。如果一套策略最大回撤动不动就30%那不管收益多高我都不敢上大仓位因为实盘心态大概率撑不住。4. 量化策略源码里那些防不胜防的坑4.1 未来函数与信号偏移最典型的坑就是用了未来数据而不自知。比如用今天的收盘价计算信号却在今天的开盘价就成交了这等于偷看了当天结果。还有人在写rolling窗口时不小心把未来几天的数据包含进了当前判断回测结果会异常完美一到实盘立刻现原形。我的规避方法是纪律性地用shift()把数据往后挪一位。具体来说所有计算完成之后把signal整体 shift(1)再用这个延迟后的信号做触发。这样每条信号都严格表明“今天收盘后知道结果下一个交易日才执行”。排查时如果发现回测买入点总比实际信号早一天大概率就是未来函数在捣乱。4.2 复权、停牌、涨跌停这些现实约束很多策略源码在理想化行情里跑得风生水起一接入真实交易就露馅。第一个现实约束是复权前文已经提过不复权会导致价格跳变信号失真。第二个约束是停牌持仓停牌时根本卖不掉回测里如果不加约束会默认你随时可以成交权益曲线会比实际情况乐观很多。第三个约束是一字板涨停时想买买不进跌停时想卖卖不出回测代码最好能识别涨跌停状态遇到这种K线就跳过开平仓动作。我在回测引擎里加过涨跌停过滤后策略收益通常要下调10%到20%。这个差异不是bug恰恰说明真实市场比理想模型残酷得多。如果你拿到一套源码先别急着看收益先看它有没有处理这些现实约束。4.3 过拟合和参数寻优的边界很多人拿到源码第一件事就是把MA5、MA20改成MA6、MA21然后挨个试参数直到回测收益最大。这其实是在拟合历史噪声参数调得越漂亮样本外表现越可能稀烂。我的做法是把数据切成三段训练段负责选参数验证段观察参数稳定性最后留一段样本外数据只测一次测出来能用才算数。这套做法的核心逻辑是策略要赚的是市场里稳定存在的某种规律而不是历史K线上的巧合。参数越少对历史噪声的拟合程度越低实盘存活率反而越高。双均线加量能过滤这种简单策略参数空间很小反而更适合作为第一套练手源码。4.4 常见源码报错与排查速查表实战里源码报错基本集中在几个固定点上我整理了一张排查速查表每次遇到异常先按这个方向查能省很多时间报错或异常常见原因排查方向NaN大量出现在均线列rolling窗口比数据前几行不足用dropna()过滤或检查数据量是否够长trigger信号全是0量能比例设太高或均线没交叉打印signal列检查状态变化频率回测权益曲线断崖停牌股没处理复牌后价格异常检查持仓期间是否缺行情实盘和回测差很多成本设置过低或存在未来函数检查滑点、手续费假设核对信号延迟数据对齐报错日期索引不一致用日期字段对齐别用行号硬拼前三个问题几乎每个刚搭策略源码的人都会遇到打印中间变量是关键。我之前排查一个trigger全为0的问题折腾了半小时最后发现是量能比例被设成了5.0成交量根本不可能放大到五倍自然一个信号都没有。这种问题靠肉眼看不到把signal列打出来看一眼立刻清楚。最后再聊点实在的。源码写完不代表策略结束回测只代表过去不代表未来。我自己的习惯是每个策略跑完第一版之后先放一边凉三天再去检查代码和回测假设这样能过滤掉一大批情绪化的判断。然后用小资金跑模拟盘盯着信号逻辑和滑点表现等样本外表现稳定了再考虑加大仓位。量化策略源码的真正价值不在于里面有多少高级函数而在于你有没有把每一个决策逻辑想清楚。欢迎带着你的具体报错来评论区聊但我更希望你在动手之前先理解这套框架这样任何一个源码到你手里才是真正能为你所用的东西。本文还有配套的精品资源点击获取