第 1 章：量化投资概述与环境搭建¶

1.1 量化投资的定义与特征¶

量化投资 (Quantitative Investment) 是指借助现代统计学和数学方法，利用计算机技术从海量历史数据中寻找能够带来超额收益的多种“大概率”策略，并纪律严明地按照这些策略进行投资决策的过程。

与定性投资（Fundamental Investing）相比，量化投资具有以下显著特征：

纪律性 (Discipline)：严格执行模型给出的信号，克服人性的贪婪与恐惧。
系统性 (Systematic)：多层次（资产配置、行业选择、个股选择）、多角度（宏观、估值、成长、技术）地观察市场。
套利思想 (Arbitrage)：寻找市场定价偏差，通过买入低估资产、卖出高估资产获利。
概率取胜 (Probability)：不追求单笔交易的暴利，而是追求在大概率获利的策略下，通过长期重复交易积累财富。

1.1.1 核心流程 (Workflow)¶

一个标准的量化投资系统通常包含以下四个核心模块：

数据 (Data)：
- 采集：从交易所、数据商获取行情、财务、舆情等数据。
- 清洗：处理缺失值、异常值，统一数据格式（ETL）。
策略 (Strategy)：
- 建模：基于金融逻辑或机器学习算法，构建交易信号。
- 回测：在历史数据上验证策略的有效性。
交易 (Execution)：
- 撮合：模拟交易所的撮合机制（回测阶段）。
- 报单：将策略信号转化为具体的买卖指令发送至柜台（实盘阶段）。
风控 (Risk Control)：
- 事前：限制单笔最大下单量、持仓集中度。
- 事中：实时监控敞口风险、流动性风险。
- 事后：归因分析，评估策略表现。

1.1.2 理论基础：从 CAPM 到多因子¶

量化投资的理论基石是 现代投资组合理论 (MPT) 和 资本资产定价模型 (CAPM)。

根据 CAPM，投资组合的预期收益率 $E(R_p)$ 可以分解为：

\[ E(R_p) = R_f + \beta_p (E(R_m) - R_f) + \alpha_p \]

其中：

$R_f$：无风险收益率（Risk-Free Rate），通常以国债收益率为锚。
$\beta_p (E(R_m) - R_f)$：市场收益 (Beta)。$\beta$ 衡量了组合对市场波动的敏感度。这是被动承担市场风险所获得的补偿。
$\alpha_p$：超额收益 (Alpha)。这是剔除市场因素后，由投资经理的主动管理能力带来的收益。

量化投资的核心目标，通常是在控制 Beta 风险（甚至将 Beta 对冲至 0）的前提下，追求稳定且可持续的 Alpha 收益。

1.1.3 有效市场假说 (EMH)¶

尤金·法玛 (Eugene Fama) 提出的 有效市场假说 (Efficient Market Hypothesis) 认为，如果在一个证券市场中，价格完全反映了所有可以获得的信息，那么就称这样的市场为有效市场。

弱式有效：价格已反映所有历史信息（技术分析无效）。
半强式有效：价格已反映所有公开信息（基本面分析无效）。
强式有效：价格已反映所有信息，包括内幕信息（所有分析均无效）。

量化投资的前提是市场并非“强式有效”。我们通过挖掘市场微观结构中的非理性行为或信息不对称，寻找定价偏差（Mispricing）并从中获利。

1.3 行为金融学 (Behavioral Finance)¶

传统金融学假设投资者是理性的 (Rational)，但现实中，人是情感驱动的。行为金融学揭示了导致市场无效的心理学根源。

前景理论 (Prospect Theory)：
- 由 Kahneman 和 Tversky 提出。人对损失的厌恶程度是对收益喜好程度的 2-2.5 倍。
- 现象：投资者倾向于过早止盈（落袋为安），但死扛亏损（不愿意承认错误）。这解释了为什么动量策略（追涨杀跌）长期有效。
过度自信 (Overconfidence)：
- 投资者往往高估自己的信息优势和预测能力。
- 现象：导致过度交易 (Over-trading)，推高了成交量和波动率，却降低了净收益。
羊群效应 (Herd Behavior)：
- 投资者倾向于模仿他人的行为，通过随大流来获得安全感。
- 现象：导致资产价格泡沫的形成和破裂。

1.4 市场微观结构基础 (Market Microstructure)¶

宏观分析关注 GDP 和利率，微观结构关注价格是如何形成的。

1.4.1 限价订单簿 (Limit Order Book, LOB)¶

在指令驱动市场（如 A 股），所有未成交的限价单按照价格优先、时间优先的原则排列，形成 LOB。

买一 (Bid 1)：当前最高的买入价。
卖一 (Ask 1)：当前最低的卖出价。
买卖价差 (Bid-Ask Spread)：$Ask 1 - Bid 1$。衡量流动性的核心指标。价差越小，流动性越好，交易成本越低。

1.4.2 市场深度 (Market Depth)¶

指在特定价格水平上可交易的数量。深度越好，大单交易对价格的冲击 (Market Impact) 越小。

1.4.3 价格发现 (Price Discovery)¶

价格不是连续的曲线，而是通过买卖力量的博弈（吃单）瞬间跳变的。量化高频策略正是通过分析 LOB 的微观失衡（如大单压顶、撤单率）来预测短时间内的价格方向。

1.5 量化与主观的融合 (Quantamental)¶

Quantamental = Quant + Fundamental。

量化 (Quant)：擅长广度。能同时扫描 5000 只股票，处理海量数据，纪律性强，但对突发事件（如战争、政策突变）反应迟钝。
主观 (Fundamental)：擅长深度。能深入调研一家公司，理解商业模式和管理层，但覆盖面窄，易受情绪影响。

未来的趋势是二者的融合：

量化赋能主观：用量化模型筛选出初选池，再由研究员深入调研。
主观赋能量化：将研究员的逻辑（如供应链关系、行业景气度）转化为量化因子，增强模型的可解释性和适应性。

1.6 开发环境搭建¶

为了进行量化研究，我们需要搭建一套高效的开发环境。本教材推荐使用 Python + Rust 的混合架构。

1.6.1 Python 环境 (Miniconda)¶

Python 是量化领域最主流的语言，拥有丰富的生态库（Pandas, NumPy, Scikit-learn）。我们推荐使用 Miniconda 来管理 Python 环境。

国内镜像加速： 1. 下载加速：推荐从清华大学开源软件镜像站下载安装包：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/ 2. 配置 Conda 源：安装完成后，在终端执行以下命令以加速包的下载：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --set show_channel_urls yes

安装完成后，打开终端（Windows 用户请打开 Anaconda Powershell Prompt，macOS/Linux 用户请打开 Terminal），创建一个新的环境：

conda create -n ak_env python=3.14
conda activate ak_env

1.6.2 安装 AKQuant¶

akquant 是一个基于 Rust 核心的高性能事件驱动量化回测框架。它结合了 Rust 的极致速度与 Python 的生态易用性，专为追求高性能回测与实盘一体化的量化开发者设计。

核心特性：

Rust 驱动的高性能：底层撮合引擎、订单管理系统 (OMS) 和风控模块 (RMS) 均由 Rust 编写，彻底告别 Python 的 GIL 锁限制，回测速度比纯 Python 框架快 10-100 倍。
事件驱动架构 (Event-Driven)：不同于简单的向量化回测，akquant 采用严格的时间序列事件驱动模型，能够精确模拟限价单 (Limit Order)、止损单 (Stop Order) 以及复杂的成交撮合逻辑，杜绝“未来函数”。
全资产覆盖：原生支持 股票 (Stock)、期货 (Futures)、期权 (Options) 及 基金 (Fund) 等多种金融资产，并针对 A 股的 T+1 制度和涨跌停机制做了深度适配。
回测实盘一体化：坚持 "Code Once, Run Anywhere" 理念。同一套策略代码，既可以在历史数据上回测，也可以直接切换到 CTP/XTP 等实盘接口进行交易。

在激活的 conda 环境中，运行以下命令安装（建议使用清华源加速）：

pip install akquant akshare pandas matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

akquant: 高性能事件驱动量化框架。作为本课程的核心，它提供了回测引擎、订单管理、风控模块等全套基础设施，让用户只需专注于编写策略逻辑 (Strategy)。
akshare: 强大的开源财经数据接口库。它专为 Python 量化交易员设计，提供了从股票、期货、期权、基金到宏观经济、另类数据等全方位的金融数据获取能力。其完全开源、免费且持续更新的特性，使其成为国内量化社区的首选数据源。
pandas: Python 数据分析标准库。在量化中，它几乎无处不在：我们用 DataFrame 存储历史行情，用 Series 计算技术指标，用 Timestamp 处理时间序列。掌握 Pandas 是成为量化开发者的第一道门槛。
matplotlib: 基础绘图库。量化不仅是数字的游戏，更是图形的艺术。我们使用 Matplotlib 绘制资金曲线、K 线图和技术指标，直观地评估策略表现。此外，akquant 内置的绘图功能也是基于它构建的。

1.6.3 IDE 选择 (Trae / VS Code / PyCharm)¶

1. Trae (AI Native IDE) - 强烈推荐¶

Trae 是字节跳动推出的一款 AI 原生 IDE，内置了强大的 AI 编程助手。

Context7 深度集成：能够理解你的整个项目上下文，准确回答关于 akquant 架构的问题。
智能代码补全：根据你的策略逻辑，自动补全 on_bar 中的代码。
一键重构：帮你把复杂的 Python 循环重构为高效的 Pandas 向量化操作。

2. Visual Studio Code (VS Code)¶

微软出品的轻量级编辑器，插件生态极其丰富。

推荐插件：Python, Pylance, Jupyter, Markdown All in One。
优点：启动快，资源占用低，远程开发 (Remote-SSH) 体验极佳。

3. PyCharm¶

JetBrains 出品的专业 Python IDE。

优点：代码分析能力最强，重构功能极其强大，调试体验好。
版本选择：初学者可以使用免费的 Community 版；Professional 版 额外支持 Jupyter Notebook、科学绘图和远程开发功能，适合进阶用户。

1.7 第一个量化策略 (Hello World)¶

让我们通过一个简单的例子来体验 akquant 的工作流程。我们将编写一个简单的策略：买入并持有。

代码示例¶

创建一个名为 quickstart.py 的文件，输入以下代码：

"""
第 1 章：快速开始 (Quickstart).

本示例演示了使用 AKQuant 进行量化回测的最基础流程。
为了展示真实的交易结果，我们将实现一个经典的**双均线策略 (Dual Moving Average)**。

策略逻辑：
1. 计算 5 日均线 (MA5) 和 20 日均线 (MA20)。
2. 金叉买入：当 MA5 上穿 MA20，且当前无持仓时，满仓买入。
3. 死叉卖出：当 MA5 下穿 MA20，且当前有持仓时，清仓卖出。
"""

import akquant as aq
import akshare as ak
import pandas as pd
from akquant import Bar, Strategy


def get_data() -> pd.DataFrame:
    """
    步骤 1: 数据获取.

    使用 akshare 获取浦发银行 (600000) 的历史日线数据。
    """
    print("正在获取数据...")
    # 获取前复权数据
    df = ak.stock_zh_a_daily(
        symbol="sh600000", start_date="20200101", end_date="20231231", adjust="qfq"
    )
    df["symbol"] = "600000"
    if "date" not in df.columns:
        df = df.reset_index().rename(columns={"index": "date"})
    return df  # type: ignore


class DualMAStrategy(Strategy):
    """
    步骤 2: 策略定义.

    双均线策略实现。
    """

    def __init__(self) -> None:
        """策略初始化."""
        super().__init__()
        self.short_window = 5
        self.long_window = 20
        self.warmup_period = 20

    def on_start(self) -> None:
        """策略初始化时调用."""
        print("策略初始化...")

    def on_bar(self, bar: Bar) -> None:
        """核心交易逻辑."""
        symbol = bar.symbol

        # 1. 获取历史数据
        closes = self.get_history(
            count=self.long_window + 1, symbol=symbol, field="close"
        )
        if len(closes) < self.long_window + 1:
            return

        # 2. 计算均线 (使用截止到昨天的数据)
        history_closes = closes[:-1]
        ma5_curr = history_closes[-self.short_window :].mean()
        ma20_curr = history_closes[-self.long_window :].mean()

        # 3. 获取持仓
        position = self.get_position(symbol)

        # 4. 交易信号
        if ma5_curr > ma20_curr and position == 0:
            print(
                f"[{bar.timestamp_str}] 金叉买入 (MA5={ma5_curr:.2f}, "
                f"MA20={ma20_curr:.2f})"
            )
            self.order_target_percent(0.95, symbol)

        elif ma5_curr < ma20_curr and position > 0:
            print(
                f"[{bar.timestamp_str}] 死叉卖出 (MA5={ma5_curr:.2f}, "
                f"MA20={ma20_curr:.2f})"
            )
            self.order_target_percent(0.0, symbol)


if __name__ == "__main__":
    # 1. 准备数据
    df = get_data()

    # 2. 运行回测
    print("开始回测...")
    result = aq.run_backtest(
        strategy=DualMAStrategy,
        data=df,
        initial_cash=100_000,
        commission_rate=0.0003,
        stamp_tax_rate=0.001,
        lot_size=100,
    )

    # 3. 打印结果
    print("\n" + "=" * 30)
    print("回测结果摘要")
    print("=" * 30)
    print(result)

代码解析¶

数据准备：我们使用 akshare 获取了 sh600000 (浦发银行) 等几只股票的历史数据。akquant 支持直接传入 Pandas DataFrame。
策略定义 (MyStrategy)：
- 继承自 akquant.Strategy。
- on_bar(self, bar)：这是策略的核心。回测引擎会按时间顺序，每产生一根 K 线（Bar），就调用一次该函数。
- self.order_target_percent(target_percent=0.33, symbol=symbol)：下单函数，将仓位调整到目标比例（这里是 33%）。
回测配置与运行：
- BacktestConfig：配置回测参数（如手续费、初始资金）。
- aq.run_backtest：启动回测引擎。

运行结果¶

在终端运行该脚本：

python quickstart.py

你将看到类似以下的输出日志：

正在获取数据...
开始回测...
2026-02-24 20:29:07 | INFO | Running backtest via run_backtest()...
[2020-01-02 00:00:00] 首次买入 600000，目标仓位 95%
  [00:00:00] [########################################] 970/970 (0s)
==============================
回测结果摘要
==============================
BacktestResult:
                                            Value
start_time              2020-01-02 00:00:00+08:00
end_time                2023-12-29 00:00:00+08:00
duration                       1457 days, 0:00:00
total_bars                                    970
trade_count                                   0.0
initial_market_value                     100000.0
end_market_value                       66014.3989
total_pnl                                     0.0
unrealized_pnl                           -33957.0
total_return_pct                       -33.985601
annualized_return                       -0.098809
volatility                               0.168118
total_profit                                  0.0
total_loss                                    0.0
total_commission                          28.6011
max_drawdown                              36630.0
max_drawdown_pct                        36.568054
win_rate                                      0.0
sharpe_ratio                            -0.587735
calmar_ratio                            -0.270206

注：由于浦发银行 (600000) 在 2020-2023 年表现不佳，简单的买入持有策略并未盈利。但这正是回测的意义——验证策略在历史上的表现。

结果解析¶

下表详细解释了回测结果中的各项核心指标。这些指标的计算逻辑均基于 akquant 源码实现。

指标 (Metric)	含义 (Meaning)	计算公式 / 逻辑	评价标准
Total Return Pct (累计收益率)	策略从开始到结束的总收益百分比。	$\frac{\text{Final Value} - \text{Initial Cash}}{\text{Initial Cash}} \times 100\%$	越高越好。正值代表盈利，负值代表亏损。
Annualized Return (年化收益率)	策略的复合年均增长率 (CAGR)。	$(1 + R_{total})^{\frac{1}{Years}} - 1$ 注：将累计收益平摊到每一年，便于与其他理财产品比较。	> 10% 优秀 > 20% 卓越
Max Drawdown Pct (最大回撤率)	策略在任一时间点，从历史最高点 (Peak) 到当前点的最大跌幅。	$\max_{t} \frac{\text{Peak}_t - \text{Value}_t}{\text{Peak}_t} \times 100\%$ 注：这是衡量风险最直观的指标。	< 10% 优秀 < 20% 良好 > 30% 风险较高
Sharpe Ratio (夏普比率)	衡量每承担一单位总风险（波动率），能获得多少超额收益。	$\frac{R_{annual} - R_{free}}{\sigma_{annual}}$ 注：$R_{free}$ 默认为 0，$\sigma_{annual}$ 为年化波动率。	> 1.0 良好 > 2.0 优秀 < 0 不如空仓
Calmar Ratio (卡玛比率)	衡量收益与最大回撤的比值，即“性价比”。	$\frac{R_{annual}}{	\text{Max Drawdown}
Volatility (年化波动率)	收益率标准差的年化值，反映策略的稳定性。	$\sigma_{daily} \times \sqrt{252}$	越低越稳定。
Win Rate (胜率)	盈利交易次数占总交易次数的比例。	$\frac{\text{Winning Trades}}{\text{Total Trades}}$	取决于策略类型。趋势策略通常胜率低但盈亏比高。

通过这个简单的 "Hello World"，我们跑通了量化回测的全流程：数据 -> 策略 -> 回测 -> 结果。

恭喜！ 你已经完成了量化投资的第一步。在下一章中，我们将深入探讨数据的获取与处理，这是量化大厦的基石。

指标 (Metric)	含义 (Meaning)	计算公式 / 逻辑	评价标准
Total Return Pct (累计收益率)	策略从开始到结束的总收益百分比。	\(\frac{\text{Final Value} - \text{Initial Cash}}{\text{Initial Cash}} \times 100\%\)	越高越好。正值代表盈利，负值代表亏损。
Annualized Return (年化收益率)	策略的复合年均增长率 (CAGR)。	\((1 + R_{total})^{\frac{1}{Years}} - 1\) 注：将累计收益平摊到每一年，便于与其他理财产品比较。	> 10% 优秀 > 20% 卓越
Max Drawdown Pct (最大回撤率)	策略在任一时间点，从历史最高点 (Peak) 到当前点的最大跌幅。	\(\max_{t} \frac{\text{Peak}_t - \text{Value}_t}{\text{Peak}_t} \times 100\%\) 注：这是衡量风险最直观的指标。	< 10% 优秀 < 20% 良好 > 30% 风险较高
Sharpe Ratio (夏普比率)	衡量每承担一单位总风险（波动率），能获得多少超额收益。	\(\frac{R_{annual} - R_{free}}{\sigma_{annual}}\) 注：\(R_{free}\) 默认为 0，\(\sigma_{annual}\) 为年化波动率。	> 1.0 良好 > 2.0 优秀 < 0 不如空仓
Calmar Ratio (卡玛比率)	衡量收益与最大回撤的比值，即“性价比”。	$\frac{R_{annual}}{	\text{Max Drawdown}
Volatility (年化波动率)	收益率标准差的年化值，反映策略的稳定性。	\(\sigma_{daily} \times \sqrt{252}\)	越低越稳定。
Win Rate (胜率)	盈利交易次数占总交易次数的比例。	\(\frac{\text{Winning Trades}}{\text{Total Trades}}\)	取决于策略类型。趋势策略通常胜率低但盈亏比高。