量化交易新手指南¶
欢迎来到量化交易的世界！本指南专为零基础用户设计，旨在帮助你从理论概念到代码实战，系统性地掌握使用 AKQuant 框架进行量化策略开发的全过程。
0. 为什么选择量化？(量化 vs 主观)¶
投资的世界主要分为两派：主观投资 (Discretionary) 和 量化投资 (Quantitative)。
- 主观投资像是一门艺术。交易员依靠个人的经验、直觉和对市场的定性分析（如新闻、宏观政策）来做决策。巴菲特、索罗斯是这方面的宗师。
- 量化投资则是一门科学。它通过数学模型和计算机程序，从海量历史数据中寻找概率优势，并严格执行。西蒙斯（大奖章基金）是量化的代表。
核心对比¶
| 维度 | 主观交易 (Discretionary) | 量化交易 (Quantitative) |
|---|---|---|
| 决策依据 | 经验、直觉、消息、定性分析 | 数据、统计模型、代码逻辑 |
| 执行力 | 易受情绪（贪婪/恐惧）干扰，知行合一难 | 机器自动执行，冷酷无情，100% 纪律 |
| 覆盖范围 | 人的精力有限，只能关注几十只股票 | 计算机可同时监控几千只股票、几百个市场 |
| 可验证性 | 难以验证（"感觉"无法回测） | 高度可验证（通过回测检验历史表现） |
| 缺点 | 难以复制，状态不稳定，容易犯错 | 存在模型失效风险，对突发事件（黑天鹅）反应可能滞后 |
选择量化的理由： 如果你不想每天盯着盘面心惊肉跳，如果你相信数据胜过直觉，如果你希望通过代码构建一个能长期为你工作的"赚钱机器"，那么量化投资就是为你准备的。
1. 量化交易基础概念：阿K的觉醒之路¶
为了让你更直观地理解量化交易，我们来讲一个名为“阿K”的交易员的故事。通过他的经历，我们将解锁量化交易的核心概念。
第一幕：情绪的奴隶 vs 机器的纪律¶
故事： 阿K 曾经是一个典型的手动交易员。每天盯着屏幕，心情随着红绿柱子起伏。
- 上午10点，看到股价猛涨：“快追！不然踏空了！” —— 结果高位接盘。
- 下午2点，股价跳水：“完了！要跌停了，快跑！” —— 结果低位割肉。
一天下来，阿K 筋疲力尽，账户还亏了钱。他发现自己最大的敌人不是市场，而是贪婪与恐惧。
量化视点： 量化交易的第一大优势是纪律性 (Discipline)。 我们将交易逻辑写成代码（即策略），让计算机自动执行。机器没有情绪，它不会因为暴涨而兴奋，也不会因为暴跌而恐慌。它只会冷酷地执行：“如果 A 发生，我就做 B”。
第二幕：神秘的“时光机” (回测)¶
故事： 阿K 总结了一个规律：“我发现每次连续跌三天，第四天大概率会反弹。” 他想用真金白银去赌这个规律，但心里没底：“这个规律在2018年熊市管用吗？在2020年牛市又如何？” 他希望能有一台时光机，回到过去，用这个规则模拟交易一遍，看看能赚多少钱。
量化视点： 这台时光机就是回测 (Backtesting)。 回测是指使用历史数据来验证交易策略在过去表现的过程。
- 输入：你的策略逻辑（如“连跌三天买入”）。
- 数据：过去几年的 K 线数据（OHLCV - 开高低收量）。
- 输出：如果按此操作，你的最终收益、最大亏损是多少。
第三幕：关于“活下去”的教训 (风控)¶
故事： 阿K 曾经运气爆棚，重仓押注一只股票，一个月翻倍。他觉得自己是股神，于是借钱加杠杆继续满仓。 结果市场突发“黑天鹅”事件，股价腰斩。阿K 不仅利润回吐，本金也亏光了。 量化前辈告诉他：“在这个市场，活得久比赚得快更重要。”
量化视点： 这就是风险控制 (Risk Management)。在量化报告中，我们不仅看赚了多少（收益率），更看冒了多大风险。
- 最大回撤 (Max Drawdown)：策略从历史最高点跌下来的最大幅度。如果最大回撤是 -50%，意味着你的资产可能腰斩。
- 夏普比率 (Sharpe Ratio)：衡量性价比的指标。每承担一份风险，能换来多少超额收益。
想要深入了解所有回测指标的含义（如索提诺比率、胜率等），请参考 回测结果详解。
第四幕：刻舟求剑的陷阱 (过拟合)¶
故事： 阿K 学会了编程，他试图找到一条完美的曲线。他不断修改参数，终于凑出了一个在过去一年收益率 500% 的策略！ 他兴奋地开启实盘，结果一周就亏了 10%。 原来，他的策略代码里隐含着：“如果在2023年1月5日，就买入”。这就像背下了去年考试的答案，但今年的题目变了。
量化视点： 这叫过拟合 (Overfitting)。策略只是记住了历史数据的噪声，而没有掌握真正的市场规律。优秀的量化策略应当是逻辑简单、普适性强的，而不是对历史数据的生搬硬套。
第五幕：真实的谎言 (撮合机制)¶
故事： 阿K 的策略里写着：“如果股价跌到 10.00 元就买入”。 某天，股价最低跌到了 9.98 元，收盘 10.50 元。阿K 以为自己肯定在 10.00 元买到了，赚了 5%。 但实盘成交单显示，他是在 9.98 元才成交的，或者根本没成交。为什么？
量化视点： 这就是撮合逻辑 (Matching Logic) 的重要性。 在回测中，我们需要尽可能模拟真实的交易所行为，而不仅仅是“见价成交”。
- 穿透检查 (Penetration Check)：
- 如果你挂买单 10.00 元，只有当市场价格低于或等于 10.00 元时（即 Low <= 10.00），你的订单才可能成交。
- 如果当天最低价是 10.01 元，即使只差一分钱，你的限价单也不会成交。
- 价格优化 (Price Improvement)：
- 如果你挂买单 10.00 元，但市场开盘直接低开在 9.50 元。
- 真实的交易所会给你“更优”的价格——即以 9.50 元成交，而不是 10.00 元。这叫价格改善。
- Bar 内撮合 (Intra-bar Matching)：
- 如果你挂的是止损单（Stop Order），触发价是 10.00 元。
第六幕：隐形的陷阱 (数据对齐与公司行为)¶
故事： 阿K 发现他的策略在某些股票上表现异常。
- 有时候股票突然停牌了几天，策略以为数据丢失，直接报错停止运行。
- 有时候股票价格突然从 100 元变成了 50 元，策略以为大跌，疯狂卖出。结果发现是“10送10”的拆股，实际上资产并没有缩水。
量化视点： 这就是数据清洗 (Data Cleaning) 和 公司行为 (Corporate Actions) 的重要性。
- 数据对齐 (Data Alignment)：
- 现实中，股票可能因为各种原因停牌（Suspension）。
- AKQuant 采用 Late Fill 策略：如果某天数据缺失，我们会用前一天的收盘价填充，但成交量为 0。这样策略就能感知到“今天没有交易”，而不是“数据错了”。
- 公司行为 (Corporate Actions)：
- 拆股 (Split)：如 1 股变 2 股，价格减半。如果不处理，回测会显示巨大的亏损。AKQuant 支持自动处理拆股，调整持仓数量和成本。
- 分红 (Dividend)：公司发钱了。如果不处理，回测会漏掉这部分收益。AKQuant 支持自动处理分红，增加现金余额。
2. 你的武器库：AKQuant 核心模块¶
现在，阿K 已经从一名小白进化成了拥有系统思维的量化交易员。他需要一套强大的工具来实现他的想法。 这就是 AKQuant 登场的时候。
AKQuant 就像是一个为你量身定制的数字化交易所 + 交易员团队。
核心模块一览¶
- DataFeed (数据投喂员)
- 职责：负责把历史数据（CSV、数据库）或者实时行情（CTP、WebSocket）源源不断地喂给策略。
- 比喻：就像是你雇了一个专职盯盘员，每秒钟向你汇报：“现在价格是 10.50，成交量 100手”。
-
支持：支持股票、期货、加密货币 (Crypto)、外汇 (Forex) 等多种资产。
-
Strategy (策略大脑)
- 职责：这是你的核心逻辑。你告诉它：“如果 MA5 上穿 MA20，就买入”。
-
比喻：这是你的交易员替身，严格执行你的指令，不知疲倦。
-
Engine (撮合引擎/交易所)
- 职责：模拟真实的交易所环境。它接收你的订单，根据当前行情判断能否成交，以什么价格成交。
-
比喻：这是你私人的“纳斯达克”或“上交所”。它极其逼真，考虑了滑点、手续费、停牌、分红拆股等细节。
-
Portfolio (资产账户)
- 职责：记录你的钱和货。现在的现金是多少？持仓市值是多少？盈亏比例是多少？
-
比喻：这是你的财务总监，每一笔账都算得清清楚楚。
-
RiskManager (风控官)
- 职责：在你下单前进行检查。比如：“你的仓位太重了，拒绝开仓！”或者“亏损超过 10% 了，强制平仓！”
- 比喻：这是你的保命符，防止你因为一时冲动而破产。
-
支持：
- 单标的持仓上限：防止单只股票仓位过重。
- 行业集中度限制：防止过度押注某一行业。
- 总杠杆率熔断：防止总敞口过大，爆仓风险。
-
Analyzer (分析师)
- 职责：回测结束后，生成详细的图表和报告。告诉你策略表现如何，哪里需要改进。
- 比喻：这是你的绩效评估专家，用数据说话。
2.4 支持的资产类型¶
AKQuant 框架设计之初就考虑了多资产支持，目前涵盖以下主流交易品种：
| 资产类型 | 代码 (AssetType) | 特点 | 交易规则 |
|---|---|---|---|
| 股票 | Stock |
A股/美股/港股 | T+1 (A股) / T+0 (美股/港股)，有印花税 |
| 基金 | Fund |
ETF/LOF | 类似股票，费率较低，免印花税 |
| 期货 | Futures |
商品/股指期货 | T+0，双向交易，保证金制度 |
| 期权 | Option |
股票/股指期权 | 高杠杆，非线性收益 |
| 加密货币 | Crypto |
Bitcoin/Ethereum | 7x24小时，T+0，支持小数位 (fractional) 交易 |
| 外汇 | Forex |
EURUSD/JPY | 24小时，T+0，高杠杆，点差 (Spread) 交易 |
2.5 环境准备与安装¶
确保你的电脑上安装了 Python 3.10 或以上版本。
验证安装：
3. 快速上手：你的第一个策略¶
我们将实现一个经典的双均线策略 (Dual Moving Average)。
- 买入信号：短期均线（如 5日线）上穿长期均线（如 20日线） -> 金叉。
- 卖出信号：短期均线下穿长期均线 -> 死叉。
3.1 完整代码示例¶
创建一个名为 first_strategy.py 的文件：
import numpy as np
import pandas as pd
from akquant import Strategy, run_backtest, Bar
class DualMovingAverageStrategy(Strategy):
def __init__(self):
# 定义策略参数：短期窗口5，长期窗口20
self.short_window = 5
self.long_window = 20
def on_bar(self, bar: Bar):
# 获取历史收盘价数据
# history_data 返回的是一个 DataFrame
hist = self.get_history(count=self.long_window + 1, field="close")
# 如果数据不足，无法计算均线，直接返回
if len(hist) < self.long_window:
return
# 计算短期和长期均线
closes = hist
ma_short = np.mean(closes[-self.short_window:])
ma_long = np.mean(closes[-self.long_window:])
# 获取上一时刻的均线值（用于判断交叉）
prev_ma_short = np.mean(closes[-self.short_window - 1: -1])
prev_ma_long = np.mean(closes[-self.long_window - 1: -1])
# 获取当前持仓
position = self.get_position(bar.symbol)
# 交易逻辑
# 1. 金叉：短期均线上穿长期均线，且当前无持仓 -> 买入
if prev_ma_short <= prev_ma_long and ma_short > ma_long:
if position == 0:
self.buy(bar.symbol, 100) # 买入100股
print(f"[{bar.timestamp_str}] 金叉买入 {bar.symbol} @ {bar.close:.2f}")
# 2. 死叉：短期均线下穿长期均线，且持有仓位 -> 卖出
elif prev_ma_short >= prev_ma_long and ma_short < ma_long:
if position > 0:
self.sell(bar.symbol, 100) # 卖出100股
print(f"[{bar.timestamp_str}] 死叉卖出 {bar.symbol} @ {bar.close:.2f}")
# ------------------------------
# 准备测试数据并运行
# ------------------------------
if __name__ == "__main__":
# 生成模拟数据
np.random.seed(1024)
dates = pd.date_range(start="2023-01-01", end="2023-12-31")
price = 100 + np.cumsum(np.random.randn(len(dates))) # 随机游走价格
df = pd.DataFrame({
"date": dates,
"open": price, "high": price + 1, "low": price - 1, "close": price,
"volume": 10000,
"symbol": "DEMO"
})
# 运行回测
print("开始回测...")
result = run_backtest(
strategy=DualMovingAverageStrategy,
data=df,
initial_cash=10000.0, # 初始资金 1万
warmup_period=21
)
# 打印简要结果
print("\n回测结束！")
print(f"绩效指标: {result.metrics_df}")
3.2 进阶策略：均值回归 (Mean Reversion)¶
除了趋势跟踪（如双均线），另一种常见的策略是均值回归。 它的核心思想是：价格总是围绕价值上下波动，涨多了会跌，跌多了会涨。
策略逻辑 (布林带策略 Bollinger Bands)：
- 中轨：20日均线
- 上轨：中轨 + 2倍标准差
- 下轨：中轨 - 2倍标准差
- 买入：价格跌破下轨（超跌），且开始反弹。
- 卖出：价格突破上轨（超买），或回归中轨。
class BollingerStrategy(Strategy):
def __init__(self):
self.window = 20
self.std_dev = 2
def on_bar(self, bar):
# 获取足够的历史数据
hist = self.get_history(count=self.window + 1)
if len(hist) < self.window:
return
closes = hist
# 计算布林带
ma = np.mean(closes[-self.window:])
std = np.std(closes[-self.window:])
upper = ma + self.std_dev * std
lower = ma - self.std_dev * std
current_price = bar.close
position = self.get_position(bar.symbol)
# 策略逻辑：
# 1. 价格跌破下轨，买入（视为超跌）
if current_price < lower and position == 0:
self.buy(bar.symbol, 100)
print(f"[{bar.timestamp_str}] 超跌买入 {bar.symbol} @ {current_price:.2f}")
# 2. 价格回归中轨或突破上轨，卖出（止盈）
elif (current_price > ma or current_price > upper) and position > 0:
self.sell(bar.symbol, 100)
print(f"[{bar.timestamp_str}] 回归卖出 {bar.symbol} @ {current_price:.2f}")
3.3 实战：获取真实数据¶
上面的例子使用了模拟数据。在实战中，你需要获取真实的股票数据。 我们推荐使用 AKShare，它是目前最流行的开源中文金融数据接口库，数据覆盖面极广。
示例：使用 AKShare 获取平安银行 (000001) 数据
import akshare as ak
import pandas as pd
# 下载 A 股历史数据 (平安银行)
# adjust="qfq" 表示使用前复权数据，这在回测中非常重要
# period="daily" 表示日线数据
df = ak.stock_zh_a_hist(symbol="000001", period="daily", start_date="20230101", end_date="20231231", adjust="qfq")
# 数据清洗：将 AKShare 的中文列名转换为 AKQuant 需要的英文标准格式
df = df.rename(columns={
"日期": "date",
"开盘": "open",
"最高": "high",
"最低": "low",
"收盘": "close",
"成交量": "volume"
})
# 格式转换：确保 date 列是 datetime 类型
df['date'] = pd.to_datetime(df['date'])
df['symbol'] = "000001" # 添加代码列
# 筛选需要的列（可选，AKQuant 会自动忽略多余列）
df = df[["date", "open", "high", "low", "close", "volume", "symbol"]]
# 直接传入 run_backtest
result = run_backtest(
strategy=DualMovingAverageStrategy,
data=df,
initial_cash=10000.0
)
3.4 策略可视化 (Visualization)¶
回测结束后，光看数字是不够的。我们需要直观地看到各项指标。 AKQuant 提供了内置的绘图功能。
3.5 参数调优 (Parameter Optimization)¶
你可能会问：“为什么均线是 5日和 20日？改成 10日和 30日会不会更好？” 这就是参数调优要做的事。我们可以遍历不同的参数组合，找到历史表现最好的一组。
from akquant import run_grid_search
# 1. 调整策略类以接收参数
class OptimizedDualMA(DualMovingAverageStrategy):
def __init__(self, short_window=5, long_window=20):
self.short_window = short_window
self.long_window = long_window
# 2. 定义参数网格
param_grid = {
"short_window": range(3, 10), # 3 到 9
"long_window": range(15, 30) # 15 到 29
}
# 3. 运行网格搜索
# AKQuant 会自动组合所有参数，并利用多核 CPU 并行计算
results = run_grid_search(
strategy=OptimizedDualMA,
param_grid=param_grid,
data=df,
initial_cash=10000.0,
sort_by="sharpe_ratio", # 按夏普比率排序
max_workers=4 # 并行进程数
)
# 4. 获取最佳结果
# results 是一个 DataFrame，包含参数和回测指标
print("优化结果前5名：")
print(results.head())
best_params = results.iloc[0]
print(f"\n最佳参数: short={best_params['short_window']}, long={best_params['long_window']}")
print(f"最佳夏普: {best_params['sharpe_ratio']:.4f}")
注意：参数调优容易导致过拟合，请务必在样本外数据（Out-of-Sample）上进行验证。
4. 读懂回测报告：核心指标解读¶
运行回测后，AKQuant 会输出一系列指标。以下是核心指标的含义：
| 指标名称 | 英文 | 含义与解读 |
|---|---|---|
| 总收益率 | Total Return | 策略期末相对于期初赚了百分之多少。如果是负数，说明亏损。 |
| 年化收益率 | Annualized Return | 假设策略运行一年能赚多少。方便不同时长的策略进行比较。 |
| 最大回撤 | Max Drawdown | 策略从历史最高点跌下来的最大幅度。衡量风险的重要指标。例如 -20% 意味着你可能在最坏情况下亏损20%。 |
| 夏普比率 | Sharpe Ratio | 衡量"性价比"。即每承担一单位风险，能获得多少超额收益。通常 >1 为良好，>2 为优秀。 |
| 胜率 | Win Rate | 盈利交易次数占总交易次数的比例。高胜率不一定代表高收益（可能赚小钱亏大钱）。 |
5. 常见错误排查与调试技巧¶
新手在开发过程中常遇到以下问题，请对照检查：
5.1 数据不足 (Data Not Enough)¶
- 现象：程序报错
IndexError或均线计算结果为NaN。 - 原因：计算20日均线至少需要20条历史数据。在回测刚开始的前几天，数据累积不足。
- 解决：在
on_bar开头添加检查：
5.2 前视偏差 (Look-ahead Bias)¶
- 现象：回测收益率高得离谱（例如年化 1000%）。
- 原因：在计算信号时使用了未来的数据。例如在
on_bar处理今天的数据时，却取到了明天的收盘价。 - 解决：确保只使用当前
bar及之前的数据。AKQuant 的history_data默认是安全的。
5.3 交易未执行¶
- 现象：日志显示发出了买单，但持仓没有变化。
- 原因：可能是资金不足（Cash不够买1手）或未达到最小交易单位。
- 解决：打印
self.cash查看可用资金；检查self.buy的数量是否合理。
5.4 忽视复权 (Ignoring Adjustment)¶
- 现象：股票发生拆股或分红时，价格突然跳水，导致策略误判为暴跌卖出。
- 原因：使用的是不复权数据。例如 10元 拆成 5元，价格腰斩但价值没变。
- 解决：必须使用前复权 (qfq) 数据进行回测。
- 前复权：以当前价格为基准，修正历史价格，保持价格连续性。
- AKShare 获取数据时务必指定
adjust="qfq"。
6. 下一步学习建议¶
恭喜你完成了入门教程！想要成为更专业的量化交易员，你可以按照以下路径继续修炼：
6.1 技能树点亮顺序¶
- Python 进阶：熟练掌握
pandas和numpy。量化交易 80% 的时间在处理数据，这两大库是处理数据的神兵利器。 - 经典策略研究：
- 海龟交易法则 (Turtle Trading)：学习趋势跟踪系统的完整构建。
- 网格交易 (Grid Trading)：学习震荡市的自动化套利。
- 多因子模型 (Multi-Factor)：学习机构主流的选股逻辑。
- 风险管理：深入理解凯利公式 (Kelly Criterion)、波动率控制等资金管理方法。
- 机器学习：尝试用机器学习模型（如随机森林、LSTM）来预测价格或波动率（参考 ML Guide）。
6.2 推荐资源¶
- 书籍：《打开量化投资的黑箱》、《海龟交易法则》、《Python for Finance》。
- 实战：多看 Examples 中的代码，尝试修改参数，观察结果变化。
希望这份指南能帮你顺利开启量化之旅！更多进阶功能请参考 API 文档。