怎么做量化 | 从零开始学量化交易

量化交易听起来高大上，其实核心就三步：想一个赚钱的逻辑 → 写成代码 → 让电脑自动执行。不需要你是数学天才，也不需要会写复杂的算法，从最基础开始，一步步来。

以下内容适合完全零基础的朋友，我会告诉你具体学什么、用什么工具、怎么上手写第一个策略。

第一步：准备好工具和环境

安装 Python

量化交易最常用的编程语言。去 python.org 下载最新版，安装时记得勾选“Add Python to PATH”。

                                # 验证安装是否成功，打开终端（cmd）输入：

                                python --version

                                # 输出类似 Python 3.12.0 就说明安装好了

安装必备库

Python 的强大在于有大量现成的库，帮你处理数据、画图、算指标。

                                pip install pandas numpy matplotlib jupyter

                                pip install tushare akshare backtrader

                                # pandas：处理表格数据

                                # numpy：数学计算

                                # matplotlib：画图

                                # tushare / akshare：获取股票数据

                                # backtrader：回测框架

💡 小建议：

用 Jupyter Notebook 来写代码，可以一行一行运行，随时看到结果，非常适合学习。

获取股票数据

没有数据就没法做量化。推荐几个免费好用的数据源：

AkShare（开源免费，数据全，推荐新手）
Tushare（注册后免费，需要 token）
Baostock（无需注册，直接使用）

                                import akshare as ak

                                # 获取上证指数历史日K数据

                                df = ak.stock_zh_index_daily(symbol="sh000001")

                                print(df.head())

第二步：写你的第一个策略

不要一上来就写复杂的多因子模型，从最简单的“均线金叉死叉”开始。

均线金叉死叉策略（经典入门）

逻辑：5日均线上穿20日均线（金叉）买入，下穿（死叉）卖出。

                        import pandas as pd

                        import akshare as ak

                        # 获取数据

                        df = ak.stock_zh_a_hist(symbol="000001", period="daily", start_date="20200101", adjust="qfq")

                        df = df[["日期", "收盘"]]

                        df.columns = ["date", "close"]

                        df.set_index("date", inplace=True)

                        # 计算均线

                        df["ma5"] = df["close"].rolling(5).mean()

                        df["ma20"] = df["close"].rolling(20).mean()

                        # 生成信号：金叉=1，死叉=-1，其他=0

                        df["signal"] = 0

                        df.loc[df["ma5"] > df["ma20"], "signal"] = 1

                        df.loc[df["ma5"] < df["ma20"], "signal"] = -1

                        # 计算每日收益

                        df["return"] = df["close"].pct_change()

                        df["strategy_return"] = df["signal"].shift(1) * df["return"]

                        # 累计收益

                        total_return = (1 + df["strategy_return"]).cumprod().iloc[-1] - 1

                        print(f"策略累计收益：{total_return:.2%}")

🔍 看懂了吗？

这段代码做了三件事：获取数据 → 计算均线 → 根据均线位置生成买卖信号。你不需要完全理解每一行，先跑起来，再慢慢改。

第三步：回测 —— 验证你的策略

回测就是用历史数据模拟交易，看看策略在过去能不能赚钱。不要用手工算，用专业的回测框架。

🐍

Backtrader

功能强大的回测框架，支持多策略、多数据、佣金、滑点。

📊

Zipline

Quantopian 出品的回测引擎，适合美股和A股。

⚡

PyBroker

轻量级回测库，支持机器学习策略，新手友好。

🌐

在线回测平台

如聚宽、米筐，无需本地环境，浏览器里写策略。

⚠️ 回测的坑：

1. 过拟合：策略在历史数据上完美，一到实盘就亏钱。 2. 幸存者偏差：只回测还活着的股票，忽略了退市的。 3. 未来函数：不小心用到了未来的数据。 4. 手续费和滑点没算进去，回测收益虚高。

第四步：从回测到实盘

回测跑通了，不代表就能实盘赚钱。你需要一个实盘交易接口来让电脑自动下单。

平台	接口方式	费用	适合人群
聚宽	券商合作，一键实盘	免费	新手入门，策略简单
米筐	API 接入	有免费额度	有一定编程基础
QMT / PTrade	券商自带终端	看券商要求	资金量较大，追求低延迟
vn.py	开源框架，自行搭建	免费	高级用户，需要定制

💡 实盘建议：

刚开始不要直接上真金白银。先用模拟盘跑一个月，观察策略在真实市场中的表现。没问题了再小资金试水。

第五步：持续学习和优化

量化交易不是一蹴而就的，需要不断学习。以下是我推荐的进阶学习路径：

📘

Python 基础

变量、循环、函数、列表、字典。不需要精通，够用就行。

推荐：廖雪峰 Python 教程
推荐：B站小甲鱼零基础入门

📊

Pandas 数据处理

学会用 Pandas 处理股票数据：筛选、合并、分组、滚动计算。

推荐：Pandas 官方10分钟入门
推荐：B站黑马程序员 Pandas 教程

📈

技术指标与策略

学习常见的量化策略：趋势跟踪、均值回归、动量策略、统计套利。

🤖

机器学习入门

用 scikit-learn 做简单的预测模型：线性回归、随机森林、XGBoost。

推荐：B站黑马机器学习入门

常见问题

❓ 我数学不好，能做量化吗？

完全能。大部分量化策略只需要加减乘除和简单的统计概念（均值、标准差）。复杂的数学模型交给现成的库，你只需要理解逻辑。

❓ 需要多高的编程水平？

会写 Python 基础语法就够了。量化交易用到的代码量其实很小，核心逻辑通常不超过100行。关键是理解策略思路。

❓ 量化交易一定能赚钱吗？

不能。量化只是帮你系统化地执行策略，减少情绪干扰。但如果策略本身逻辑有问题，量化只会让你亏得更快。永远记住：没有圣杯。

❓ 从学到实盘，大概要多久？

如果每天学1-2小时，大约3个月可以写出一个能跑的回测策略，再花1-2个月优化和模拟盘验证。半年左右可以小资金实盘。

📚 相关课程推荐

想深入学习量化？看看这些课程：

量化交易基础条件选股策略多因子模型全部课程