一、 核心前置准备（手机可落地）
1. 环境：安装Python+核心库（ pip install numpy pandas matplotlib backtrader tushare ）
2. 数据：用 tushare 获取免费股票/基金数据，需注册获取token
3. 核心逻辑：数据获取→策略编写→回测验证→模拟交易
二、 4步入门量化（极简流程）
1. 获取行情数据（示例：茅台日线）
python
import tushare as ts
ts.set_token('你的token')
pro = ts.pro_api()
df = pro.daily(ts_code='600519.SH', start_date='20240101', end_date='20250101')
df = df.sort_values('trade_date') # 按时间排序
2. 写基础策略（以均线金叉死叉为例）
核心思路：5日均线上穿20日均线买入，下穿卖出
python
# 计算均线
df['ma5'] = df['close'].rolling(5).mean()
df['ma20'] = df['close'].rolling(20).mean()
# 生成信号（1买入，-1卖出，0持仓）
df['signal'] = 0
df.loc[(df['ma5']>df['ma20'])&(df['ma5'].shift(1)<=df['ma20'].shift(1)), 'signal']=1
df.loc[(df['ma5']<df['ma20'])&(df['ma5'].shift(1)>=df['ma20'].shift(1)), 'signal']=-1
3. 回测验证（算收益、胜率）
python
# 计算策略收益（假设全仓买卖，忽略手续费）
df['return'] = df['close'].pct_change() # 股价日收益
df['strategy_return'] = df['signal'].shift(1) * df['return'] # 信号滞后1天执行
df['cum_return'] = (1+df['strategy_return']).cumprod() # 策略累计收益
df['stock_cum_return'] = (1+df['return']).cumprod() # 持股累计收益
# 输出结果
print('策略最终收益：', round((df['cum_return'].iloc[-1]-1)*100,2),'%')
print('持股最终收益：', round((df['stock_cum_return'].iloc[-1]-1)*100,2),'%')
4. 进阶工具（回测框架backtrader）
简单策略用pandas，复杂策略用框架（支持多标的、手续费、仓位管理），核心是继承 bt.Strategy 写逻辑。
三、 关键注意点（避坑）
- 免费数据有局限，实盘需对接券商API（如同花顺、通达信）
- 回测≠实盘，要考虑滑点、手续费、停牌风险
- 新手先做单标的策略，再拓展多因子、择时、仓位管理
四、 学习路径（从易到难）
1. 基础：Python数据处理（pandas）+ 技术指标（均线、MACD、KDJ）
2. 入门：用backtrader写策略+回测，验证有效性
3. 进阶：多因子模型、机器学习选股、仓位风控（止损止盈）
4. 实盘：对接合规券商，小资金模拟→轻仓实盘
