用 Python 构建一个安静的猎人式交易系统
- 2026-09-02 20:34:59
2026年重磅升级已全面落地！欢迎加入专注财经数据与量化投研的【数据科学实战】知识星球！您将获取持续更新的《财经数据宝典》与《量化投研宝典》，双典协同提供系统化指引；星球内含300篇以上独有高质量文章，深度覆盖策略开发、因子分析、风险管理等核心领域，内容基本每日更新；同步推出的「量化因子专题教程」系列（含完整可运行代码与实战案例），系统详解因子构建、回测与优化全流程，并实现日更迭代。我们持续扩充独家内容资源，全方位赋能您的投研效率与专业成长。无论您是量化新手还是资深研究者，这里都是助您少走弯路、事半功倍的理想伙伴，携手共探数据驱动的投资未来！
引言
你是否想过，用 Python 写一个简单的量化交易策略，就能在 25 年的回测中实现 716% 的总收益？今天我们来拆解一篇技术文章，学习如何用 QQE 指标和随机指标（Stochastic）构建一个"安静的猎人"式交易系统。
这个策略的核心理念很简单：在市场疲软时入场，在市场过热时离场。不追涨杀跌，不预测未来，只是耐心等待市场自己暴露状态。
策略核心逻辑
入场条件：QQE 指标
QQE（Quantitative Qualitative Estimation）是一个基于 RSI 的平滑动量指标。当 QQE Value1 低于 50 时，说明市场动量减弱，是潜在的入场时机。
出场条件：随机指标
随机指标（Stochastic Oscillator）用于判断价格在近期区间中的位置。当 Slow %D 高于 80 时，说明市场处于超买状态，是离场信号。
完整代码实现
第一步：下载数据
import pandas as pd
import numpy as np
import yfinance as yf
import vectorbt as vbt
# -------------------------
# 下载股票数据
# -------------------------
symbol = "COF" # Capital One Financial 股票代码
start_date = "2000-01-01" # 开始日期
end_date = "2026-01-01" # 结束日期
interval = "1d" # 日线数据
# 从 Yahoo Finance 下载数据
df = yf.download(symbol, start=start_date, end=end_date, interval=interval)
df.to_csv("COF_clean.csv", index=False) # 保存到本地
第二步：计算 QQE 指标
# QQE 参数设置
QQE_FACTOR = 4.236 # QQE 因子
QQE_LEVEL = 50 # QQE 阈值
QQE_PERIOD = 14 # RSI 周期
QQE_SMOOTH = 5 # 平滑周期
def calculate_qqe(df, rsi_period=QQE_PERIOD, smooth=QQE_SMOOTH, factor=QQE_FACTOR):
"""
计算 QQE 指标的两条线（Value1 和 Value2）
基于 RSI 平滑和类 ATR 波动率模型
"""
df = df.copy()
# --- 计算 RSI ---
delta = df['Close'].diff() # 价格变化
up = delta.clip(lower=0) # 上涨部分
down = -delta.clip(upper=0) # 下跌部分
roll_up = up.ewm(alpha=1/rsi_period, adjust=False).mean() # 上涨均值
roll_down = down.ewm(alpha=1/rsi_period, adjust=False).mean() # 下跌均值
rsi = 100 - (100 / (1 + roll_up / roll_down)) # RSI 公式
# --- 平滑 RSI ---
rsi_ma = rsi.rolling(window=smooth).mean().fillna(method='bfill')
# --- RSI 变化率和类 ATR 平滑 ---
rsi_delta = rsi_ma.diff().abs().fillna(0)
atr_rsi = rsi_delta.ewm(alpha=1/smooth, adjust=False).mean()
# --- QQE 计算 ---
value1 = rsi_ma.copy() # QQE Value1 就是平滑后的 RSI
value2 = pd.Series(index=df.index, dtype=float) # QQE Value2 是动态阈值
value2.iloc[0] = value1.iloc[0]
for i in range(1, len(df)):
prev_trail = value2.iloc[i-1]
prev_value1 = value1.iloc[i-1]
atr = atr_rsi.iloc[i]
direction = 1 if prev_value1 > prev_trail else -1
value2.iloc[i] = prev_trail + direction * factor * atr
df['QQE_Value1'] = value1
df['QQE_Value2'] = value2
return df
def qqe_value1_lower_than_level(df, level=QQE_LEVEL):
"""判断 QQE Value1 是否低于阈值（入场条件）"""
df = calculate_qqe(df)
return df['QQE_Value1'] < level
第三步：计算随机指标
# 随机指标参数
STOCHASTIC_D_PERIOD = 3 # %D 周期
STOCHASTIC_K_PERIOD = 14 # %K 周期
STOCHASTIC_OVERBOUGHT = 80 # 超买阈值
def calculate_stochastic(df, k_period=STOCHASTIC_K_PERIOD, d_period=STOCHASTIC_D_PERIOD):
"""计算 Fast %K 和 Slow %D"""
low_min = df['Low'].rolling(window=k_period).min() # 周期内最低价
high_max = df['High'].rolling(window=k_period).max() # 周期内最高价
# Fast %K：当前价格在区间中的位置
df['Fast_%K'] = 100 * (df['Close'] - low_min) / (high_max - low_min)
# Slow %D：%K 的移动平均
df['Slow_%D'] = df['Fast_%K'].rolling(window=d_period).mean()
return df
def slow_d_higher_than_overbought(df, level=STOCHASTIC_OVERBOUGHT):
"""判断 Slow %D 是否高于超买阈值（出场条件）"""
df = calculate_stochastic(df)
return df['Slow_%D'] > level
第四步：生成交易信号并回测
# -------------------------
# 入场条件
# -------------------------
df["QQE_Value1_LowerThan_Level"] = qqe_value1_lower_than_level(df)
entry_conditions = [
'QQE_Value1_LowerThan_Level', # QQE Value1 < 50
]
df['entry_signal'] = df[entry_conditions].all(axis=1)
# -------------------------
# 出场条件
# -------------------------
df["Stochastic_Slow_%D_Higher_Than_Overbought"] = slow_d_higher_than_overbought(df)
exit_conditions = [
'Stochastic_Slow_%D_Higher_Than_Overbought', # Slow %D > 80
]
df['exit_signal'] = df[exit_conditions].all(axis=1)
# -------------------------
# 执行回测
# -------------------------
# 信号延迟一天执行，避免未来数据偏差
shift_entries = df['entry_signal'].shift(1).astype(bool).fillna(False).to_numpy()
shift_exits = df['exit_signal'].shift(1).astype(bool).fillna(False).to_numpy()
pf = vbt.Portfolio.from_signals(
close=df['Open'], # 使用开盘价成交
entries=shift_entries,
exits=shift_exits,
init_cash=100_000, # 初始资金 10 万
fees=0.001, # 手续费 0.1%
slippage=0.002, # 滑点 0.2%
freq='1d'
)
# -------------------------
# 输出统计结果
# -------------------------
print(pf.stats())
pf.plot().show()
回测结果解读
经过 25 年（2000-2025）的回测，该策略表现如下：
指标 数值 总收益率 716% 最大回撤 78% 总交易次数 145 次 胜率 73% 盈亏比 1.80 夏普比率 0.49
对比买入持有策略（603% 收益，90% 最大回撤），该策略在收益略高的同时，显著降低了最大回撤。
策略的核心思想
这个策略代表了一种"状态感知型动量策略"：
1. QQE 寻找疲软：当市场动量悄然减弱时入场 2. 随机指标寻找过热：当市场情绪过于亢奋时离场 3. 完整的情绪周期：疲软 → 恢复 → 过热 → 离场
这不是一个试图预测市场的策略，而是一个等待市场自己暴露状态的策略。
总结
通过这篇文章，我们学习了：
1. 如何使用 yfinance 下载股票历史数据 2. 如何用 Python 实现 QQE 和随机指标的计算 3. 如何使用 vectorbt 进行快速回测 4. 一个简单但有效的均值回归策略的构建思路
当然，历史回测不代表未来收益。这个策略在实盘中还需要考虑更多因素，比如交易成本、流动性、市场环境变化等。但作为学习量化交易的入门案例，它展示了如何用 Python 将一个交易思想转化为可执行的代码。
正如文章作者所说："安静的猎人不会追逐，它只是等待。"
参考文章
加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取本文完整研究解析、代码实现细节。
财经数据与量化投研知识社区
2026年全面升级已落地！【数据科学实战】知识星球核心权益如下：
1. 双典系统赋能：获赠《财经数据宝典》与《量化投研宝典》完整文档，凝练多年实战经验，构建系统化知识框架； 2. 量化因子日更教程（2026重磅新增）：每日更新「量化因子专题教程」，配套完整可运行代码与实战案例，深度拆解因子构建、回测与优化全流程； 3. 量化文章专题教程库：300+篇星球独有高质量教程式文章，系统覆盖策略开发、因子研究、风险管理等核心领域，内容基本每日更新，并配套精选学习资料与实战参考； 4. PyBroker实战课程：赠送《PyBroker-入门及实战》视频课程，手把手教学，快速掌握量化策略开发技能； 5. 财经数据支持：定期更新国内外财经数据，为策略研发提供精准、可靠的数据基础； 6. 顶尖学者与行业专家分享：年度邀请学术界博士与业界资深专家开展前沿论文精讲与实战案例分享，不少于4场，直击研究前沿与产业实践；
专家直连答疑：与核心开发者及领域专家实时互动，高效解决投研实战难题； 7. 专业社群与专属福利：加入高质量交流社群，获取课程折扣及更多独家资源。
星球已沉淀丰富内容生态——涵盖量化文章专题教程库、因子日更系列、高频数据集、PyBroker实战课程、专家深度分享与实时答疑服务。无论您是初探量化的学习者，还是深耕领域的从业者，这里都是助您少走弯路、高效成长的理想平台。诚邀加入，共探数据驱动的投资未来！
2026年重磅升级已全面落地！欢迎加入专注财经数据与量化投研的【数据科学实战】知识星球！您将获取持续更新的《财经数据宝典》与《量化投研宝典》，双典协同提供系统化指引；星球内含300篇以上独有高质量文章，深度覆盖策略开发、因子分析、风险管理等核心领域，内容基本每日更新；同步推出的「量化因子专题教程」系列（含完整可运行代码与实战案例），系统详解因子构建、回测与优化全流程，并实现日更迭代。我们持续扩充独家内容资源，全方位赋能您的投研效率与专业成长。无论您是量化新手还是资深研究者，这里都是助您少走弯路、事半功倍的理想伙伴，携手共探数据驱动的投资未来！
引言
你是否想过，用 Python 写一个简单的量化交易策略，就能在 25 年的回测中实现 716% 的总收益？今天我们来拆解一篇技术文章，学习如何用 QQE 指标和随机指标（Stochastic）构建一个"安静的猎人"式交易系统。
这个策略的核心理念很简单：在市场疲软时入场，在市场过热时离场。不追涨杀跌，不预测未来，只是耐心等待市场自己暴露状态。
策略核心逻辑
入场条件：QQE 指标
QQE（Quantitative Qualitative Estimation）是一个基于 RSI 的平滑动量指标。当 QQE Value1 低于 50 时，说明市场动量减弱，是潜在的入场时机。
出场条件：随机指标
随机指标（Stochastic Oscillator）用于判断价格在近期区间中的位置。当 Slow %D 高于 80 时，说明市场处于超买状态，是离场信号。
完整代码实现
第一步：下载数据
import pandas as pd
import numpy as np
import yfinance as yf
import vectorbt as vbt
# -------------------------
# 下载股票数据
# -------------------------
symbol = "COF" # Capital One Financial 股票代码
start_date = "2000-01-01" # 开始日期
end_date = "2026-01-01" # 结束日期
interval = "1d" # 日线数据
# 从 Yahoo Finance 下载数据
df = yf.download(symbol, start=start_date, end=end_date, interval=interval)
df.to_csv("COF_clean.csv", index=False) # 保存到本地第二步：计算 QQE 指标
# QQE 参数设置
QQE_FACTOR = 4.236 # QQE 因子
QQE_LEVEL = 50 # QQE 阈值
QQE_PERIOD = 14 # RSI 周期
QQE_SMOOTH = 5 # 平滑周期
def calculate_qqe(df, rsi_period=QQE_PERIOD, smooth=QQE_SMOOTH, factor=QQE_FACTOR):
"""
计算 QQE 指标的两条线（Value1 和 Value2）
基于 RSI 平滑和类 ATR 波动率模型
"""
df = df.copy()
# --- 计算 RSI ---
delta = df['Close'].diff() # 价格变化
up = delta.clip(lower=0) # 上涨部分
down = -delta.clip(upper=0) # 下跌部分
roll_up = up.ewm(alpha=1/rsi_period, adjust=False).mean() # 上涨均值
roll_down = down.ewm(alpha=1/rsi_period, adjust=False).mean() # 下跌均值
rsi = 100 - (100 / (1 + roll_up / roll_down)) # RSI 公式
# --- 平滑 RSI ---
rsi_ma = rsi.rolling(window=smooth).mean().fillna(method='bfill')
# --- RSI 变化率和类 ATR 平滑 ---
rsi_delta = rsi_ma.diff().abs().fillna(0)
atr_rsi = rsi_delta.ewm(alpha=1/smooth, adjust=False).mean()
# --- QQE 计算 ---
value1 = rsi_ma.copy() # QQE Value1 就是平滑后的 RSI
value2 = pd.Series(index=df.index, dtype=float) # QQE Value2 是动态阈值
value2.iloc[0] = value1.iloc[0]
for i in range(1, len(df)):
prev_trail = value2.iloc[i-1]
prev_value1 = value1.iloc[i-1]
atr = atr_rsi.iloc[i]
direction = 1 if prev_value1 > prev_trail else -1
value2.iloc[i] = prev_trail + direction * factor * atr
df['QQE_Value1'] = value1
df['QQE_Value2'] = value2
return df
def qqe_value1_lower_than_level(df, level=QQE_LEVEL):
"""判断 QQE Value1 是否低于阈值（入场条件）"""
df = calculate_qqe(df)
return df['QQE_Value1'] < level第三步：计算随机指标
# 随机指标参数
STOCHASTIC_D_PERIOD = 3 # %D 周期
STOCHASTIC_K_PERIOD = 14 # %K 周期
STOCHASTIC_OVERBOUGHT = 80 # 超买阈值
def calculate_stochastic(df, k_period=STOCHASTIC_K_PERIOD, d_period=STOCHASTIC_D_PERIOD):
"""计算 Fast %K 和 Slow %D"""
low_min = df['Low'].rolling(window=k_period).min() # 周期内最低价
high_max = df['High'].rolling(window=k_period).max() # 周期内最高价
# Fast %K：当前价格在区间中的位置
df['Fast_%K'] = 100 * (df['Close'] - low_min) / (high_max - low_min)
# Slow %D：%K 的移动平均
df['Slow_%D'] = df['Fast_%K'].rolling(window=d_period).mean()
return df
def slow_d_higher_than_overbought(df, level=STOCHASTIC_OVERBOUGHT):
"""判断 Slow %D 是否高于超买阈值（出场条件）"""
df = calculate_stochastic(df)
return df['Slow_%D'] > level第四步：生成交易信号并回测
# -------------------------
# 入场条件
# -------------------------
df["QQE_Value1_LowerThan_Level"] = qqe_value1_lower_than_level(df)
entry_conditions = [
'QQE_Value1_LowerThan_Level', # QQE Value1 < 50
]
df['entry_signal'] = df[entry_conditions].all(axis=1)
# -------------------------
# 出场条件
# -------------------------
df["Stochastic_Slow_%D_Higher_Than_Overbought"] = slow_d_higher_than_overbought(df)
exit_conditions = [
'Stochastic_Slow_%D_Higher_Than_Overbought', # Slow %D > 80
]
df['exit_signal'] = df[exit_conditions].all(axis=1)
# -------------------------
# 执行回测
# -------------------------
# 信号延迟一天执行，避免未来数据偏差
shift_entries = df['entry_signal'].shift(1).astype(bool).fillna(False).to_numpy()
shift_exits = df['exit_signal'].shift(1).astype(bool).fillna(False).to_numpy()
pf = vbt.Portfolio.from_signals(
close=df['Open'], # 使用开盘价成交
entries=shift_entries,
exits=shift_exits,
init_cash=100_000, # 初始资金 10 万
fees=0.001, # 手续费 0.1%
slippage=0.002, # 滑点 0.2%
freq='1d'
)
# -------------------------
# 输出统计结果
# -------------------------
print(pf.stats())
pf.plot().show()回测结果解读
经过 25 年（2000-2025）的回测，该策略表现如下：
对比买入持有策略（603% 收益，90% 最大回撤），该策略在收益略高的同时，显著降低了最大回撤。
策略的核心思想
这个策略代表了一种"状态感知型动量策略"：
1. QQE 寻找疲软：当市场动量悄然减弱时入场 2. 随机指标寻找过热：当市场情绪过于亢奋时离场 3. 完整的情绪周期：疲软 → 恢复 → 过热 → 离场
这不是一个试图预测市场的策略，而是一个等待市场自己暴露状态的策略。
总结
通过这篇文章，我们学习了：
1. 如何使用 yfinance 下载股票历史数据 2. 如何用 Python 实现 QQE 和随机指标的计算 3. 如何使用 vectorbt 进行快速回测 4. 一个简单但有效的均值回归策略的构建思路
当然，历史回测不代表未来收益。这个策略在实盘中还需要考虑更多因素，比如交易成本、流动性、市场环境变化等。但作为学习量化交易的入门案例，它展示了如何用 Python 将一个交易思想转化为可执行的代码。
正如文章作者所说："安静的猎人不会追逐，它只是等待。"
参考文章
加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取本文完整研究解析、代码实现细节。
财经数据与量化投研知识社区
2026年全面升级已落地！【数据科学实战】知识星球核心权益如下：
1. 双典系统赋能：获赠《财经数据宝典》与《量化投研宝典》完整文档，凝练多年实战经验，构建系统化知识框架； 2. 量化因子日更教程（2026重磅新增）：每日更新「量化因子专题教程」，配套完整可运行代码与实战案例，深度拆解因子构建、回测与优化全流程； 3. 量化文章专题教程库：300+篇星球独有高质量教程式文章，系统覆盖策略开发、因子研究、风险管理等核心领域，内容基本每日更新，并配套精选学习资料与实战参考； 4. PyBroker实战课程：赠送《PyBroker-入门及实战》视频课程，手把手教学，快速掌握量化策略开发技能； 5. 财经数据支持：定期更新国内外财经数据，为策略研发提供精准、可靠的数据基础； 6. 顶尖学者与行业专家分享：年度邀请学术界博士与业界资深专家开展前沿论文精讲与实战案例分享，不少于4场，直击研究前沿与产业实践；
专家直连答疑：与核心开发者及领域专家实时互动，高效解决投研实战难题；7. 专业社群与专属福利：加入高质量交流社群，获取课程折扣及更多独家资源。
星球已沉淀丰富内容生态——涵盖量化文章专题教程库、因子日更系列、高频数据集、PyBroker实战课程、专家深度分享与实时答疑服务。无论您是初探量化的学习者，还是深耕领域的从业者，这里都是助您少走弯路、高效成长的理想平台。诚邀加入，共探数据驱动的投资未来！
好文推荐
1. 用 Python 打造股票预测系统：Transformer 模型教程（一）
2. 用 Python 打造股票预测系统：Transformer 模型教程（二）
3. 用 Python 打造股票预测系统：Transformer 模型教程（三）
4. 用 Python 打造股票预测系统：Transformer 模型教程（完结）
6. YOLO 也能预测股市涨跌？计算机视觉在股票市场预测中的应用
9. Python 量化投资利器：Ridge、Lasso 和 Elastic Net 回归详解
好书推荐
