用Python编写简单的量化策略

核心思路

双均线策略的核心逻辑：

1. 计算两个不同周期的移动平均线（比如短期 5 日均线、长期 20 日均线）
2. 金叉买入
   ：短期均线上穿长期均线时，买入标的
3. 死叉卖出
   ：短期均线下穿长期均线时，卖出标的
4. 回测该策略在历史数据上的表现

准备工作

1. 安装必要库

我们需要用Tushare获取股票数据，Pandas处理数据，Matplotlib可视化结果：

bash

运行pip install tushare pandas matplotlib

2. 获取 Tushare token（可选）

Tushare 需要注册获取 token 才能获取数据：

• 注册地址：https://tushare.pro/register
• 注册后在个人主页复制 token

完整代码实现

python

运行import tushare as tsimport pandas as pdimport matplotlib.pyplot as plt# -------------------------- 1. 配置参数 --------------------------# 设置Tushare token（替换成你的token）ts.set_token('你的Tushare Token')pro = ts.pro_api()# 策略参数STOCK_CODE ='000001.SZ'# 平安银行START_DATE ='20220101'# 回测开始日期END_DATE ='20240101'# 回测结束日期SHORT_PERIOD =5# 短期均线周期LONG_PERIOD =20# 长期均线周期INIT_CASH =100000# 初始资金# -------------------------- 2. 获取历史数据 --------------------------defget_stock_data(code, start_date, end_date):"""获取股票日K线数据"""# 获取日线数据    df = pro.daily(ts_code=code, start_date=start_date, end_date=end_date)# 按日期升序排列    df = df.sort_values('trade_date').reset_index(drop=True)# 转换日期格式    df['trade_date']= pd.to_datetime(df['trade_date'])# 重命名列（方便后续处理）    df.rename(columns={'close':'price'}, inplace=True)return df# -------------------------- 3. 实现双均线策略 --------------------------defma_strategy(df, short_period, long_period):"""    实现双均线策略    返回包含买卖信号的DataFrame    """# 计算移动平均线    df['short_ma']= df['price'].rolling(window=short_period).mean()    df['long_ma']= df['price'].rolling(window=long_period).mean()# 生成买卖信号：1=买入，-1=卖出，0=无操作    df['signal']=0# 金叉：短期均线上穿长期均线（买入）    df.loc[df['short_ma']> df['long_ma'],'signal']=1# 死叉：短期均线下穿长期均线（卖出）    df.loc[df['short_ma']< df['long_ma'],'signal']=-1# 只保留信号变化的点（避免重复买卖）    df['signal']= df['signal'].diff()    df.loc[df['signal']==0,'signal']=Nonereturn df# -------------------------- 4. 回测策略 --------------------------defbacktest_strategy(df, init_cash):"""回测策略，计算收益"""    cash = init_cash  # 现金    position =0# 持仓数量    total_asset = init_cash  # 总资产（现金+持仓市值）# 记录每日资产    df['total_asset']= init_cashfor i inrange(len(df)):        price = df.iloc[i]['price']        signal = df.iloc[i]['signal']# 买入信号if signal ==1and cash >0:            position = cash // price  # 用全部现金买入（取整）            cash -= position * price  # 扣除买入成本# 卖出信号elif signal ==-1and position >0:            cash += position * price  # 卖出持仓，回笼现金            position =0# 计算当日总资产        total_asset = cash + position * price        df.iloc[i, df.columns.get_loc('total_asset')]= total_asset# 计算策略收益    total_return =(df.iloc[-1]['total_asset']- init_cash)/ init_cash *100# 计算基准收益（买入持有）    benchmark_return =(df.iloc[-1]['price']- df.iloc[0]['price'])/ df.iloc[0]['price']*100print(f"策略总收益: {total_return:.2f}%")print(f"基准收益（买入持有）: {benchmark_return:.2f}%")print(f"最终总资产: {df.iloc[-1]['total_asset']:.2f} 元")return df# -------------------------- 5. 可视化结果 --------------------------defplot_result(df):"""可视化策略结果"""    plt.rcParams['font.sans-serif']=['SimHei']# 显示中文    plt.figure(figsize=(12,8))# 子图1：股价和均线    ax1 = plt.subplot(2,1,1)    ax1.plot(df['trade_date'], df['price'], label='股价', color='blue')    ax1.plot(df['trade_date'], df['short_ma'], label=f'{SHORT_PERIOD}日均线', color='red')    ax1.plot(df['trade_date'], df['long_ma'], label=f'{LONG_PERIOD}日均线', color='green')# 标记买卖点    buy_points = df[df['signal']==1]    sell_points = df[df['signal']==-1]    ax1.scatter(buy_points['trade_date'], buy_points['price'], marker='^', color='red', s=100, label='买入')    ax1.scatter(sell_points['trade_date'], sell_points['price'], marker='v', color='green', s=100, label='卖出')    ax1.set_title(f'{STOCK_CODE} 双均线策略回测')    ax1.set_ylabel('价格（元）')    ax1.legend()    ax1.grid(True)# 子图2：总资产变化    ax2 = plt.subplot(2,1,2)    ax2.plot(df['trade_date'], df['total_asset'], label='策略总资产', color='purple')    ax2.set_xlabel('日期')    ax2.set_ylabel('总资产（元）')    ax2.legend()    ax2.grid(True)    plt.tight_layout()    plt.show()# -------------------------- 执行策略 --------------------------if __name__ =='__main__':# 1. 获取数据    stock_data = get_stock_data(STOCK_CODE, START_DATE, END_DATE)# 2. 生成策略信号    stock_data = ma_strategy(stock_data, SHORT_PERIOD, LONG_PERIOD)# 3. 回测策略    stock_data = backtest_strategy(stock_data, INIT_CASH)# 4. 可视化结果    plot_result(stock_data)

代码关键部分解释

1. 数据获取

get_stock_data函数通过 Tushare 获取股票的日 K 线数据，包含开盘价、收盘价、成交量等，核心是pro.daily()接口。

2. 策略逻辑

ma_strategy函数：

• 用rolling().mean()计算移动平均线
• 生成买卖信号：金叉（1）、死叉（-1）
• 用diff()过滤重复信号，只保留信号变化的点

3. 回测核心

backtest_strategy函数模拟真实交易：

• 记录现金、持仓数量、总资产
• 按信号执行买卖操作
• 计算策略收益和基准收益（买入持有）

4. 可视化

plot_result函数把股价、均线、买卖点、总资产变化可视化，直观展示策略效果。

运行注意事项

1. 替换 Token
   ：必须把代码中的你的Tushare Token替换成自己的 token，否则无法获取数据
2. 调整参数
   ：可以修改股票代码（如600036.SH招商银行）、均线周期（如 10/30）、初始资金
3. 数据范围
   ：Tushare 免费版能获取的历史数据有限，如需更多数据可升级权限

策略优化方向（进阶）

1. 加入止损止盈
   ：比如亏损 10% 强制卖出，盈利 20% 止盈
2. 仓位管理
   ：不一次性满仓，比如每次买入 50% 仓位
3. 多因子策略
   ：结合成交量、MACD 等指标过滤假信号
4. 手续费模拟
   ：加入佣金、印花税等真实交易成本