我用Python做量化这十年:完整策略框架与实盘踩坑全记录

我用Python做量化这十年：完整策略框架与实盘踩坑全记录

作者：程飞 | 2026年4月2日

我在朋友圈发过一条动态，说"用Python写代码做量化第十年了"，有人留言问我：这十年有没有一套完整的东西可以分享？我想了想，决定把这十年的策略框架、系统搭建、踩过的坑，系统性地写一写。这不是入门教程，是给有基础的人看的实战记录。读完这篇文章，你应该能了解一个真实量化交易员的完整工作流程，以及那些教科书里不会写的实战经验。

我把这十年分成三个阶段：第一个五年是主观加程序化辅助时代，第二个五年是纯量化时代，最近两年是机器学习加另类数据时代。每一个阶段的策略框架和踩过的坑都不一样，我分别说。

一、第一个五年（2016—2021）：主观交易打基础，程序化做辅助

2016年到2021年这五年，我走了大量的弯路。这段时间我同时做主观交易和量化研究，策略主要是趋势跟踪和均值回归两类。程序化的部分是辅助——写选股模型、回测框架、风险监控系统，但最终的交易决策还是人来做。这个阶段的收获是：我把A股市场上几乎所有主流策略都回测了一遍，知道了什么策略有效、什么策略无效、什么策略看起来有效但实际上无效（大多数策略属于这一类）。

最大的坑是"过拟合"。我回测的第一个趋势跟踪策略，用的是均线金叉死叉，参数是MA5和MA20。回测结果漂亮得不得了——年化收益62%，夏普比率2.3，最大回撤-11%。我兴奋地上了实盘，结果第一个月就亏了18%。后来复盘发现，这套参数在2019年到2020年的大牛市里表现极好，但用在震荡市里就是灾难。回测区间太短，参数太少，样本外测试根本没过。

这个坑让我彻底改变了对量化回测的理解。从那以后我做回测遵循几个原则：第一，回测区间必须包含至少一个完整的牛熊周期，不能只看某一类市场环境；第二，参数要做敏感性分析——同一个策略用不同参数跑，如果结果差异巨大，说明策略依赖于特定参数，可信度存疑；第三，必须做样本外测试——把历史数据分成训练集和测试集，用测试集验证策略有效性，而不是用全部数据优化出来的结果。

第一个五年的另一大教训是关于仓位管理。我前两年做主观交易的时候，仓位管理全凭感觉——觉得行情好就重仓，觉得不确定就轻仓。听起来很合理，但实际上这种仓位管理方式是高度情绪化的，往往在行情好的时候仓位不够，行情差的时候仓位反而重。解决这个问题花了我很长时间。我的做法是：把所有仓位决策公式化。单个股票仓位上限是多少？组合整体仓位根据市场环境如何调整？净值回撤到哪个位置要强制降仓？这些规则写清楚之后，情绪对仓位的影响就小多了。

二、第二个五年（2021—2026）：全量化策略体系的搭建

2021年我做了一个重要的决定：完全放弃主观交易，转向纯量化策略。这个决定的前提是：我花了五年时间对A股做了大量的策略回测和实证研究，对什么策略有效、什么策略无效有了比较系统的认识。这个认识让我相信，纯量化策略在A股是可以持续创造超额收益的——前提是你有正确的框架和足够的数据。

全量化框架的核心是三层结构：Alpha模型、风险模型、交易执行模型。

Alpha模型负责选股，输出每个股票的未来相对收益预测。我用的是多模型集成：基本面量化模型（基于财务数据的线性模型）、量价模型（基于技术指标和交易数据的树模型）、机器学习模型（LSTM处理时序数据、LightGBM处理横截面数据）。三个模型的预测分数加权平均，权重根据过去一段时间各模型的表现动态调整。

风险模型负责控制组合风险暴露。我的风险模型基于Barra的纯因子风险框架，对市值、行业、估值、动量等十几个风险因子做约束，确保组合在每个风险因子上的暴露不超过预设阈值。这部分的代码实现大概占了整个量化系统30%的工作量，是最容易被新手忽略但实际上最重要的部分。

交易执行模型负责把Alpha信号转化为实际委托。这部分我在之前的文章里提过，不再重复。只补充一点：交易执行模块最容易出现的问题是"过度优化"。很多人把历史交易数据拿来优化VWAP算法参数，跑出来的结果很漂亮，实盘却一塌糊涂——因为历史交易数据里的市场条件（流动性、波动率、买卖盘结构）跟实盘不一样。

这个阶段踩的最大的坑是"数据质量"。2022年我发现一个奇怪的现象：某些因子在回测里表现很好，但实盘跑出来的结果差很多。排查了很久，最后发现问题出在数据上——有些数据的复权方式有问题，导致计算出来的收益率出现偏差。还有一些数据在交易日开盘前和收盘后有重大公告，但这些时间点的行情数据处理方式不对，导致模型学到了错误的模式。数据质量这件事，占了量化工作50%以上的精力，但很多人低估了它的重要性。

三、最近两年（2024—2026）：机器学习与另类数据的深度整合

从2024年开始，我进入了量化生涯的第三个阶段：机器学习模型和另类数据的深度整合。这个阶段的标志性变化是，我开始用强化学习做仓位管理，用NLP处理文本数据，用CNN处理卫星图像数据，同时还在探索用知识图谱整合产业链上下游关系。

强化学习做仓位管理的核心难点是Reward Function的设计。我一开始用的Reward是简单的"单笔收益"，结果模型学会了重仓赌方向——短期收益极高，但一旦行情反转就爆仓。后来改成"风险调整后收益"（夏普比率），模型学会了控制仓位，但响应速度变慢了，在快速行情里跟不上节奏。最后我用的是复合Reward：30%权重给当期收益，70%权重给风险调整后收益（用滚动窗口计算），同时加上最大回撤惩罚项。这个Reward Function跑出来的效果比较接近我的实盘目标。

NLP处理文本数据的关键是FinBERT的微调。通用BERT模型在财经文本上效果一般，因为财经领域有自己的专业词汇和表达方式。我的做法是用A股年报、公告、研报数据对FinBERT做二次预训练（Continue Pre-training），然后在标注数据上做监督微调。标注数据是我自己标注的——从过去五年的公告里随机选了2000条，每条标注为"积极"、"消极"、"中性"，然后用这2000条数据做监督微调。微调后的模型在测试集上准确率达到78%，比原始FinBERT高了12个百分点，比传统关键词匹配高了22个百分点。

CNN处理卫星图像数据的挑战是数据获取和标注成本。卫星图像数据我用的是Planet Labs的每日图像数据，覆盖国内主要工业园区。CNN模型用ResNet50做backbone，输出是每个工厂的产能利用率估计。标注数据是难点——我不可能真的去每个工厂实地考察。我的做法是用工商用电数据做代理标注：用电量显著高于同期的工厂，标注为"高产能"；用电量显著低于同期的，标注为"低产能"。这个代理标注不完全准确，但在大样本量下有足够的统计显著性。

四、我的完整Python量化系统代码框架

说了这么多框架性的东西，给大家看看我现在的核心代码结构。这不是完整的系统（完整系统有几万行代码），只是一个最小化可行系统的骨架。

# === 数据层 ===
import akshare as ak
import pandas as pd
import sqlite3

class DataEngine:
    """统一数据引擎：行情+财务+另类数据"""
    def __init__(self, db_path="quant.db"):
        self.conn = sqlite3.connect(db_path)
        self.cache = {}  # 内存缓存，减少重复查询

    def get_price(self, codes, start, end):
        # 缓存未命中才查询
        key = f"price_{codes}_{start}_{end}"
        if key not in self.cache:
            df = ak.stock_zh_a_hist(
                symbol=codes[0], period="daily",
                start_date=start, end_date=end, adjust="qfq")
            self.cache[key] = df
        return self.cache[key]

# === Alpha模型层 ===
import lightgbm as lgb
import joblib

class AlphaModel:
    """多模型集成选股"""
    def __init__(self):
        self.models = {
            "fundamental": joblib.load("fund_model.pkl"),
            "quant": joblib.load("quant_model.pkl"),
            "nlp": joblib.load("nlp_model.pkl"),
            }
        self.weights = {"fundamental": 0.35, "quant": 0.45, "nlp": 0.20}

    def predict(self, features):
        scores = {}
        for name, model in self.models.items():
            scores[name] = model.predict_proba(features[name])[:, 1]
        # 加权平均
        final_score = sum(
            self.weights[k] * v for k, v in scores.items()
        )
        return final_score

# === 风控层 ===
import numpy as np

class RiskManager:
    """Barra风格风控"""
    def __init__(self, risk_limits):
        # 风险限额字典
        self.limits = risk_limits

    def apply_constraints(self, weights, risk_exposures):
        # 逐个因子检查，超限则压缩
        for factor, exposure in risk_exposures.items():
            if abs(exposure) > self.limits.get(factor, 1.0):
                # 按比例压缩到限额
                scale = self.limits[factor] / abs(exposure)
                weights *= scale
        return weights


五、实盘十年的六个最重要的感悟

第一：量化不是圣杯，稳定收益来自正确的风险管理，而不是更高的收益。我在这个市场里见过太多聪明人，他们的Alpha模型收益率很高，但最后没赚到钱——原因都是风险管理出了问题。收益率是乘数，风险控制是基石。没有基石，再高的收益率也只是空中楼阁。

第二：策略会失效，这是必然的，不是你做得不好。任何基于历史规律的量化策略，在市场上被足够多的人使用之后，都会逐渐失效。这是市场的博弈本质决定的。所以量化交易员必须持续迭代策略，同时接受"策略有效性是有限的"这个事实。

第三：数据质量比模型复杂度更重要。我用过一个"土方法"——简单的财务选股模型，数据质量好，跑出来的效果经常比复杂的机器学习模型好。模型复杂度带来的边际提升，远远抵消不了数据质量问题带来的边际损失。

第四：实盘中的心理管理比策略本身更难。当你的策略连续三个月跑输基准，你会怎么做？当你的实盘结果跟回测差距巨大，你会怎么想？这些问题没有标准答案，但它们决定了你在市场上能活多久。

第五：保持开放，但要有自己的判断标准。这个领域每天都有新论文、新工具、新策略。保持开放是好的，但不要被每一个新东西带着走。你需要有自己的判断标准：这个新东西是否解决了我的一个实际问题？它是否在我的能力圈之内？它的复杂度是否匹配它的实际价值？

第六：活得久才是硬道理。我在这个市场里见过太多人，两年赚了三倍，然后第三年亏光了。要在这个市场里长期活下去，最重要的是活得久。活得久的关键不是收益率多高，而是风险控制得多好。你不需要成为市场里最聪明的那个人，你只需要成为活得最久的那个人。

结语

十年量化路，写了这么多，不是为了炫耀什么——事实上我这十年的年化收益率大概是19%，不算特别高，但比较稳定。我觉得最重要的是，这十年我一直在进步，每一年都比前一年更理解这个市场、更理解自己的策略、更理解自己。这比任何具体的收益率数字都更有价值。

代码会过时，模型会失效，但底层逻辑不会变。这十年最重要的收获，不是哪一套策略，而是一套思考市场的方式。

本文仅供参考，不构成投资建议。市场有风险，入市需谨慎。