如何用 Python 30 分钟跑一次回测(手把手教程)

老郑聊量化 · 第 3 篇

2026 年 7 月 2 日

一句话开场

很多人问我："老郑，你的回测数据是怎么跑出来的？是不是要写很复杂的程序？"

答案是：不需要。

今天这篇，我把回测的核心思路讲清楚。你不需要是程序员，你只需要有一台电脑，和一点点耐心。

回测是什么？

简单说就是：用历史数据验证你的想法靠不靠谱。

比如你觉得"股票连跌3天后大概率会反弹"——这是你的直觉。

回测就是拿过去3年的数据，把所有"连跌3天"的情况找出来，看看第二天到底涨了多少、跌了多少、胜率多少。

数据说了算，不是感觉说了算。

第一步：装好工具（5 分钟）

打开电脑终端，输入一行命令：

plaintext
1
2
pip install akshare pandas



这两个库就够了：

akshare：免费的 A 股数据源，历史 K 线、财务数据都有
pandas：数据处理工具，帮你把几千条数据整理成你想要的样子

第二步：拉取数据（3 分钟）

三行代码拿到一只股票 3 年的日 K 线：

python
1
2
3
4
5
6
7
import akshare as ak


df = ak.stock_zh_a_hist(symbol="002861", period="daily",
start_date="20230101", end_date="20251231",
adjust="qfq")
print(df.head())



跑完你会看到一张表格：日期、开盘、收盘、最高、最低、成交量、涨跌幅……

这就是你接下来所有分析的基础数据。

第三步：定义你的想法（核心）

回测最重要的不是代码，是你想验证什么。

举个例子，我的一个策略逻辑是：

"下影线特别长的股票，第二天大概率会涨。"

翻译成代码就是：

找出每天的下影线长度（收盘价到最低价之间的距离）
和下影线很短的对比，看第二天的涨跌幅有没有差别
如果有显著差别，说明这个"想法"有统计依据

我不给你完整代码——不是藏着掖着，是每个人的策略逻辑不同，你需要自己想清楚"要验证什么"。

但我可以告诉你结果：

用这个方法跑 3 年数据，筛出 37 次信号，胜率 76%。

第四步：看结果（2 分钟）

python
1
2
3
4
print(f"总交易次数：{len(result_df)}")
print(f"胜率：{(result_df['收益率'] > 0).mean() * 100:.1f}%")
print(f"平均收益：{result_df['收益率'].mean():.2f}%")



跑出来一张表：

表格
指标 数值
总交易次数 37 笔
胜率 76%
平均每笔收益 +1.68%

这就是回测的全部意义——用数据说话，不用感觉赌命。

回测最容易踩的 3 个坑

坑 1：未来函数

你的策略在 9:30 用了 15:00 才知道的数据——这就是"偷看答案"。

常见错误：用当天的收盘价决定是否在当天买入。实际上你在收盘前根本不知道收盘价是多少。

解决方法：严格用 T 日数据做决策，T+1 日执行交易。

坑 2：忽略手续费和滑点

很多人回测收益 +200%，一上实盘就亏。因为没算手续费。

别小看万分之几的手续费，高频交易一年下来能吃掉你 6-8% 的收益。

坑 3：幸存者偏差

你选了"表现好的股票"来回测，那些退市的、暴雷的你看都不看。

解决方法：回测范围要包含所有股票，而不是只挑好看的。

我的回测习惯

每次改参数，先跑全市场回测——改一个数字，可能从赚变亏
样本量要够——少于 30 笔交易的策略，我根本不信
不同市场环境都跑一遍——牛市赚钱不算本事，熊市也能赚钱才是真功夫
简单记录在 Excel 里——每笔交易的买卖价、收益率、持仓天数，一目了然

写在最后

回测不是万能药，但没有回测的策略就是赌博。

30 分钟，一台电脑，两个 Python 库——你就能验证一个想法到底靠不靠谱。

与其花 18 年自己踩坑，不如花 30 分钟先跑一遍数据。

下一篇，我会用一个真实案例告诉你"下影线策略"是怎么选股的。

关注我，少走弯路。

风险提示

本文仅供学习交流，不构成投资建议。

回测数据不代表未来表现。

投资有风险，决策靠自己。

老郑

2026 年 7 月 2 日

广东

本文首发于公众号"老郑聊量化"。