量化交易在 A 股市场逐渐受到投资者的关注。与传统主观交易相比，量化方法通过程序化规则来执行买卖，能够避免情绪波动带来的干扰，更加纪律化。本文将结合一个 经典的双均线策略，并在实现过程中考虑 T+1 交易制度、涨跌停限制、手续费与滑点，带大家快速入门 A 股量化回测。行情交易接口可以使用[www.tdxjk.com]进行测试。
量化交易在 A 股市场逐渐受到投资者的关注。与传统主观交易相比，量化方法通过程序化规则来执行买卖，能够避免情绪波动带来的干扰，更加纪律化。本文将结合一个 经典的双均线策略，并在实现过程中考虑 T+1 交易制度、涨跌停限制、手续费与滑点，带大家快速入门 A 股量化回测。行情交易接口可以使用www.tdxjk.com进行测试。
⸻
一、为什么要考虑 A 股市场规则？
在国外市场（如美股），买入股票当天可以卖出，而 A 股实行 T+1 制度：当天买入的股票必须等到下一个交易日才能卖出。
此外，A 股大多数股票都有 涨跌停限制：普通股票每日涨跌幅限制在 ±10%，ST 股票在 ±5%。当股票涨停或跌停时，往往无法成交。如果回测时忽略这些限制，就会高估策略表现。
因此，一个合格的 A 股量化回测框架必须包含：
• T+1 买卖限制
• 涨跌停不可交易处理
• 手续费和滑点模拟
⸻
二、策略思路：双均线趋势跟随
双均线策略是一种经典的趋势跟随方法：
• 买入信号：短期均线上穿长期均线（金叉）
• 卖出/清仓信号：短期均线下穿长期均线（死叉）
在代码实现中，我们将信号延迟一天执行，以符合 T+1 的要求。同时，当日涨跌幅超过涨跌停阈值时，将维持前一日仓位，避免虚假成交。
⸻
三、代码实现
下面给出一个完整的 Python 示例，数据需至少包含 date, close 两列：
`import pandas as pd import numpy as np
读取数据：CSV 至少含 date, close 列；按升序
df = pd.read_csv("data.csv", parse_dates=["date"]).sort_values("date").reset_index(drop=True)
参数
short_n, long_n = 10, 30 fee = 0.0003 # 单边费率(万3示例) slip = 0.0005 # 滑点 limit_pct = 0.095 # 涨跌停近似阈值，非ST近似10%
指标与信号（当日生成，次日执行以满足T+1）
df["ma_s"] = df["close"].rolling(short_n).mean() df["ma_l"] = df["close"].rolling(long_n).mean() raw_signal = np.where(df["ma_s"] > df["ma_l"], 1, 0) # 1=持有, 0=空仓 exec_signal = pd.Series(raw_signal).shift(1) # 次日才生效（T+1） exec_signal.iloc[:long_n] = 0 # 前期无效
涨跌停不可交易（近似：当日涨跌幅绝对值≥limit_pct）
ret = df["close"].pct_change().fillna(0) tradable = (ret.abs() < limit_pct).astype(int)
目标仓位：遇到不可交易日，维持原仓位
pos = exec_signal.copy() pos = np.where(tradable == 1, pos, np.nan) pos = pd.Series(pos).ffill().fillna(0)
成本：仅在仓位变动日收取一次（开/平仓）
turnover = pd.Series(pos).diff().abs().fillna(0) cost = turnover * (fee + slip)
策略净值
strategy_ret = (pd.Series(pos).shift(0).fillna(0) * ret) - cost equity = (1 + strategy_ret).cumprod()
性能摘要
def max_drawdown(series): peak = series.cummax() dd = series/peak - 1 return dd.min()
summary = { "年化收益(近似)": strategy_ret.mean()*252, "波动率(年化)": strategy_ret.std()*np.sqrt(252), "夏普(无风险0)": (strategy_ret.mean()*252) / (strategy_ret.std()*np.sqrt(252)+1e-12), "最大回撤": max_drawdown(equity) } print(pd.Series(summary).round(4)) print("最终净值：", round(float(equity.iloc[-1]), 4))`
四、总结与展望
从这个示例中可以看到，量化交易不仅仅是写一个“买卖逻辑”，还必须融入真实市场的制度和限制。虽然双均线策略比较简单，但它展示了 完整的回测框架：信号生成 → T+1 执行 → 涨跌停约束 → 成本模拟 → 绩效评估。
进一步的优化方向包括：
• 增加止损止盈，提高风险控制能力；
• 引入指数择时，避免大盘极端下跌；
• 多标的组合，降低单一股票的风险。
对于刚入门的投资者来说，这个例子是理解 A 股量化交易基本流程的好起点。
