量化入门第2篇：用AKShare数据做均线策略，回测收益一看便知上一篇我们用AKShare轻松拿到了股票日K数据，这一篇

【导语】上一篇我们用AKShare轻松拿到了股票日K数据，这一篇就进入实战环节！今天教大家做新手最易上手的“5日-20日均线交叉策略”——金叉（5日均线上穿20日均线）买入，死叉（5日均线下穿20日均线）卖出。全程带代码，跑完就能看到策略在历史数据中的收益，让你真正体验量化交易的闭环。

一、先搞懂：均线交叉策略为什么适合新手？

很多老股民都用过均线判断买卖点，均线交叉策略能成为量化入门首选，核心原因有两个：

逻辑简单易懂：5日均线代表短期趋势，20日均线代表中期趋势，金叉说明短期强势超过中期，是买入信号；死叉则相反，是卖出信号，不用复杂的数学模型。
数据要求低：只用上一篇获取的日K数据（开盘价、收盘价等）就能实现，无需额外找高阶数据，衔接性极强。

特别说明：本文是历史回测（用过去数据验证策略），不是实盘交易建议。实盘需结合实时行情、手续费等因素调整，新手先练回测再碰实盘。

二、策略回测前的3个核心准备

回测就像“模拟炒股”，要先明确规则和工具，避免结果失真。这三点提前搞清楚，代码跑起来更顺畅。

回测标的：延续上一篇的案例，用宁德时代（300750）2024年1月1日至2024年10月31日的日K数据，数据直接用AKShare实时获取，不用手动导入。
交易规则：① 不考虑涨跌停（回测简化）；② 每次交易全仓买入/卖出（新手易理解）；③ 手续费按万分之三计算（接近券商实际费率）。
核心指标：回测后重点看三个数据——总收益率（赚了多少）、交易次数（频繁与否）、最大回撤（最大亏损幅度，衡量风险）。

三、全程代码：从数据获取到回测结果输出

代码分为三部分：获取日K数据→计算均线与交易信号→回测收益。每一步都标了详细注释，上一篇的代码基础能直接复用，新手跟着复制就能跑。

完整代码（带注释）

import akshare as ak
import pandas as pd
import numpy as np

# ---------------------- 第一步：用AKShare获取宁德时代日K数据 ----------------------
# 延续上一篇的接口，获取2024年1-10月前复权数据
stock_df = ak.stock_zh_a_daily(
    symbol="300750",  # 宁德时代代码
    start_date="2024-01-01",
    end_date="2024-10-31",
    adjust="qfq"  # 前复权，匹配实盘成本
)
# 重置索引，把日期转为普通列
stock_df = stock_df.reset_index()
# 重命名列名（部分版本列名是英文，统一为中文方便新手）
stock_df.columns = ["日期", "开盘价", "最高价", "最低价", "收盘价", "成交量", "成交额"]

# ---------------------- 第二步：计算均线和交易信号 ----------------------
# 1. 计算5日均线和20日均线（用rolling函数滚动计算均值）
stock_df["5日均线"] = stock_df["收盘价"].rolling(window=5).mean()  # window=5代表5天滚动
stock_df["20日均线"] = stock_df["收盘价"].rolling(window=20).mean()

# 2. 判断金叉和死叉信号（核心逻辑）
# 金叉：前一天5日均线<20日均线，当天5日均线>20日均线
stock_df["金叉信号"] = (stock_df["5日均线"].shift(1) < stock_df["20日均线"].shift(1)) & (stock_df["5日均线"] > stock_df["20日均线"])
# 死叉：前一天5日均线>20日均线，当天5日均线<20日均线
stock_df["死叉信号"] = (stock_df["5日均线"].shift(1) > stock_df["20日均线"].shift(1)) & (stock_df["5日均线"] < stock_df["20日均线"])

# 3. 标记交易信号（1=买入，0=无动作，-1=卖出）
stock_df["交易信号"] = 0
stock_df.loc[stock_df["金叉信号"], "交易信号"] = 1
stock_df.loc[stock_df["死叉信号"], "交易信号"] = -1

# ---------------------- 第三步：回测计算收益 ----------------------
# 1. 初始化回测参数
stock_df["持仓状态"] = 0  # 0=空仓，1=持仓
stock_df["单次收益"] = 0.0  # 每次交易的收益
cash = 100000  # 初始本金10万元
hold_shares = 0  # 持有股数

# 2. 遍历数据，执行交易逻辑
for i in range(len(stock_df)):
    date = stock_df.loc[i, "日期"]
    close_price = stock_df.loc[i, "收盘价"]
    signal = stock_df.loc[i, "交易信号"]
    
    # 买入逻辑：金叉信号且空仓
    if signal == 1 and stock_df.loc[i, "持仓状态"] == 0:
        hold_shares = cash // close_price  # 全仓买入（取整数股）
        cash = cash - hold_shares * close_price  # 扣除买入金额
        stock_df.loc[i, "持仓状态"] = 1
        print(f"{date} 发出买入信号，买入价格{close_price}元，持有{hold_shares}股，剩余现金{cash:.2f}元")
    
    # 卖出逻辑：死叉信号且持仓
    elif signal == -1 and stock_df.loc[i, "持仓状态"] == 1:
        cash = cash + hold_shares * close_price  # 卖出获得现金
        stock_df.loc[i, "单次收益"] = (close_price - stock_df.loc[i-1, "收盘价"]) * hold_shares  # 计算单次收益
        hold_shares = 0  # 清空持仓
        stock_df.loc[i, "持仓状态"] = 0
        print(f"{date} 发出卖出信号，卖出价格{close_price}元，单次收益{stock_df.loc[i, '单次收益']:.2f}元，总现金{cash:.2f}元")
    
    # 延续前一天持仓状态
    if i > 0:
        stock_df.loc[i, "持仓状态"] = stock_df.loc[i-1, "持仓状态"]

# 3. 计算最终回测结果
final_cash = cash + hold_shares * stock_df.iloc[-1, stock_df.columns.get_loc("收盘价")]  # 最终现金=剩余现金+持仓市值
total_return = (final_cash - 100000) / 100000 * 100  # 总收益率
trade_count = stock_df["交易信号"].abs().sum()  # 交易次数（买入+卖出）
# 计算最大回撤（简化版：持仓期间从最高点到最低点的跌幅）
stock_df["持仓市值"] = stock_df["持仓状态"] * (hold_shares * stock_df["收盘价"] + cash)
if stock_df["持仓市值"].max() > 0:
    max_drawdown = (stock_df["持仓市值"].max() - stock_df["持仓市值"].min()) / stock_df["持仓市值"].max() * 100
else:
    max_drawdown = 0

# 输出最终结果
print("\n==================== 回测结果汇总 ====================")
print(f"初始本金：100000元")
print(f"最终资金：{final_cash:.2f}元")
print(f"总收益率：{total_return:.2f}%")
print(f"交易次数：{trade_count}次")
print(f"最大回撤：{max_drawdown:.2f}%")
print("======================================================")

四、代码运行后：关键结果怎么看？

把代码复制到PyCharm运行，会输出两部分内容，新手重点关注这几点：

1. 逐笔交易记录

代码会打印每次买卖的时间、价格和金额，比如：

2024-01-15 发出买入信号，买入价格180.50元，持有554股，剩余现金1230.00元 2024-02-20 发出卖出信号，卖出价格195.30元，单次收益8210.00元，总现金108426.20元

通过这些记录能清晰看到每笔交易的盈亏，判断信号是否及时。

2. 核心回测指标

最终汇总的三个指标是关键，以宁德时代2024年数据为例（实际结果以代码运行为准）：

总收益率：如果结果是15.2%，说明策略在这段时间跑赢了不少理财产品；如果是负数，就要分析是策略问题还是市场整体下跌。
交易次数：正常情况下，均线策略交易次数不会太多（每月1-2次），如果频繁买卖（比如每月5次以上），可能是短期波动导致假信号，需要优化。
最大回撤：如果最大回撤是8%，意味着策略运行中最多亏过8%，新手要判断这个风险是否能接受。

五、新手必学：策略优化的3个小技巧

跑回测后发现收益不理想？不用急着否定策略，这三个简单优化方法能提升效果，新手也能操作：

1. 调整均线周期

如果假信号太多，可把短期均线换成10日，中期换成30日，过滤掉部分短期波动。修改代码中这两行的“window”参数即可：

stock_df["10日均线"] = stock_df["收盘价"].rolling(window=10).mean()
stock_df["30日均线"] = stock_df["收盘价"].rolling(window=30).mean()

2. 增加过滤条件

只看均线交叉容易被骗线，可加上“股价站上60日均线”作为附加条件（确保中期趋势向上），修改买入信号逻辑：

# 新增60日均线
stock_df["60日均线"] = stock_df["收盘价"].rolling(window=60).mean()
# 金叉信号+股价站上60日均线
stock_df["金叉信号"] = (stock_df["5日均线"].shift(1) < stock_df["20日均线"].shift(1)) & (stock_df["5日均线"] > stock_df["20日均线"]) & (stock_df["收盘价"] > stock_df["60日均线"])

3. 分散投资标的

单只股票风险高，可把策略应用到沪深300成分股上，筛选出同时发出金叉信号的股票组合买入。用上一篇学的AKShare接口，用“ak.stock_zh_index_component("000300")”就能获取沪深300成分股代码。

六、下一篇预告：策略可视化，用图表看懂收益走势

光看数字不够直观，下一篇我们教大家用matplotlib画图，把“股价+均线+买卖点+收益曲线”画在同一张图上，策略效果一目了然。还会教大家如何导出回测报告，方便后续分析。

【互动】你跑出来的宁德时代均线策略收益率是多少？评论区晒出你的结果，抽3人送《量化策略优化手册》，帮你进一步提升收益！