我的量化交易工作流：从想法到实盘的完整流程
上一篇分享了踩坑经历，这篇讲讲我现在的工作流程。不一定是最优解，但至少是踩完坑之后沉淀下来的方法。
很多人觉得量化交易就是"写个策略→回测→上实盘"，三步搞定。
实际上，一个靠谱的量化策略从想法到实盘，中间至少要经过7个阶段。跳过任何一个，大概率会在实盘时付出代价。
整体流程概览
想法产生 → 数据准备 → 策略开发 → 回测验证 → 参数优化 → 模拟盘 → 实盘
↑ │
└──────────────── 复盘迭代 ←────────────────────────────────────┘
下面逐个阶段展开。
一、想法产生：别从"我觉得"出发
1.1 想法来源
好的策略想法一般来自这几个地方：
学术论文
- SSRN、arXiv 上有大量因子研究论文
- 重点看近3年的，太老的可能已经失效
- 注意区分"样本内"和"样本外"结果
经典书籍
- 《量化交易》（Ernest Chan）
- 《主动投资组合管理》
- 《因子投资》
市场观察
- 某类事件发生后，市场有规律性反应
- 比如：财报发布后的漂移、节假日效应
同行交流
- 量化社区、论坛
- 但要独立验证，别人赚钱的策略不一定适合你
1.2 想法筛选
不是每个想法都值得花时间验证。我的筛选标准：
| 标准 | 说明 |
|---|---|
| 逻辑自洽 | 能解释清楚为什么能赚钱 |
| 可验证 | 有数据可以回测 |
| 可执行 | 不需要超高频、不需要巨额资金 |
| 有壁垒 | 不是随便搜一下就能找到的策略 |
举个反例：
"我觉得股价跌多了就会涨"
这种想法没有明确定义（跌多少算"多"？），无法验证，不值得继续。
举个正例：
"财报超预期的股票，在财报发布后5天内有超额收益"
这个想法有明确定义，可以用数据验证，值得深入研究。
二、数据准备：地基不牢，地动山摇
2.1 确定数据需求
根据策略想法，列出需要的数据：
策略：财报超预期
需要数据：
- 股票日线行情（价格、成交量）
- 财报发布日期
- 财报实际值
- 分析师预期值
- 股票基本信息（行业、市值）
2.2 数据获取
数据来源选择原则：
- 稳定性优先：接口动不动挂的，不能用
- 准确性验证：抽样对比多个数据源
- 成本考量：能免费搞定的，不花冤枉钱
我现在的数据来源组合：
- 日线行情：多个源互备，哪个稳定用哪个
- 财务数据：东方财富为主
- 另类数据：自己爬取 + 清洗
2.3 数据清洗
原始数据一定有问题，清洗是必须的：
def clean_stock_data(df):
"""股票数据清洗"""
# 1. 去除空值
df = df.dropna(subset=['open', 'high', 'low', 'close'])
# 2. 去除明显异常值（涨跌超过20%的，A股不可能）
df = df[df['close'].pct_change().abs() < 0.2]
# 3. 处理停牌（成交量为0）
df['is_trade'] = df['volume'] > 0
# 4. 检查OHLC逻辑
# high >= low, high >= open, high >= close 等
df = df[df['high'] >= df['low']]
df = df[df['high'] >= df['open']]
df = df[df['high'] >= df['close']]
df = df[df['low'] <= df['open']]
df = df[df['low'] <= df['close']]
return df
2.4 数据验证
清洗完不代表没问题，还要抽样验证：
# 随机抽10只股票，对比官方数据
import random
symbols = random.sample(all_symbols, 10)
for symbol in symbols:
my_data = get_my_data(symbol, '2024-01-15')
official_data = get_official_data(symbol, '2024-01-15') # 比如去看行情软件
if abs(my_data['close'] - official_data['close']) > 0.01:
print(f"警告：{symbol} 数据不一致")
三、策略开发：先写伪代码，再写真代码
3.1 伪代码阶段
在写代码之前，先用自然语言把策略逻辑写清楚：
策略：双均线突破
买入条件：
- MA5 上穿 MA20
- 当日成交量 > 过去20日平均成交量
- 股票未停牌
卖出条件：
- MA5 下穿 MA20
- 或者亏损超过5%（止损）
- 或者盈利超过15%（止盈）
仓位管理：
- 单只股票最多10%仓位
- 最多同时持有10只股票
3.2 模块化设计
我的策略代码结构：
strategy/
├── signals/ # 信号生成
│ ├── base.py # 信号基类
│ ├── ma_cross.py # 均线交叉信号
│ └── momentum.py # 动量信号
├── filters/ # 过滤条件
│ ├── liquidity.py # 流动性过滤
│ └── industry.py # 行业过滤
├── position/ # 仓位管理
│ ├── equal.py # 等权重
│ └── risk_parity.py # 风险平价
├── risk/ # 风险控制
│ ├── stop_loss.py # 止损
│ └── max_drawdown.py
└── executor.py # 执行引擎
模块化的好处：
- 同一个信号模块可以复用到不同策略
- 方便单独测试每个模块
- 修改一处不影响其他部分
3.3 核心代码示例
class Strategy:
"""策略基类"""
def __init__(self, config):
self.config = config
self.signals = []
self.filters = []
self.position_manager = None
self.risk_manager = None
def add_signal(self, signal):
self.signals.append(signal)
def add_filter(self, filter):
self.filters.append(filter)
def generate_signals(self, data):
"""生成原始信号"""
combined = None
for signal in self.signals:
s = signal.calculate(data)
if combined is None:
combined = s
else:
combined = combined & s # 多个信号取交集
return combined
def apply_filters(self, signals, data):
"""应用过滤条件"""
filtered = signals.copy()
for f in self.filters:
filtered = f.apply(filtered, data)
return filtered
def calculate_positions(self, signals, data):
"""计算目标仓位"""
return self.position_manager.calculate(signals, data)
def apply_risk_control(self, positions, current_holdings):
"""应用风险控制"""
return self.risk_manager.adjust(positions, current_holdings)
class MACrossSignal:
"""均线交叉信号"""
def __init__(self, short_window=5, long_window=20):
self.short = short_window
self.long = long_window
def calculate(self, data):
ma_short = data['close'].rolling(self.short).mean()
ma_long = data['close'].rolling(self.long).mean()
# 上穿
cross_up = (ma_short > ma_long) & (ma_short.shift(1) <= ma_long.shift(1))
# 下穿
cross_down = (ma_short < ma_long) & (ma_short.shift(1) >= ma_long.shift(1))
signal = pd.Series(0, index=data.index)
signal[cross_up] = 1 # 买入信号
signal[cross_down] = -1 # 卖出信号
return signal
四、回测验证：你的回测框架靠谱吗
4.1 回测框架选择
我用过的回测框架：
- 自己写：灵活，但要造很多轮子
- Backtrader：功能全，但学习曲线陡
- 自研简化版：够用，好维护
对于大多数日线策略，自己写一个简单的回测框架就够了：
class SimpleBacktester:
"""简易回测框架"""
def __init__(self, initial_capital=1000000, commission=0.001):
self.initial_capital = initial_capital
self.commission = commission
def run(self, data, signals):
"""
data: DataFrame with OHLCV
signals: Series, 1=买入, -1=卖出, 0=持有
"""
capital = self.initial_capital
position = 0
entry_price = 0
records = []
for i, (date, row) in enumerate(data.iterrows()):
signal = signals.iloc[i] if i < len(signals) else 0
# 执行交易
if signal == 1 and position == 0: # 买入
shares = int(capital * 0.95 / row['close'] / 100) * 100
cost = shares * row['close'] * (1 + self.commission)
if cost <= capital:
position = shares
entry_price = row['close']
capital -= cost
elif signal == -1 and position > 0: # 卖出
revenue = position * row['close'] * (1 - self.commission)
capital += revenue
position = 0
# 记录每日状态
portfolio_value = capital + position * row['close']
records.append({
'date': date,
'capital': capital,
'position': position,
'price': row['close'],
'portfolio_value': portfolio_value
})
return pd.DataFrame(records)
4.2 关键回测指标
def calculate_metrics(returns):
"""计算回测指标"""
# 总收益
total_return = (1 + returns).prod() - 1
# 年化收益
n_years = len(returns) / 252
annual_return = (1 + total_return) ** (1 / n_years) - 1
# 年化波动率
annual_volatility = returns.std() * np.sqrt(252)
# 夏普比率（假设无风险利率3%）
sharpe_ratio = (annual_return - 0.03) / annual_volatility
# 最大回撤
cumulative = (1 + returns).cumprod()
running_max = cumulative.cummax()
drawdown = (cumulative - running_max) / running_max
max_drawdown = drawdown.min()
# 卡尔玛比率
calmar_ratio = annual_return / abs(max_drawdown) if max_drawdown != 0 else 0
# 胜率
win_rate = (returns > 0).sum() / (returns != 0).sum()
# 盈亏比
avg_win = returns[returns > 0].mean()
avg_loss = abs(returns[returns < 0].mean())
profit_loss_ratio = avg_win / avg_loss if avg_loss != 0 else 0
return {
'总收益率': f'{total_return:.2%}',
'年化收益率': f'{annual_return:.2%}',
'年化波动率': f'{annual_volatility:.2%}',
'夏普比率': f'{sharpe_ratio:.2f}',
'最大回撤': f'{max_drawdown:.2%}',
'卡尔玛比率': f'{calmar_ratio:.2f}',
'胜率': f'{win_rate:.2%}',
'盈亏比': f'{profit_loss_ratio:.2f}'
}
4.3 我关注的指标优先级
- 夏普比率 > 1.5：风险调整后收益要够好
- 最大回撤 < 20%：能扛得住
- 卡尔玛比率 > 1：收益/回撤要合理
- 胜率 × 盈亏比：这个乘积决定长期能不能赚钱
五、参数优化：小心过拟合陷阱
5.1 正确的优化方法
def walk_forward_optimization(data, strategy, param_grid,
train_period=252, test_period=63):
"""
滚动窗口优化
- 用过去1年训练，未来1季度测试
- 避免一次性用全部数据优化
"""
results = []
for i in range(train_period, len(data) - test_period, test_period):
# 划分训练集和测试集
train_data = data.iloc[i-train_period:i]
test_data = data.iloc[i:i+test_period]
# 在训练集上寻找最优参数
best_param = None
best_sharpe = -np.inf
for params in param_grid:
perf = backtest(train_data, strategy, params)
if perf['sharpe'] > best_sharpe:
best_sharpe = perf['sharpe']
best_param = params
# 用最优参数在测试集上验证
test_perf = backtest(test_data, strategy, best_param)
results.append({
'period': f"{test_data.index[0]} - {test_data.index[-1]}",
'train_sharpe': best_sharpe,
'test_sharpe': test_perf['sharpe'],
'params': best_param
})
return pd.DataFrame(results)
5.2 参数敏感性分析
def sensitivity_analysis(data, strategy, base_params, param_name, param_range):
"""
检验参数是否过度敏感
"""
results = []
for value in param_range:
params = base_params.copy()
params[param_name] = value
perf = backtest(data, strategy, params)
results.append({
param_name: value,
'sharpe': perf['sharpe'],
'return': perf['total_return']
})
df = pd.DataFrame(results)
# 如果结果波动太大，说明参数敏感，策略不稳健
sharpe_std = df['sharpe'].std()
if sharpe_std > 0.5:
print(f"警告：{param_name} 参数敏感，夏普比率标准差 = {sharpe_std:.2f}")
return df
六、模拟盘：实盘前的最后一关
6.1 为什么要跑模拟盘
回测再好看，也有几个问题没法验证：
- 信号实时生成有没有bug
- 数据延迟有没有影响
- 执行逻辑对不对
模拟盘就是用真实行情、不用真钱，跑一遍完整流程。
6.2 模拟盘运行流程
# 每日运行脚本示例
def daily_run():
"""每日定时任务"""
# 1. 获取最新数据
logger.info("开始获取数据...")
data = fetch_latest_data()
# 2. 生成信号
logger.info("生成交易信号...")
signals = strategy.generate_signals(data)
# 3. 计算目标仓位
target_positions = strategy.calculate_positions(signals)
# 4. 与当前持仓对比，生成交易指令
current_positions = load_current_positions()
orders = generate_orders(current_positions, target_positions)
# 5. 记录交易指令（模拟盘不真正下单）
logger.info(f"今日交易指令：{orders}")
save_orders(orders)
# 6. 更新模拟持仓
update_simulated_positions(orders, data)
# 7. 记录每日净值
nav = calculate_nav()
save_daily_nav(nav)
# 8. 发送日报
send_daily_report(orders, nav)
6.3 模拟盘要跑多久
我的标准：
- 最少1个月：覆盖月初/月末效应
- 最好3个月：覆盖一个季度的各种行情
- 经历一次回撤：没见过回撤的策略不敢上实盘
七、实盘：小心翼翼地开始
7.1 实盘原则
- 小资金起步：先用计划资金的10%试跑
- 保持记录：每笔交易都记录原因
- 不改策略：实盘期间不要动核心逻辑
- 定期复盘：每周/每月回顾
7.2 监控体系
# 实盘监控要点
def monitor():
# 1. 持仓监控
positions = get_positions()
for p in positions:
if p['pnl_pct'] < -0.05: # 单只亏损超5%
alert(f"警告：{p['symbol']} 亏损 {p['pnl_pct']:.2%}")
# 2. 整体回撤监控
nav = get_current_nav()
max_nav = get_max_nav()
drawdown = (nav - max_nav) / max_nav
if drawdown < -0.10: # 回撤超10%
alert(f"警告：整体回撤 {drawdown:.2%}")
# 3. 策略执行监控
expected_positions = strategy.calculate_positions()
actual_positions = get_positions()
if not positions_match(expected_positions, actual_positions):
alert("警告：实际持仓与策略目标不一致")
# 4. 数据监控
if data_source_is_down():
alert("警告：数据源异常")
7.3 什么时候停止策略
- 回撤超过预设阈值（比如20%）
- 策略逻辑失效（市场结构变化）
- 连续N个月跑输基准
- 发现代码bug
八、复盘迭代：持续进化
8.1 每周复盘
# 周复盘模板
## 本周表现
- 策略收益：+1.2%
- 基准收益：+0.8%
- 超额收益：+0.4%
## 交易记录
| 日期 | 操作 | 股票 | 盈亏 |
|------|------|------|------|
| 周一 | 买入 | 000001 | - |
| 周三 | 卖出 | 600519 | +3.2% |
## 信号回顾
- 产生了哪些信号
- 哪些执行了，哪些没执行
- 没执行的原因
## 问题与思考
- 本周有什么异常情况
- 策略表现是否符合预期
- 有什么需要调整的
8.2 每月复盘
- 月度收益归因（alpha来自哪里）
- 与回测结果对比
- 参数是否需要微调
- 市场环境变化分析
8.3 迭代原则
- 不要频繁改动：至少跑完一个完整周期再改
- 改一处测一处：不要同时改多个地方
- 保留历史版本：万一改坏了能回滚
总结
一个完整的量化工作流：
想法 → 数据 → 开发 → 回测 → 优化 → 模拟 → 实盘 → 复盘
↓
发现问题 ← ← ← ← ← ← ←┘
每个环节都不能跳过，跳过的代价就是在实盘时用真金白银来补课。
没有完美的策略，只有持续迭代的系统。
下一篇预告：《为什么你的回测结果不可信？量化回测的7个致命错误》
