精华
量化投资的"Hello World"：5行代码实现你的第一个选股策略
开篇：什么是量化投资？
想象你是一个经验丰富的菜市场买菜高手。每次买菜时，你都有自己的一套"规则"：
- 西红柿要挑红润饱满的
- 价格比平时低20%时大量采购
- 避开周末人多的时候去买
量化投资就是把这套"买菜经验"用代码写出来，让电脑帮你在股市里"买菜"。
传统投资靠感觉和经验，量化投资靠的是数据+规则+纪律执行。就像用GPS导航代替问路一样，虽然偶尔会绕路，但长期看更靠谱。
为什么从双均线开始？
双均线策略是量化投资的"九九乘法表"，简单但包含了完整的投资逻辑：
- 趋势判断：短期均线 > 长期均线 = 上涨趋势
- 买卖信号：均线交叉 = 进出场时机
- 风险控制：有明确的止损规则
10分钟搭建你的第一个策略
第1步：安装工具（2分钟）
pip install akshare pandas matplotlib numpy
第2步：获取数据（2分钟）
import akshare as ak
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
# 设置中文字体显示
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
# 获取平安银行近2年数据
print("正在获取股票数据...")
stock_data = ak.stock_zh_a_hist(symbol="000001",
period="daily",
start_date="20220101",
end_date="20241201")
# 数据预处理
stock_data['日期'] = pd.to_datetime(stock_data['日期'])
stock_data = stock_data.sort_values('日期').reset_index(drop=True)
print(f"获取到 {len(stock_data)} 条数据")
print("数据样例：")
print(stock_data[['日期', '开盘', '收盘', '成交量']].head())
第3步：核心策略（真正的5行代码！）
# 🎯 核心策略：双均线交叉（就这5行！）
stock_data['MA5'] = stock_data['收盘'].rolling(5).mean()
stock_data['MA20'] = stock_data['收盘'].rolling(20).mean()
stock_data['signal'] = 0
stock_data.loc[stock_data['MA5'] > stock_data['MA20'], 'signal'] = 1 # 买入信号
stock_data.loc[stock_data['MA5'] < stock_data['MA20'], 'signal'] = -1 # 卖出信号
print("策略核心逻辑：")
print("✅ 当5日均线 > 20日均线时：买入（做多）")
print("❌ 当5日均线 < 20日均线时：卖出（做空）")
print("⏸️ 当5日均线 = 20日均线时：观望")
第4步：回测计算（3分钟）
# 计算收益率
stock_data['daily_return'] = stock_data['收盘'].pct_change()
# 策略收益（第二天按今天的信号执行）
stock_data['strategy_return'] = stock_data['signal'].shift(1) * stock_data['daily_return']
# 计算累计收益
stock_data['cumulative_strategy'] = (1 + stock_data['strategy_return'].fillna(0)).cumprod()
stock_data['cumulative_benchmark'] = (1 + stock_data['daily_return'].fillna(0)).cumprod()
# 去掉空值
stock_data = stock_data.dropna()
print(f"回测期间：{stock_data['日期'].min().strftime('%Y-%m-%d')} 至 {stock_data['日期'].max().strftime('%Y-%m-%d')}")
print(f"交易天数：{len(stock_data)} 天")
第5步：结果可视化（3分钟）
# 创建图表
fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(14, 12))
# 子图1：股价与均线
ax1.plot(stock_data['日期'], stock_data['收盘'], label='收盘价', alpha=0.8, linewidth=1)
ax1.plot(stock_data['日期'], stock_data['MA5'], label='5日均线', color='orange', linewidth=2)
ax1.plot(stock_data['日期'], stock_data['MA20'], label='20日均线', color='red', linewidth=2)
# 标记买卖点
buy_signals = stock_data[(stock_data['signal'] == 1) & (stock_data['signal'].shift(1) != 1)]
sell_signals = stock_data[(stock_data['signal'] == -1) & (stock_data['signal'].shift(1) != -1)]
ax1.scatter(buy_signals['日期'], buy_signals['收盘'], color='red', marker='^', s=60, label='买入信号', zorder=5)
ax1.scatter(sell_signals['日期'], sell_signals['收盘'], color='green', marker='v', s=60, label='卖出信号', zorder=5)
ax1.set_title('平安银行(000001) - 股价与双均线策略', fontsize=14, fontweight='bold')
ax1.legend()
ax1.grid(True, alpha=0.3)
# 子图2：收益率对比
ax2.plot(stock_data['日期'], (stock_data['cumulative_strategy'] - 1) * 100,
label='双均线策略', color='red', linewidth=2)
ax2.plot(stock_data['日期'], (stock_data['cumulative_benchmark'] - 1) * 100,
label='买入持有', color='blue', linewidth=2)
ax2.set_title('累计收益率对比 (%)', fontsize=14, fontweight='bold')
ax2.legend()
ax2.grid(True, alpha=0.3)
ax2.set_ylabel('收益率 (%)')
# 子图3：信号分布
signal_counts = stock_data['signal'].value_counts().sort_index()
colors = ['green', 'gray', 'red']
labels = ['卖出信号', '观望', '买入信号']
bars = ax3.bar([-1, 0, 1], [signal_counts.get(-1, 0), signal_counts.get(0, 0), signal_counts.get(1, 0)],
color=colors, alpha=0.7)
ax3.set_title('交易信号分布', fontsize=14, fontweight='bold')
ax3.set_xlabel('信号类型')
ax3.set_ylabel('天数')
ax3.set_xticks([-1, 0, 1])
ax3.set_xticklabels(labels)
# 在柱子上添加数值
for i, bar in enumerate(bars):
height = bar.get_height()
ax3.text(bar.get_x() + bar.get_width()/2., height + 5,
f'{int(height)}天', ha='center', va='bottom', fontweight='bold')
plt.tight_layout()
plt.show()
运行结果解读
当你运行完整代码后，会看到三个关键图表：
图1 - 股价与均线：
- 🔺红色三角：买入信号（金叉时刻）
- 🔻绿色倒三角：卖出信号（死叉时刻）
- 橙线：5日均线（短期趋势）
- 红线：20日均线（长期趋势）
图2 - 收益对比：
- 红线：你的双均线策略累计收益
- 蓝线：简单买入持有的累计收益
图3 - 信号分布：
- 显示策略在不同市场状态下的时间分配
第6步：策略表现分析
# 计算关键指标
total_strategy_return = stock_data['cumulative_strategy'].iloc[-1] - 1
total_benchmark_return = stock_data['cumulative_benchmark'].iloc[-1] - 1
excess_return = total_strategy_return - total_benchmark_return
# 计算最大回撤
def calculate_max_drawdown(cumulative_returns):
peak = cumulative_returns.expanding().max()
drawdown = (cumulative_returns - peak) / peak
return drawdown.min()
strategy_max_dd = calculate_max_drawdown(stock_data['cumulative_strategy'])
benchmark_max_dd = calculate_max_drawdown(stock_data['cumulative_benchmark'])
# 计算胜率
win_trades = (stock_data['strategy_return'] > 0).sum()
total_trades = (stock_data['strategy_return'] != 0).sum()
win_rate = win_trades / total_trades if total_trades > 0 else 0
# 计算年化收益和波动率
trading_days = len(stock_data)
years = trading_days / 252
strategy_annual_return = (1 + total_strategy_return) ** (1/years) - 1
benchmark_annual_return = (1 + total_benchmark_return) ** (1/years) - 1
strategy_volatility = stock_data['strategy_return'].std() * np.sqrt(252)
benchmark_volatility = stock_data['daily_return'].std() * np.sqrt(252)
# 计算夏普比率（假设无风险利率为3%）
risk_free_rate = 0.03
strategy_sharpe = (strategy_annual_return - risk_free_rate) / strategy_volatility
benchmark_sharpe = (benchmark_annual_return - risk_free_rate) / benchmark_volatility
print("=" * 60)
print("📊 策略表现报告")
print("=" * 60)
print(f"📅 回测期间: {stock_data['日期'].min().strftime('%Y-%m-%d')} 至 {stock_data['日期'].max().strftime('%Y-%m-%d')}")
print(f"📈 交易天数: {trading_days} 天 ({years:.1f} 年)")
print()
print("💰 收益表现:")
print(f" 双均线策略总收益: {total_strategy_return:>8.2%}")
print(f" 买入持有总收益: {total_benchmark_return:>8.2%}")
print(f" 超额收益: {excess_return:>8.2%}")
print()
print("📊 年化指标:")
print(f" 策略年化收益: {strategy_annual_return:>8.2%}")
print(f" 基准年化收益: {benchmark_annual_return:>8.2%}")
print(f" 策略年化波动: {strategy_volatility:>8.2%}")
print(f" 基准年化波动: {benchmark_volatility:>8.2%}")
print()
print("🎯 风险指标:")
print(f" 策略最大回撤: {strategy_max_dd:>8.2%}")
print(f" 基准最大回撤: {benchmark_max_dd:>8.2%}")
print(f" 策略夏普比率: {strategy_sharpe:>8.2f}")
print(f" 基准夏普比率: {benchmark_sharpe:>8.2f}")
print()
print("🎮 交易统计:")
print(f" 交易胜率: {win_rate:>8.2%}")
print(f" 买入信号天数: {(stock_data['signal'] == 1).sum():>8d} 天")
print(f" 卖出信号天数: {(stock_data['signal'] == -1).sum():>8d} 天")
print(f" 观望天数: {(stock_data['signal'] == 0).sum():>8d} 天")
# 结果判断
print()
print("🔍 策略评价:")
if excess_return > 0:
print(f"✅ 策略跑赢基准 {excess_return:.2%}，表现优秀！")
else:
print(f"❌ 策略跑输基准 {abs(excess_return):.2%}，需要优化。")
if strategy_sharpe > benchmark_sharpe:
print(f"✅ 策略夏普比率更高，风险调整后收益更好。")
else:
print(f"❌ 策略夏普比率较低，风险调整后收益不佳。")
if abs(strategy_max_dd) < abs(benchmark_max_dd):
print(f"✅ 策略最大回撤更小，风险控制更好。")
else:
print(f"❌ 策略最大回撤更大，风险控制需要改进。")
这5行代码教会了你什么？
1. 数据驱动决策
# 不是凭感觉，而是用数学公式
stock_data['MA5'] = stock_data['收盘'].rolling(5).mean()
每个买卖决定都基于具体的数值计算，消除了情绪干扰。
2. 规则明确执行
# 条件清晰，没有模糊地带
stock_data.loc[stock_data['MA5'] > stock_data['MA20'], 'signal'] = 1
什么时候买，什么时候卖，程序说了算。
3. 历史验证可行性
通过回测，你可以看到这个策略在过去两年的真实表现，而不是空想。
4. 量化风险收益
不只看收益，还要看回撤、夏普比率等风险指标。
现实检查：这个策略能赚钱吗？
诚实答案：不一定。
为什么可能不赚钱？
- 交易成本：每次买卖要手续费（约0.1-0.3%）
- 市场变化：过去有效的规律未来可能失效
- 过于简单：真实市场有更多变量
- 数据偏差：选择了对策略有利的股票和时间段
但这很重要！
这个练习的价值不在于赚钱，而在于：
- ✅ 建立量化思维框架
- ✅ 学会系统性分析方法
- ✅ 掌握回测验证流程
- ✅ 理解风险收益平衡
如何改进这个策略？
1. 风险控制优化
# 加入止损机制
max_loss = -0.05 # 最大亏损5%
stop_loss_signal = (stock_data['strategy_return'].cumsum() < max_loss)
2. 参数优化
# 测试不同均线组合
ma_pairs = [(5,10), (5,20), (10,30), (20,60)]
for short, long in ma_pairs:
# 测试每种组合的效果
3. 多股票验证
# 在更多股票上测试
stock_list = ['000001', '000002', '600036', '600519']
for stock in stock_list:
# 验证策略普适性
4. 市场环境适应
# 在不同市场状态下测试
bull_market = stock_data[stock_data['日期'].between('2020-01-01', '2021-01-01')]
bear_market = stock_data[stock_data['日期'].between('2021-01-01', '2022-01-01')]
完整代码整合
"""
量化投资 Hello World：双均线策略完整实现
适合量化投资初学者的第一个策略
"""
import akshare as ak
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from datetime import datetime
# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
def get_stock_data(symbol="000001", start_date="20220101", end_date="20241201"):
"""获取股票数据"""
print(f"正在获取 {symbol} 的历史数据...")
data = ak.stock_zh_a_hist(symbol=symbol, period="daily",
start_date=start_date, end_date=end_date)
data['日期'] = pd.to_datetime(data['日期'])
data = data.sort_values('日期').reset_index(drop=True)
print(f"获取到 {len(data)} 条数据")
return data
def dual_ma_strategy(data, short_window=5, long_window=20):
"""双均线策略核心逻辑"""
# 🎯 核心5行代码
data['MA5'] = data['收盘'].rolling(short_window).mean()
data['MA20'] = data['收盘'].rolling(long_window).mean()
data['signal'] = 0
data.loc[data['MA5'] > data['MA20'], 'signal'] = 1 # 买入
data.loc[data['MA5'] < data['MA20'], 'signal'] = -1 # 卖出
return data
def backtest_strategy(data):
"""回测计算"""
data['daily_return'] = data['收盘'].pct_change()
data['strategy_return'] = data['signal'].shift(1) * data['daily_return']
data['cumulative_strategy'] = (1 + data['strategy_return'].fillna(0)).cumprod()
data['cumulative_benchmark'] = (1 + data['daily_return'].fillna(0)).cumprod()
return data.dropna()
def plot_results(data):
"""绘制结果图表"""
fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(14, 12))
# 股价与均线
ax1.plot(data['日期'], data['收盘'], label='收盘价', alpha=0.8)
ax1.plot(data['日期'], data['MA5'], label='5日均线', color='orange', linewidth=2)
ax1.plot(data['日期'], data['MA20'], label='20日均线', color='red', linewidth=2)
# 买卖信号点
buy_signals = data[(data['signal'] == 1) & (data['signal'].shift(1) != 1)]
sell_signals = data[(data['signal'] == -1) & (data['signal'].shift(1) != -1)]
ax1.scatter(buy_signals['日期'], buy_signals['收盘'], color='red',
marker='^', s=60, label='买入信号', zorder=5)
ax1.scatter(sell_signals['日期'], sell_signals['收盘'], color='green',
marker='v', s=60, label='卖出信号', zorder=5)
ax1.set_title('股价与双均线策略信号', fontsize=14, fontweight='bold')
ax1.legend()
ax1.grid(True, alpha=0.3)
# 收益率对比
ax2.plot(data['日期'], (data['cumulative_strategy'] - 1) * 100,
label='双均线策略', color='red', linewidth=2)
ax2.plot(data['日期'], (data['cumulative_benchmark'] - 1) * 100,
label='买入持有', color='blue', linewidth=2)
ax2.set_title('累计收益率对比 (%)', fontsize=14, fontweight='bold')
ax2.legend()
ax2.grid(True, alpha=0.3)
ax2.set_ylabel('收益率 (%)')
# 信号分布
signal_counts = data['signal'].value_counts().sort_index()
colors = ['green', 'gray', 'red']
labels = ['卖出信号', '观望', '买入信号']
bars = ax3.bar([-1, 0, 1], [signal_counts.get(-1, 0), signal_counts.get(0, 0),
signal_counts.get(1, 0)], color=colors, alpha=0.7)
ax3.set_title('交易信号分布', fontsize=14, fontweight='bold')
ax3.set_xlabel('信号类型')
ax3.set_ylabel('天数')
ax3.set_xticks([-1, 0, 1])
ax3.set_xticklabels(labels)
for i, bar in enumerate(bars):
height = bar.get_height()
ax3.text(bar.get_x() + bar.get_width()/2., height + 5,
f'{int(height)}天', ha='center', va='bottom', fontweight='bold')
plt.tight_layout()
plt.show()
def calculate_metrics(data):
"""计算策略表现指标"""
total_strategy_return = data['cumulative_strategy'].iloc[-1] - 1
total_benchmark_return = data['cumulative_benchmark'].iloc[-1] - 1
# 最大回撤
def max_drawdown(cumulative_returns):
peak = cumulative_returns.expanding().max()
drawdown = (cumulative_returns - peak) / peak
return drawdown.min()
strategy_max_dd = max_drawdown(data['cumulative_strategy'])
benchmark_max_dd = max_drawdown(data['cumulative_benchmark'])
# 胜率
win_trades = (data['strategy_return'] > 0).sum()
total_trades = (data['strategy_return'] != 0).sum()
win_rate = win_trades / total_trades if total_trades > 0 else 0
# 年化指标
years = len(data) / 252
strategy_annual_return = (1 + total_strategy_return) ** (1/years) - 1
benchmark_annual_return = (1 + total_benchmark_return) ** (1/years) - 1
strategy_volatility = data['strategy_return'].std() * np.sqrt(252)
benchmark_volatility = data['daily_return'].std() * np.sqrt(252)
# 夏普比率
risk_free_rate = 0.03
strategy_sharpe = (strategy_annual_return - risk_free_rate) / strategy_volatility
benchmark_sharpe = (benchmark_annual_return - risk_free_rate) / benchmark_volatility
return {
'total_strategy_return': total_strategy_return,
'total_benchmark_return': total_benchmark_return,
'excess_return': total_strategy_return - total_benchmark_return,
'strategy_max_dd': strategy_max_dd,
'benchmark_max_dd': benchmark_max_dd,
'win_rate': win_rate,
'strategy_annual_return': strategy_annual_return,
'benchmark_annual_return': benchmark_annual_return,
'strategy_sharpe': strategy_sharpe,
'benchmark_sharpe': benchmark_sharpe,
'years': years,
'trading_days': len(data)
}
def print_report(data, metrics):
"""打印策略报告"""
print("=" * 60)
print("📊 双均线策略表现报告")
print("=" * 60)
print(f"📅 回测期间: {data['日期'].min().strftime('%Y-%m-%d')} 至 {data['日期'].max().strftime('%Y-%m-%d')}")
print(f"📈 交易天数: {metrics['trading_days']} 天 ({metrics['years']:.1f} 年)")
print()
print("💰 收益表现:")
print(f" 双均线策略总收益: {metrics['total_strategy_return']:>8.2%}")
print(f" 买入持有总收益: {metrics['total_benchmark_return']:>8.2%}")
print(f" 超额收益: {metrics['excess_return']:>8.2%}")
print()
print("📊 年化指标:")
print(f" 策略年化收益: {metrics['strategy_annual_return']:>8.2%}")
print(f" 基准年化收益: {metrics['benchmark_annual_return']:>8.2%}")
print()
print("🎯 风险指标:")
print(f" 策略最大回撤: {metrics['strategy_max_dd']:>8.2%}")
print(f" 基准最大回撤: {metrics['benchmark_max_dd']:>8.2%}")
print(f" 策略夏普比率: {metrics['strategy_sharpe']:>8.2f}")
print(f" 基准夏普比率: {metrics['benchmark_sharpe']:>8.2f}")
print()
print("🎮 交易统计:")
print(f" 交易胜率: {metrics['win_rate']:>8.2%}")
print(f" 买入信号天数: {(data['signal'] == 1).sum():>8d} 天")
print(f" 卖出信号天数: {(data['signal'] == -1).sum():>8d} 天")
# 策略评价
print()
print("🔍 策略评价:")
if metrics['excess_return'] > 0:
print(f"✅ 策略跑赢基准 {metrics['excess_return']:.2%}，表现优秀！")
else:
print(f"❌ 策略跑输基准 {abs(metrics['excess_return']):.2%}，需要优化。")
if metrics['strategy_sharpe'] > metrics['benchmark_sharpe']:
print("✅ 策略风险调整后收益更好。")
else:
print("❌ 策略风险调整后收益不佳。")
def main():
"""主函数：执行完整的策略回测流程"""
try:
# 1. 获取数据
stock_data = get_stock_data("000001", "20220101", "20241201")
# 2. 应用策略
stock_data = dual_ma_strategy(stock_data)
# 3. 回测计算
stock_data = backtest_strategy(stock_data)
# 4. 计算指标
metrics = calculate_metrics(stock_data)
# 5. 展示结果
plot_results(stock_data)
print_report(stock_data, metrics)
print("\n🎉 恭喜！你已经完成了第一个量化策略的开发和回测！")
print("💡 接下来可以尝试：")
print(" - 测试不同的均线参数组合")
print(" - 在其他股票上验证策略效果")
print(" - 加入止损止盈机制")
print(" - 学习更多技术指标")
except Exception as e:
print(f"❌ 程序执行出错: {e}")
print("💡 请检查网络连接和数据源是否正常")
if __name__ == "__main__":
main()
总结
恭喜！你已经是一个量化投资者了。 🎉
通过这个简单的双均线策略，你已经掌握了：
- ✅ 量化投资的基本思维
- ✅ 数据获取和处理方法
- ✅ 策略开发和回测流程
- ✅ 风险收益分析框架
接下来的路还很长，但你已经迈出了最重要的第一步：用数据说话，用规则行动。
常见问题解答
Q1: 为什么我的结果和文章中不一样？
A: 这很正常！原因可能有：
- 数据获取时间不同（股价每天都在变化）
- akshare数据源的细微差异
- 复权方式不同
解决方案：重点关注策略逻辑是否正确，而不是具体数值。
Q2: 这个策略在实盘中能用吗？
A: 建议先不要！原因：
- 没有考虑交易成本
- 没有足够的样本外验证
- 缺乏风险控制机制
建议：先在更多股票上验证，加入风控后再考虑小资金试验。
Q3: 如何判断策略是否过拟合？
A: 几个检验方法：
- 在不同时间段测试
- 在不同股票上测试
- 样本外验证（用一半数据开发，另一半验证）
- 参数敏感性测试
Q4: 程序运行报错怎么办？
A: 常见问题及解决：
# 1. 安装缺失的包
pip install akshare pandas matplotlib numpy
# 2. 网络问题导致数据获取失败
# 多试几次，或者换个时间段
# 3. 中文显示问题
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']
# 4. 数据格式问题
# 确保日期列格式正确
data['日期'] = pd.to_datetime(data['日期'])
进阶练习
完成基础版本后，可以尝试这些进阶练习：
练习1：参数优化
# 测试不同均线组合的效果
ma_combinations = [(3,7), (5,15), (10,30), (20,60)]
results = {}
for short, long in ma_combinations:
# 这里插入你的策略代码，使用不同参数
# 记录每种组合的收益率
pass
# 找出最佳参数组合
best_combination = max(results.items(), key=lambda x: x[1])
print(f"最佳均线组合: {best_combination}")
练习2：多股票验证
# 在多只股票上测试策略稳定性
stock_list = ['000001', '000002', '600036', '600519', '000858']
all_results = []
for stock in stock_list:
try:
# 获取数据并应用策略
data = get_stock_data(stock)
data = dual_ma_strategy(data)
data = backtest_strategy(data)
# 记录结果
total_return = data['cumulative_strategy'].iloc[-1] - 1
all_results.append((stock, total_return))
except Exception as e:
print(f"股票 {stock} 处理失败: {e}")
# 分析结果分布
import numpy as np
returns = [r[1] for r in all_results]
print(f"平均收益: {np.mean(returns):.2%}")
print(f"收益标准差: {np.std(returns):.2%}")
print(f"胜率: {(np.array(returns) > 0).mean():.2%}")
练习3：加入止损机制
def enhanced_dual_ma_strategy(data, stop_loss_pct=0.05):
"""带止损的双均线策略"""
data = dual_ma_strategy(data) # 基础策略
# 加入止损逻辑
data['cumulative_return'] = (1 + data['strategy_return'].fillna(0)).cumprod()
data['running_max'] = data['cumulative_return'].expanding().max()
data['drawdown'] = (data['cumulative_return'] - data['running_max']) / data['running_max']
# 当回撤超过阈值时，强制卖出
stop_loss_signal = data['drawdown'] < -stop_loss_pct
data.loc[stop_loss_signal, 'signal'] = -1
return data
学习资源推荐
📚 入门书籍
- 《量化投资策略》 - 理查德·托托里罗
- 《Python量化交易实战》 - 张丹
- 《量化交易之路》 - 阿布
💻 在线平台
- 聚宽研究环境 - 免费的量化研究平台
- 优矿 - 通联数据的量化平台
- 果仁网 - 简单易用的因子回测平台
🎓 进阶课程
- 中国大学MOOC - 量化投资相关课程
- 网易云课堂 - Python金融数据分析
- B站 - 大量免费的量化教学视频
🔧 工具包
# 必备量化工具包
pip install akshare # 数据获取
pip install tushare # 备选数据源
pip install backtrader # 专业回测框架
pip install pyfolio # 策略分析
pip install empyrical # 金融指标计算
pip install zipline # 美股回测框架
写在最后
量化投资不是一夜暴富的魔法，而是一门需要持续学习和实践的技艺。这个简单的双均线策略，就像学武功时的马步一样，看似简单却是基础中的基础。
记住几个关键原则：
- 永远保持怀疑 - 任何策略都可能失效
- 严格风险控制 - 保住本金比赚钱更重要
- 持续学习改进 - 市场在进化，策略也要进化
- 实盘验证一切 - 回测再好也不等于实盘收益
最重要的是，开始行动比完美计划更重要。你已经迈出了第一步，接下来就是坚持学习和实践。
愿你在量化投资的道路上，既能享受数据之美，也能获得稳健收益！
本文完整代码已整理，复制粘贴即可运行。如有问题，欢迎在评论区交流！
很详细~^^
量化投资第一课，即便是小白也能大致看得懂一些，关键是策略逻辑