量化交易

参考资料

• https://www.runoob.com/python-qt/qt-tutorial.html

• https://open.longportapp.com/docs/

• https://xueqiu.com/3204728750/123400159

• https://zhuanlan.zhihu.com/p/1885615276768343395

股票知识

一、市场与交易所结构

• 中国大陆主要有两家证券交易所：
  • 上海证券交易所（简称“沪市”）
  • 深圳证券交易所（简称“深市”）
• 沪市常见代码段（主板）：
  • 600、601、603 等【主板】
• 深市常见代码段：
  • 000 开头【主板】
  • 002 开头【原中小板；自 2021 年 4 月 6 日起与深市主板合并，公司类别统一为“主板 A 股”，代码沿用原中小板“002001–004999”区间，该区间现由深市主板使用】
  • 300 开头【创业板】 补充说明：
• “中小板”作为独立板块已并入深市主板，前端行情展示与指数名称已相应调整，但个股代码与简称保持不变。因此，你现在在软件中仍能看到大量“002”开头的股票，它们目前都归属于深市主板。

二、常用指数

• 上证综指（上证指数）
  • 含义：上海证券交易所发布的综合指数，反映沪市整体股价走势。
  • 样本：沪市全部上市股票（含 A 股、B 股）。
  • 编制：以发行量为权数，采用派许加权公式计算。
• 深证成指（深圳成份指数）
  • 含义：深市的标尺性指数之一。
  • 样本：从深市选取市值大、流动性好的股票构成，目前样本数量为 500 只。
  • 特征：偏重制造业与新兴产业，兼顾主板与创业板公司，具有较明显的成长与科技风格。
• 中小板指数
  • 含义：原中小板行情的指数化跟踪。
  • 现状：两板合并后，相关指数进行名称适应性调整，但指数序列仍延续使用。实务中可理解为“原中小板样本在合并后的延续性指数”。
• 创业板指数
  • 含义：刻画创业板整体表现的宽基指数。
  • 特征：样本以成长型、创新型中小企业为主，波动相对更大，成长属性突出。

三、交易基本规则

• 交易时间（沪深统一）：
  • 周一至周五（法定节假日除外）
  • 上午：9:30–11:30
  • 下午：13:00–15:00
• 最小交易单位：
  • 以“股”为报价单位。
  • 1 手＝ 100 股；买入申报数量必须为 100 股或其整数倍。
• 涨跌幅限制（整体框架）：
  • 主板（沪深）：
    • 普通股票：通常为上一交易日收盘价的 ±10%。
    • ST/*ST 等风险警示股票：单日涨跌幅限制为 5%（监管已启动将主板 ST 股统一为 10%的征求意见，后续以正式规则为准）。
  • 科创板、创业板：
    • 新股上市前 5 个交易日不设涨跌幅限制；
    • 自第 6 个交易日起，日常涨跌幅限制为 ±20%。
  • 北交所：
    • 上市首日无涨跌幅限制，此后为 ±20%（不同阶段存在盘中临时停牌等机制）。
  • 超过有效价格范围的委托视为无效（不同板块还有“价格笼子”等细则）。
• 交收制度（沪深 A 股）：
  • T 日：当日交易日。
  • T+1 交收：当日买入的证券，在自动完成交割过户后，最早可在下一交易日卖出。

四、行情页面常用概念与指标

• 量比（衡量相对成交量的强弱）
  • 含义：当前每分钟平均成交量与过去 5 个交易日每分钟平均成交量的比值。
  • 计算要点：
    • 当前每分钟平均成交量＝当日累计成交量／当日累计成交时间（分钟）。
    • 量比＝当前每分钟平均成交量／过去 5 日平均每分钟成交量。
  • 应用：
    • 量比 ≈1：成交量与近期平均接近；
    • 量比>1：成交相对放量，市场关注度提高；
    • 量比<1：成交相对缩量，市场情绪偏谨慎。
• 开盘价
  • 含义：每个交易日开盘后第一笔成交价。
• 换手率（衡量交投活跃程度）
  • 含义：一定时期内成交量与股份总数的比率，反映筹码转手的频率。
  • 常见口径：
    • 总换手率＝（期间成交量／发行总股数）×100%；
    • 流通股换手率＝（期间成交量／流通股本）×100%（A 股实务更常用）。
  • 注意：
    • 使用“总股本”与“流通股本”算出的换手率含义略有差异；实务中多采用流通股本口径。
• 总手
  • 含义：当日自开盘起累计成交的手数（1 手＝ 100 股）。
• 委比（衡量买卖委托力量对比）
  • 含义：通过未成交委托盘的对比，反映某一时段内买方与卖方的相对强弱。
  • 计算公式：
    • 委比＝（委买手数－委卖手数）／（委买手数＋委卖手数）×100%。
  • 档位口径：
    • 行情一般显示买一～买五、卖一～卖五，委买手数通常取买入五档总量，委卖手数取卖出五档总量。
  • 含义：
    • 委比为正且较大：买方委托量占优，短期买盘力量偏强；
    • 委比为负且绝对值较大：卖方委托量占优，短期卖压偏重。
  • 注意：
    • 委比只反映“未成交委托”，易被挂单与撤单干扰，需结合成交量、分时走势综合判断。
• 分时价位线（黄黑走势线）
  • 含义：展示当天价格随时间变化的曲线。
  • 黑线：实时成交价（即时价）。
  • 黄线：成交均价（当日累计成交金额／累计成交股数）。
• K 线与成交量颜色（国内常见配色）
  • 收阴：收盘价低于开盘价；成交量通常显示为绿色柱。
  • 收阳：收盘价高于开盘价；成交量通常显示为红色柱。
  • K 线整体用来刻画一段时间内股价的开盘、收盘、最高、最低等走势结构。

五、均线与常见技术指标

• 均线（MA）
  • 含义：对一定周期内的收盘价进行平均，得到一条平滑曲线。
  • 多头排列（偏多信号）：
    • 短期均线在中期均线上方，中期均线在长期均线上方。
  • 空头排列（偏空信号）：
    • 短期均线在中期均线下方，中期均线在长期均线下方。
• MACD（指数平滑异同移动平均线）
  • 含义：利用快速与慢速移动平均线之间的聚合与分离，判断趋势强弱与转折。
  • 应用：
    • MACD 由负转正：暗示市场由偏空转为偏多；
    • MACD 由正转负：暗示市场由偏多转为偏空。
• RSI（相对强弱指数）
  • 含义：统计一段时间内上涨点数与下跌点数的比率，衡量价格运动中的“相对强弱”。
  • 常用区间：
    • RSI<30：可能进入超卖区间，存在技术性反弹可能；
    • RSI>70：可能进入超买区间，存在技术性回调压力。

六、主要投资风格（简要）

七、用一个例子理解股票的本质

下面用一个“开公司”的故事，把股票的基本含义串起来。

1. 创业与发行股票

• 假设你和合伙人看好空调市场，成立“清凉空调制造有限公司”。
• 启动需要大量资金：生产线、厂房、技术、用工、原材料等，初步估算需要 1000 万元。
• 创始团队自筹 500 万元，仍需再募集 500 万元。
• 你们将公司总股本设为 100 万股，每 1 股代表公司一百万分之一的所有权。
• 向公众发行 50 万股新股（假设创始人原持有的 50 万股为原始股，不在本次发行中出售），每股发行价：
  • 500 万元／50 万股＝ 10 元／股。
• 花 10 元买入 1 股“清凉空调”，意味着你拥有这家公司一百万分之一的所有权，成为股东。

2. 股价上涨：市场看好公司前景

• 公司运营良好：
  • 节能省电、制冷效果强的产品推出；
  • 营销有力、品牌提升；
  • 遇上酷暑，订单暴增，利润快速增长。
• 市场预期变好，投资者更愿出高价持有“清凉空调”股票。
• 假设在交易所，投资者 B 愿意以 15 元／股从投资者 A 处买入。
• 股价从 10 元升至 15 元，本质反映市场对公司未来盈利与成长性的乐观预期，买方愿意为这份“所有权”支付更高溢价。

3. 分红收益：分享公司盈利

• 年底，公司实现净利润 200 万元（扣除成本、税费等）。
• 董事会决定利润处置方式：
  • 一部分用于再投资（扩建厂房、研发新产品、开拓新市场），以提升未来盈利能力；
  • 另一部分用于现金分红，回馈股东。
• 假设拿出 100 万元进行现金分红：
  • 每股分红＝ 100 万元／100 万股＝ 1 元／股。
  • 若你持有 10,000 股，则获得分红＝ 1 元／股 ×10,000 股＝ 10,000 元。
• 小结：
  • 股票投资的回报主要来自两部分：
    • 分红（现金回报）；
    • 股价上涨带来的资本利得。

4. 股价下跌：市场担忧或公司遇挫

• 假设第二年：
  • 夏天异常凉爽，空调需求锐减；
  • 或者竞争对手推出革命性新品，市场份额被抢占；
  • 或者关键原材料（如铜）价格暴涨，成本剧增，利润大幅下滑甚至亏损。
• 投资者开始担忧公司未来盈利，持有者想尽快卖出，潜在买方只愿给出较低报价。
• 最终，投资者 C 可能不得不以 6 元／股的价格将股票卖给投资者 D。
• 股价从 15 元（甚至 10 元）跌至 6 元，反映市场对公司未来盈利能力与风险的悲观预期；作为“所有权凭证”的价值，在公司基本面恶化时随之缩水。

八、实务中的注意事项

• 交易成本与佣金
  • 选券商时要关注佣金费率（例如万三）。
  • 粗略测算：若 1 万元本金每周交易 3 次，一年约 150 次，按单边万三估算：
    • 1 万元 ×0.03%×150≈450 元（大致相当于若干本投资书的费用，说明频繁交易会推高成本）。
• 如何从财务角度初筛“好公司”
  • 可参考的门槛（仅为起点，需结合行业与周期综合判断）：
    • 连续 5 年 ROE>15%；
    • 毛利率>30%；
    • 资产负债率<50%。
• 买卖时机的辅助判断
  • 关注政策信号与宏观数据；
  • 结合技术指标与成交量，对趋势与位置形成判断。
• 理解涨跌的不对称性
  • 亏损后的回本幅度大于表面跌幅：
    • 100 元跌至 50 元，跌幅 50%，但从 50 元涨回 100 元需涨幅 100%，而非 50%。
• 止损与复盘
  • 单笔亏损超过 10%时，应立刻复盘，避免情绪化加仓；
  • 控制单笔与总仓位，是长期生存的关键之一。

九、概念辨析与常见误区（补充）

• “中小板”还存在吗？
  • 板块层面已与深市主板合并，行情不再单独展示“中小板”专区；相关指数做了名称调整但序列延续。
  • 个股代码（如 002 开头）继续使用，但归类为深市主板。
• 涨跌幅“10%”是否适用所有 A 股？
  • 否。主板普通股多为 ±10%，但 ST/*ST、创业板、科创板、北交所以及新股前几日等有差异。
• “委比”能代表真实买卖意愿吗？
  • 委比只统计未成交委托，容易受到挂单与撤单的干扰，不能单独作为买卖依据。
• 换手率用“总股本”还是“流通股本”？
  • 理论上两种口径都存在，但 A 股实务更常用流通股本口径，更能反映真实流通筹码的换手情况。

拓展与后续学习建议

• 延伸阅读方向
  • 指数投资与 ETF：
    • 深入理解宽基指数（沪深 300、中证 500、中证 1000 等）与行业/主题指数的区别；
    • 通过指数基金/ETF 实践资产配置。
  • 财务报表与公司分析：
    • 学习资产负债表、利润表、现金流量表的阅读；
    • 掌握 ROE、毛利率、负债率、经营现金流等核心指标及其组合应用。
  • 风险管理与组合构建：
    • 分散化、仓位控制与止损规则的体系化；
    • 不同大类资产（股票、债券、货币、商品）之间的相关性。
  • 行为金融与决策心理：
    • 认识过度自信、损失厌恶、锚定效应等常见偏差；
    • 通过纪律与流程降低情绪对交易的干扰。
• 高阶应用场景（供长期规划参考）
  • 可转债、权证与衍生品（期权、期货）的基础知识；
  • 再平衡策略与长期再投资计划；
  • 事件驱动（财报、并购、回购等）与宏观周期视角。 参考与校验资料（节选）
• 深市主板与中小板合并与指数调整。
• 指数编制：上证综指的样本与加权方式；深证成指样本与结构。
• 交易规则与涨跌幅限制。
• 委比公式与档位口径。
• 量比与换手率的计算与实务口径。

量化交易（Quantitative Trading）

利用数学模型、统计方法和计算机编程进行金融交易的一种体系化方法。典型做法包括：在同一资产或不同交易所之间捕捉买卖价差等微小获利机会。其目标是提升交易效率与决策一致性，在不同市场环境下追求更稳定的收益表现。为降低通信延迟，一些机构会把服务器集群部署在离交易所机房较近的数据中心（即所谓的托管/共址）。

• 数学模型与算法：量化交易依赖数学与统计学模型（例如价格形态、趋势分析、波动性预测）来解读与预测市场行为。
• 数据驱动：大量使用历史与实时市场数据（如价格、成交量、盘口深度等）构建并验证策略。
• 自动化执行：交易信号通常由计算机程序自动执行，减少人工干预，实现实时或接近实时的响应。
• 风险管理：通过仓位控制、止损与对冲等手段管理组合整体风险暴露，减小不利波动带来的冲击。
• 频段划分：按持仓周期与换手速度可分为高频交易（HFT，极短时间内大量成交）与低频交易（较长持仓周期）。
• 机器学习：部分策略使用机器学习算法从历史数据中学习模式，并辅助预测或决策优化。

1.1 策略与评估指标

• 因子（Factor）
  用于刻画资产或市场特征的量化变量，例如价格、均线、市值、成交量等。
• 信号（Signal）
  由策略与因子计算得出的交易指令（例如买入、卖出或持仓），通常基于对市场状态的定量判断。
• 回测（Backtesting）
  在历史市场数据上模拟策略执行，以评估其绩效与稳健性的过程。
  回测中一个关键问题是防止“过拟合/过度拟合”（在样本内表现极好、样本外失效），需要通过样本外测试与走步前测（Walk-forward）等方式加强检验。
• Alpha
  衡量策略相对于基准（常见为市场指数）的超额收益部分，正的 Alpha 意味着策略在调整风险暴露后仍取得额外收益。
• Beta
  衡量投资组合相对于市场的敏感性。例如 Beta 大于 1 表示比市场更敏感、小于 1 则相对更稳定。
• 夏普比率（Sharpe Ratio）
  风险调整后收益的经典指标，通常计算方式为（策略收益率 − 无风险利率）/ 收益率的标准差，反映每承担一单位总风险所获得的超额收益。
• 最大回撤（Maximum Drawdown）
  策略在历史上任意区间可能损失的最大幅度（用峰到谷的跌幅衡量），常用于刻画极端风险。
• 资金管理（Money Management）
  对资金与仓位进行规划的方法，包括组合分散、仓位上下限与动态再平衡等，用以控制整体风险。
• 收益（Return）
  投资盈利或亏损的度量，常用百分比表示，是策略绩效评估的基础。

1.2 市场与合约基础

• 股票（Stocks）
  代表公司所有权的权益证券，持有者享有分红与投票权，并承担相应风险。
• 投资组合（Portfolio）
  由多种资产（股票、债券、期货等）构成的集合，通过组合化配置可以分散单一资产风险、平滑收益。
• 算法交易（Algorithmic Trading）
  依据预设规则与数学模型进行下单与执行的交易方式，多由程序驱动，以提升速度与一致性。
• 标的
  合同中权利义务共同指向的对象，是合同成立的必要条件。金融合约的标的可以是财产（如股票、债券、商品）或行为。

1.3 美国三大股指（要点）

• 道琼斯工业平均指数（DJIA）
  历史悠久的股票指数，属于价格加权的算术平均股价指数，样本为 30 只知名工业公司股票。
• 标普 500（S&P 500）
  覆盖约 500 家美国上市公司的市值加权指数，具有采样广、代表性强的特点，是广泛使用的市场基准。
• 纳斯达克 100（NASDAQ 100）
  聚焦纳斯达克交易所中 100 只高成长、高科技、非金融类个股，被视为美国科技股的重要代表。
  这些指数从不同角度反映证券市场的整体走势与结构变化。

二、量化模型与策略类型

量化模型是借助数学与统计学工具，基于历史与实时数据对金融市场行为进行建模与预测的框架。常见模型与策略包括：

• 蒙特卡洛模拟（Monte Carlo Simulation）
  通过生成大量随机情景来评估组合的风险与收益分布，是处理不确定性的常用数值方法。
• 移动平均策略
  以股价的短期与长期移动平均线为基础：
  • 短期均线上穿长期均线时给出买入信号；
  • 短期均线下穿长期均线时给出卖出信号。
• 均值回归策略
  基于价格在偏离历史均值后倾向于回归的假设。
  当价格相对均值偏离超过阈值时，产生反向交易信号（超卖时买入、超买时卖出）。
• 动量策略
  基于趋势延续的假设，通过价格变化率或其他趋势指标识别上涨或下跌动量，顺势产生交易信号。
• 市场中性策略
  同时做多与做空相关资产，利用相对强弱或价差收益，尽量对冲系统性风险暴露。
• 套利（Arbitrage）
  依托统计学或经济学上的定价偏差，在不同资产或市场间进行对冲或无风险/低风险组合，锁定套利空间。
• 事件驱动策略
  监控新闻、财报、宏观数据与公司事件，在特定事件触发后执行交易。
• 机器学习策略
  利用回归、分类或深度学习从大规模历史数据中学习模式，对价格走势或风险状态进行预测，并生成交易信号。
• 高频交易（High-Frequency Trading）
  通过极低延迟的下单与撤单，在极短时间内捕捉微小价差与流动性溢价，通常伴随极高换手与极短持仓时间。
  策略与模型多种多样，可根据资产类别、市场环境与个人偏好进行组合与调优。但无论采用何种模型，都应经过充分回测与样本外检验，并配合完善的风险管理。

三、量化回测与实证流程

回测是在历史数据上模拟策略执行并评估其表现的方法，目的是：

• 理解策略在不同市况（牛市、熊市、震荡）下的盈亏特征；
• 发现潜在缺陷与极端风险（如回撤集中期）；
• 为后续优化与实盘参数选择提供依据。

3.1 回测步骤（典型流程）

• 定义交易规则
  明确买入、卖出与持仓的条件，可基于技术指标、因子阈值、事件触发等。
• 获取历史数据
  获取目标资产（股票、期货、外汇等）的价格、成交量以及其他可观测的市场数据。
• 模拟交易
  按时间顺序将规则应用于历史数据，记录虚拟的持仓、成交与盈亏。
• 计算绩效指标
  常用指标包括年化收益率、最大回撤、夏普比率等，用于比较不同参数与策略版本的表现。
• 优化与迭代
  根据结果调整参数或修改规则，但需警惕对历史样本的过拟合，应结合样本外测试与走步前测等方法进行稳健性检验。
• 防止“未来函数”与数据泄漏
  在回测中必须确保：
  • 任一时点的决策只使用该时点及以前的信息；
  • 不在训练/调参阶段提前“偷看”后续数据；
  • 使用样本外（Out‑of‑Sample）或滚动前测（Walk‑Forward）等手段验证策略的泛化能力。

四、数据获取与工具

4.1 使用 yfinance 获取金融数据

示例：以 Microsoft（MSFT）为例，yfinance 可提供行情、财报、股东、期权、新闻等多维数据：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

import yfinance as yf
msft = yf.Ticker("MSFT")
# 基本信息
msft.info
# 历史行情（示例：最近 1 个月）
hist = msft.history(period="1mo")
msft.history_metadata  # 历史数据元信息（先调用 history）
# 公司行为（分红、拆股、资本利得等）
msft.actions
msft.dividends
msft.splits
msft.capital_gains  # 对共同基金/ETF 更常用
# 股本信息
msft.get_shares_full(start="2022-01-01", end=None)
# 财务报表
msft.income_stmt           # 利润表
msft.quarterly_income_stmt # 季度利润表
msft.balance_sheet         # 资产负债表
msft.quarterly_balance_sheet
msft.cashflow              # 现金流量表
msft.quarterly_cashflow
# 更多用法可参考 Ticker.get_income_stmt() 等方法文档
# 股东结构
msft.major_holders
msft.institutional_holders
msft.mutualfund_holders
# 盈利发布日期（默认：未来 4 个季度 + 过去 8 个季度）
msft.earnings_dates
# 如需更多条目，可使用 limit 参数：msft.get_earnings_dates(limit=XX)
# 国际证券识别码（ISIN）
msft.isin
# 期权
msft.options                  # 可用到期日列表
opt = msft.option_chain('YYYY-MM-DD')
# opt.calls / opt.puts 分别为看涨与看跌链
# 新闻
msft.news

4.2 数据可视化要点

常用的图表类型：

• 分类数据：分组柱状图、箱线图等，用于不同组别之间的比较。
• 矩阵数据：热力图，适合展示相关矩阵或因子暴露矩阵。
• 分面绘图：在多子图中按类别、时间或因子拆分展示，便于比较不同维度下的模式。

五、回测框架示例：Zipline

Zipline 是一个用于量化研究与算法交易回测的开源框架（由 Quantopian 开发），可与多种数据源集成。
安装：

1

pip install zipline

使用 Quandl（现 Nasdaq Data Link）作为数据源：

• 注册并获取 API Key：https://data.nasdaq.com/account/profile
• 设置环境变量并导入数据：

1
2

set QUANDL_API_KEY=your_key
zipline ingest -b quandl

基本策略脚本（示例：每个交易日固定买入 10 股 AAPL）：

1
2
3
4
5
6

from zipline.api import order, record, symbol
def initialize(context):
    pass
def handle_data(context, data):
    order(symbol('AAPL'), 10)
    record(AAPL=data.current(symbol('AAPL'), 'price'))

执行回测：

1

zipline run -f my_strategy.py --start 2016-1-1 --end 2018-1-1 -o buyapple_out.pickle --no-benchmark

常用参数说明：

• -f my_strategy.py：指定策略文件。
• --start、--end：设置回测区间。
• -o buyapple_out.pickle：将回测结果（交易记录与绩效指标）序列化为 pickle 文件。
• --no-benchmark：不使用基准指数进行比较。
  读取结果（使用 pickle）：

1
2
3
4

import pickle
with open('./buyapple_out.pickle', 'rb') as f:
    result = pickle.load(f)
print(result)

六、K 线与折线图示例（Matplotlib / Pyecharts）

6.1 折线图示例：收盘价走势与收益率可视化

获取贵州茅台（600519.SS）的历史行情并绘图：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt
symbol = "600519.SS"
start = "2022-01-01"
end   = "2023-01-01"
data = yf.download(symbol, start=start, end=end)
print(data.describe())
# 收盘价走势
data['Close'].plot(figsize=(10, 6), label=symbol)
plt.title(f"{symbol} Stock Price")
plt.xlabel("Date")
plt.ylabel("Price")
plt.legend()
plt.show()

A 股代码在 yfinance 中的命名：

• 上海证券交易所（SSE）：后缀 .SS；
• 深圳证券交易所（SZSE）：后缀 .SZ。
  数据索引为 Date，常见字段包括 Open、High、Low、Close、Adj Close、Volume。

6.2 移动平均交叉策略示例

以 50 日与 200 日均线为例：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

import yfinance as yf
import matplotlib.pyplot as plt
symbol = "600519.SS"
start = "2023-05-01"
end   = "2023-12-01"
data = yf.download(symbol, start=start, end=end)
data['MA_50']  = data['Close'].rolling(window=50).mean()
data['MA_200'] = data['Close'].rolling(window=200).mean()
data['Signal'] = 0
data.loc[data['MA_50'] > data['MA_200'], 'Signal'] = 1   # 短期上穿长期：买入
data.loc[data['MA_50'] < data['MA_200'], 'Signal'] = -1  # 短期下穿长期：卖出
plt.figure(figsize=(10, 6))
plt.plot(data['Close'], label='Close Price')
plt.plot(data['MA_50'], label='50-day Moving Average')
plt.plot(data['MA_200'], label='200-day Moving Average')
# 买卖信号标记
plt.scatter(
    data[data['Signal'] == 1].index,
    data[data['Signal'] == 1]['MA_50'],
    marker='^', color='g', label='Buy Signal'
)
plt.scatter(
    data[data['Signal'] == -1].index,
    data[data['Signal'] == -1]['MA_50'],
    marker='v', color='r', label='Sell Signal'
)
plt.title("Maotai Stock Price with Moving Averages")
plt.xlabel("Date")
plt.ylabel("Price (CNY)")
plt.legend()
plt.show()

6.3 K 线图示例（Pyecharts）

安装：

1

pip install pyecharts

示例：贵州茅台 K 线图（三年区间）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

import yfinance as yf
from pyecharts import options as opts
from pyecharts.charts import Kline
from datetime import datetime, timedelta
stock_code = "600519.SS"
end_date   = datetime.now().strftime('%Y-%m-%d')
start_date = (datetime.now() - timedelta(days=3 * 365)).strftime('%Y-%m-%d')
stock_data = yf.download(stock_code, start=start_date, end=end_date)
# 转换为 pyecharts 要求的 [open, close, low, high] 格式
kline_data = []
for index, row in stock_data.iterrows():
    kline_data.append([row['Open'], row['Close'], row['Low'], row['High']])
kline = (
    Kline()
    .add_xaxis(xaxis_data=stock_data.index.strftime('%Y-%m-%d').tolist())
    .add_yaxis(series_name="Kline", y_axis=kline_data)
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(is_scale=True),
        yaxis_opts=opts.AxisOpts(is_scale=True),
        title_opts=opts.TitleOpts(title="贵州茅台 Kline 图示例"),
        datazoom_opts=[
            opts.DataZoomOpts(pos_bottom="-2%", range_start=0, range_end=100, type_="inside"),
            opts.DataZoomOpts(pos_bottom="-2%", range_start=0, range_end=100, type_="slider"),
        ],
        toolbox_opts=opts.ToolboxOpts(
            feature={
                "dataZoom": {"yAxisIndex": "none"},
                "restore": {},
                "saveAsImage": {},
            }
        ),
    )
)
kline.render("maotai_kline_chart.html")

K 线图常用于展示开盘价、收盘价、最高价与最低价，帮助观察价格结构与波动特征。

6.4 简单收益回测示例

基于日度收益率与简单信号构造策略收益，并绘制累计收益曲线：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

data['Signal'] = 0
data['Daily_Return'] = data['Close'].pct_change()
# 信号示例：前一日涨幅为正则今日持仓
data.loc[data['Daily_Return'] > 0, 'Signal'] = 1
# 策略收益（昨日信号 × 今日收益率）
data['Strategy_Return'] = data['Signal'].shift(1) * data['Daily_Return']
data['Cumulative_Return'] = (1 + data['Strategy_Return']).cumprod()
plt.figure(figsize=(10, 6))
plt.plot(data['Cumulative_Return'], label='Strategy Cumulative Return', color='b')
plt.plot(data['Close'] / data['Close'].iloc[0], label='Stock Cumulative Return', color='g')
plt.title("Cumulative Return of Strategy vs. Stock")
plt.xlabel("Date")
plt.ylabel("Cumulative Return")
plt.legend()
plt.show()

常用方法：

• pct_change()：计算相邻期收益率；
• cumprod()：计算累计乘积，用于构造净值/累计收益曲线。

七、LongPort OpenAPI 简介

LongPort 提供程序化的行情与交易接口，可用于搭建行情监控、策略分析与自动化交易工具。结合量化模型与回测体系，可以实现从研究到实盘的闭环流程。

拓展与后续学习建议

• 风险管理与组合优化
  深入学习均值-方差模型、风险平价、在险价值（VaR）与条件 VaR（CVaR）等，帮助构建更稳健的组合。
• 回测与过拟合
  系统学习样本内/样本外划分、走步前测（Walk-forward）、交叉验证，以及过拟合检测方法，提升回测结论的可信度。
• 因子投资与多因子模型
  探索常见因子（价值、规模、质量、动量、低波动等）与因子组合方法，以及行业与风格中性化处理。
• 机器学习与深度学习在量化中的应用
  从监督学习（回归/分类）到强化学习（交易策略优化），再到自然语言处理（新闻与舆情分析），逐步构建更复杂的模型。
• 实盘工程与基础设施
  研究订单路由、撮合机制、延迟优化（托管/共址）、数据质量清洗与异常检测，以及合规与风控体系建设。
• 开源框架与社区
  除 Zipline 外，可关注 Backtrader、QuantLib、VectorBT 等开源项目；关注量化社区与论文，持续跟踪研究前沿。