数据获取与处理
用Python进行股票量化交易，数据是基础。获取历史行情数据可以通过yfinance库，该库支持从Yahoo Finance下载日线、分钟级数据。以某只股票为例，先获取近两年的日线数据，包含开盘价、最高价、最低价、收盘价和成交量。数据清洗要处理缺失值，使用pandas的fillna方法填充或直接删除。计算收益率时，采用pct_change()，注意去除第一行的NaN值。
数据重采样用于生成不同周期的信号，比如将日线转为周线，用resample函数。标准化数据可避免因价格水平差异带来的误导，常用z-score方法。特征工程包括技术指标，如移动平均线、RSI、MACD，这些可以通过ta-lib库直接计算，但ta-lib需要单独安装。
策略信号生成
量化策略的核心是生成买卖信号。以双均线策略为例，快速均线穿越慢速均线时产生买入信号，反之卖出。在Python中，定义两个窗口期的移动平均，例如20日和50日。当短期均线从下方穿越长期均线时，信号列设为1（买入），从上方穿越时设为-1（卖出）。实现方式为比较相邻两天的均线值，利用numpy.where条件赋值。
策略需要考虑交易成本，包括佣金和滑点。在信号生成后，计算每日持仓，假设全仓进出。持仓状态position由信号累积得到，信号为1则全仓买入，-1则清仓。持仓的收益率为当日股票收益率乘以持仓状态。注意避免未来函数，即信号的判断只能基于当日收盘后的数据，次日执行。
回测与绩效评估
回测是验证策略有效性的必要步骤。计算策略的净值曲线，初始资金设为100万元，每日按策略持仓调整。净值增长率等于持仓收益率减去交易成本。使用matplotlib绘制净值曲线与基准指数（如沪深300）对比。评估指标包括年化收益率、夏普比率、最大回撤。夏普比率计算公式为（策略收益率-无风险利率）/收益率标准差，无风险利率通常取一年期国债收益率。最大回撤是净值峰值到后续最低点的最大跌幅。
用pandas的cummax计算累积最大值，再求回撤序列。优化参数可以通过网格搜索，遍历不同均线窗口，选择夏普比率最高的组合。但要注意过拟合，使用训练集和测试集分离。
风险控制与仓位管理
风险控制是量化交易中决定生死的一环。固定分数资金管理法，每次交易只投入总资金的一定比例，比如2%。这样即使连续亏损，资金损耗也有限。止损设置，当持仓亏损超过预设阈值（如5%）就平仓。止盈同样重要，达到目标收益就锁定利润。
动态调整仓位可采用波动率目标，根据市场波动调整风险敞口。例如，低波动时增加杠杆，高波动时减仓。在Python代码中，计算滚动波动率（年化），设定目标波动率为15%，仓位比例等于目标波动率除以实际波动率。当实际波动率高于目标时，仓位自动降低。
实盘交易接口
实盘交易需要连接券商API。以华泰证券、国泰君安等提供的Python交易接口为例，如easyquotation只提供行情，easytrader可模拟交易。实盘API涉及资金安全，务必使用模拟盘测试。下单函数需传入股票代码、价格、数量、买卖方向。处理成交回报，实时更新持仓。为防止操作失误，要加入订单状态检查。网络延迟和接口错误需异常处理，避免程序中断。
策略陷阱与注意事项
回测中常见的陷阱包括幸存者偏差，即只回测当前还在交易的股票，忽略了退市的股票，导致收益高估。应使用包含退市股的历史数据。过拟合问题是过度优化参数，实际表现不佳。解决方案是参数稳健性检验，在合理范围内变动参数，观察绩效是否稳定。大量交易时注意滑点成本，小盘股流动性差，冲击成本高。
Python编写的策略要重视事件的原子性，防止重入。例如，信号产生后在下一根K线开盘执行，确保信号与执行分离。日志记录每笔交易，便于事后审计。
量化交易不是靠预测，而是靠严格的系统执行。Python提供了强大的工具链，但策略开发是迭代过程。持续监控和改进，结合市场变化调整参数。实际资金运作前，务必在模拟盘中验证至少三个月。代码的稳健性、可维护性和可扩展性是长期盈利的保障。
