程序化交易模型的核心类型
程序化交易在股票和期货市场中依赖数学模型自动生成交易信号。趋势跟踪模型捕捉价格中长期方向，使用移动平均线、突破通道等工具。股票中常见双均线策略，期货中如ATR通道突破。均值回归模型假设价格围绕均值波动，适用于股票配对交易和期货跨期价差。套利模型利用市场定价偏差，包括股票期现套利、期货跨期套利和跨品种套利。事件驱动模型响应财报、政策或突发事件，在股票中用于财报后动量，期货中用于库存数据发布。高频交易模型依赖微观结构，在期货市场做市或狙击大单。
建立程序化交易模型的步骤
策略构思与数据准备
从市场观察或学术文献获取灵感。股票模型需要日频或分钟频行情、财务数据。期货模型需要连续合约价格、持仓量、基差。数据清洗去除缺失值和异常值，调整股票除权除息，拼接期货主力合约。
代码实现与回测框架
使用Python或C++编写策略逻辑。回测引擎模拟历史成交，考虑滑点和手续费。股票回测需处理涨跌停无法成交，期货回测需处理保证金和强平。
import pandas as pd
import numpy as np
def dual_ma_strategy(data, short_window=5, long_window=20):
data['short_ma'] = data['close'].rolling(short_window).mean()
data['long_ma'] = data['close'].rolling(long_window).mean()
data['signal'] = 0
data.loc[data['short_ma'] > data['long_ma'], 'signal'] = 1
data.loc[data['short_ma'] <= data['long_ma'], 'signal'] = -1
data['position'] = data['signal'].shift(1)
data['returns'] = data['close'].pct_change() * data['position']
return data['returns'].cumsum()
回测指标包括年化收益、最大回撤、夏普比率。股票模型需注意交易成本对高频策略的侵蚀，期货模型需关注杠杆放大风险。
风险管理与资金分配
股票组合限制单票权重，期货采用固定比例风险模型。止损规则包括固定百分比止损、波动率止损。资金曲线管理使用凯利公式或固定分数法。股票期货混合策略需考虑相关性，避免同向暴露。
实盘执行与监控
连接券商或期货公司API，股票使用CTP或恒生接口，期货使用CTP或飞马。执行算法减少冲击成本，股票用VWAP，期货用TWAP。监控系统跟踪滑点、成交率、策略衰减。定期再平衡参数，股票模型每季度调整，期货模型每月调整。
股票与期货模型的差异
股票模型受T+1和卖空限制，期货模型T+0且双向交易。股票分红送股影响价格连续性，期货换月导致价格跳空。股票流动性分散，期货流动性集中。股票模型偏好基本面因子，期货模型偏好技术因子和期限结构。
常见陷阱与改进方向
过度拟合历史数据导致实盘失效。股票回测使用未来函数，期货回测忽略主力合约切换成本。改进方法包括交叉验证、样本外测试、蒙特卡洛模拟。股票模型加入行业中性化，期货模型加入波动率过滤。
量化工具与框架选择
股票回测使用Backtrader、Zipline、vn.py。期货回测使用vn.py、PyAlgoTrade。数据源股票用Tushare、AkShare，期货用Wind、聚宽。实盘交易股票用EasyTrader，期货用vn.py的CTP接口。
模型评估与迭代
评估指标包括信息比率、胜率、盈亏比。股票模型关注换手率，期货模型关注保证金占用。迭代周期股票每月，期货每周。参数优化使用网格搜索或贝叶斯优化。避免过度优化，保留参数鲁棒性。
股票期货组合策略
股票多头叠加期货空头对冲系统性风险。股票行业轮动配合期货商品趋势。跨市场套利利用股指期货与股票ETF价差。风险平价分配股票和期货仓位。
程序化交易的执行细节
订单类型股票用限价单，期货用市价单或限价单。股票交易时间9:30-15:00，期货有夜盘。股票佣金万二点五，期货手续费固定或按手数。滑点股票约0.1%，期货约0.2%。
模型生命周期管理
策略从研究到退役。研究阶段回测夏普大于1.5。模拟盘运行3个月。实盘小资金验证6个月。逐步加仓到目标规模。监控日亏损超过2%暂停。季度评审策略有效性。
代码示例 期货布林带策略
import numpy as np
import pandas as pd
def bollinger_bands(data, window=20, num_std=2):
data['ma'] = data['close'].rolling(window).mean()
data['std'] = data['close'].rolling(window).std()
data['upper'] = data['ma'] + num_std * data['std']
data['lower'] = data['ma'] - num_std * data['std']
data['signal'] = 0
data.loc[data['close'] > data['upper'], 'signal'] = -1
data.loc[data['close'] < data['lower'], 'signal'] = 1
data['position'] = data['signal'].shift(1)
data['returns'] = data['close'].pct_change() * data['position']
return data['returns'].cumsum()
此策略在期货震荡市中表现良好，趋势市中需添加止损。
程序化交易模型成功依赖数据质量、回测严谨性、风险控制和执行效率。股票模型侧重选股和组合优化，期货模型侧重杠杆和日内交易。持续学习市场微观结构变化，更新模型参数。
