从编程基础切入量化分析
量化分析的核心是用代码表达交易逻辑。股票和期货市场每天产生海量数据，手工计算无法应对。学习Python是起点，重点掌握NumPy、Pandas、Matplotlib三个库。NumPy处理数值数组，Pandas负责时间序列和表格数据，Matplotlib用于可视化价格与信号。
安装Anaconda发行版，它集成了上述库和Jupyter Notebook。每天花两小时练习数据操作。打开Tushare或AkShare接口，获取股票日线数据。编写代码计算5日均线和20日均线，画出金叉死叉点。期货数据可以从CTP接口或新浪财经抓取。这个阶段不要碰复杂模型，把数据清洗、缺失值填充、对齐时间戳练熟。
代码示例：
import akshare as ak
import pandas as pd
df = ak.stock_zh_a_hist(symbol="600519", period="daily", start_date="20230101", end_date="20231231")
df['ma5'] = df['收盘'].rolling(5).mean()
df['ma20'] = df['收盘'].rolling(20).mean()
df['signal'] = 0
df.loc[df['ma5'] > df['ma20'], 'signal'] = 1
df.loc[df['ma5'] <= df['ma20'], 'signal'] = -1
print(df[['日期','收盘','ma5','ma20','signal']].tail())
理解股票与期货的量化差异
股票量化以选股和择时为主。因子包括市盈率、市净率、动量、波动率。多因子模型用回归或机器学习打分。期货量化更注重杠杆、保证金、逐日盯市和展期。商品期货受库存、基差、季节性影响。股指期货与股票指数联动，适合套利。
学习股票量化先做单因子测试。用Alphalens库计算信息系数IC，观察因子值与未来收益的相关性。期货量化从跨期套利开始，价差回归策略容易理解。计算两个合约价差的均值和标准差，价差超过2倍标准差开仓，回归均值平仓。注意期货有夜盘和交割规则，回测时需处理主力合约换月。
掌握回测框架与评估指标
回测是量化分析的生命线。向量化回测用Pandas直接计算信号收益，速度快但忽略滑点和手续费。事件驱动回测用Backtrader或vn.py，模拟订单成交。初学者从向量化开始，逐步过渡到事件驱动。
评估指标包括年化收益、最大回撤、夏普比率、胜率、盈亏比。夏普比率低于1的策略不值得实盘。最大回撤超过30%需要降杠杆。用滚动窗口回测检验参数稳定性。股票回测注意复权处理，期货回测加入保证金和手续费。
import vectorbt as vbt
price = df['收盘']
fast = vbt.MA.run(price, 5)
slow = vbt.MA.run(price, 20)
entries = fast.ma_crossed_above(slow)
exits = fast.ma_crossed_below(slow)
pf = vbt.Portfolio.from_signals(price, entries, exits, fees=0.001, slippage=0.002)
print(pf.stats())
构建风险管理与资金曲线
量化分析不止开平仓信号。股票组合要控制行业暴露和市值暴露。期货要计算保证金占用和强平风险。每笔交易风险不超过总资金的2%。用ATR指标设置止损距离。资金曲线创新高时加仓，回撤超过10%时减仓。
学习凯利公式的分数版本，实际使用半凯利或四分之一凯利。股票分散到10到20只，期货同时持仓不超过3个品种。记录每笔交易的滑点、成交延迟、手续费。每周统计盈亏归因。
数据获取与清洗技巧
股票数据来源：Tushare、AkShare、Baostock、聚宽。期货数据来源：CTP、飞马、易盛。分钟级数据用于日内策略，日线数据用于中长线。清洗步骤包括去除停牌日、填充缺失值、处理涨跌停。股票涨跌停无法成交，回测时过滤这类信号。期货换月时拼接主力合约，用后复权价格。
编写数据管道，每日收盘后自动更新数据库。用SQLite或Parquet存储，避免每次重新下载。计算技术指标时注意未来函数。用shift(1)把信号后移一天，防止使用当日收盘价交易。
从模拟盘到实盘的过渡
模拟盘运行三个月，对比回测与模拟盘的滑点差异。股票模拟盘用同花顺或券商接口。期货模拟盘用文华财经或交易开拓者。实盘先用小资金，股票1万元，期货1手保证金。记录每笔成交回报，检查信号触发是否延迟。
实盘后监控策略衰减。股票因子拥挤度升高时收益下降。期货波动率变化影响止损幅度。每月重新优化参数，但避免过度拟合。用样本外数据验证。
持续学习与社区资源
书籍推荐：Ernie Chan的量化交易，Andreas Clenow的股票趋势量化。在线课程：Coursera的金融工程，Udemy的Python量化。社区：聚宽、米筐、优矿、QuantConnect。参与策略分享，阅读论文。关注期货交易所公告和股票财报日历。每天复盘当日信号，记录错误。
量化分析是工程与金融的交叉。代码能力决定执行效率，金融逻辑决定策略方向。从简单均线策略起步，逐步加入因子、风控、组合优化。坚持写交易日志，三年可形成稳定体系。
