作者: 数据科学实战

2026年重磅升级已全面落地！欢迎加入专注财经数据与量化投研的【数据科学实战】知识星球！您将获取持续更新的《财经数据宝典》与《量化投研宝典》，双典协同提供系统化指引；星球内含300篇以上独有高质量文章，深度覆盖策略开发、因子分析、风险管理等核心领域，内容基本每日更新；同步推出的「量化因子专题教程」系列（含完整可运行代码与实战案例），系统详解因子构建、回测与优化全流程，并实现日更迭代。我们持续扩充独家内容资源，全方位赋能您的投研效率与专业成长。无论您是量化新手还是资深研究者，这里都是助您少走弯路、事半功倍的理想伙伴，携手共探数据驱动的投资未来！欢迎来到量化交易的世界！本指南专为零基础用户设计，旨在帮助你从理论概念到代码实战，系统性地掌握使用 AKQuant 框架进行量化策略开发的全过程。

为什么选择量化？(量化 vs 主观)投资的世界主要分为两派：主观投资 (Discretionary) 和 量化投资 (Quantitative)。* • 主观投资像是一门艺术。交易员依靠个人的经验、直觉和对市场的定性分析（如新闻、宏观政策）来做决策。巴菲特、索罗斯是这方面的宗师。

• 量化投资则是一门科学。它通过数学模型和计算机程序，从海量历史数据中寻找概率优势，并严格执行。西蒙斯（大奖章基金）是量化的代表。

核心对比

维度	主观交易 (Discretionary)	量化交易 (Quantitative)
决策依据	经验、直觉、消息、定性分析	数据、统计模型、代码逻辑
执行力	易受情绪（贪婪/恐惧）干扰，知行合一难	机器自动执行，冷酷无情，100% 纪律
覆盖范围	人的精力有限，只能关注几十只股票	计算机可同时监控几千只股票、几百个市场
可验证性	难以验证（“感觉"无法回测）	高度可验证（通过回测检验历史表现）
缺点	难以复制，状态不稳定，容易犯错	存在模型失效风险，对突发事件（黑天鹅）反应可能滞后

选择量化的理由：如果你不想每天盯着盘面心惊肉跳，如果你相信数据胜过直觉，如果你希望通过代码构建一个能长期为你工作的"赚钱机器”，那么量化投资就是为你准备的。

量化交易基础概念：阿K的觉醒之路为了让你更直观地理解量化交易，我们来讲一个名为“阿K”的交易员的故事。通过他的经历，我们将解锁量化交易的核心概念。第一幕：情绪的奴隶 vs 机器的纪律故事：阿K 曾经是一个典型的手动交易员。每天盯着屏幕，心情随着红绿柱子起伏。* • 上午10点，看到股价猛涨：“快追！不然踏空了！” —— 结果高位接盘。

• 下午2点，股价跳水：“完了！要跌停了，快跑！” —— 结果低位割肉。

一天下来，阿K 筋疲力尽，账户还亏了钱。他发现自己最大的敌人不是市场，而是贪婪与恐惧。量化视点：量化交易的第一大优势是纪律性 (Discipline)。我们将交易逻辑写成代码（即策略），让计算机自动执行。机器没有情绪，它不会因为暴涨而兴奋，也不会因为暴跌而恐慌。它只会冷酷地执行：“如果 A 发生，我就做 B”。第二幕：神秘的“时光机” (回测)故事：阿K 总结了一个规律：“我发现每次连续跌三天，第四天大概率会反弹。”他想用真金白银去赌这个规律，但心里没底：“这个规律在2018年熊市管用吗？在2020年牛市又如何？”他希望能有一台时光机，回到过去，用这个规则模拟交易一遍，看看能赚多少钱。量化视点：这台时光机就是回测 (Backtesting)。回测是指使用历史数据来验证交易策略在过去表现的过程。* • 输入：你的策略逻辑（如“连跌三天买入”）。

• 数据：过去几年的 K 线数据（OHLCV - 开高低收量）。
• 输出：如果按此操作，你的最终收益、最大亏损是多少。

第三幕：关于“活下去”的教训 (风控)故事：阿K 曾经运气爆棚，重仓押注一只股票，一个月翻倍。他觉得自己是股神，于是借钱加杠杆继续满仓。结果市场突发“黑天鹅”事件，股价腰斩。阿K 不仅利润回吐，本金也亏光了。量化前辈告诉他：“在这个市场，活得久比赚得快更重要。”量化视点：这就是风险控制 (Risk Management)。在量化报告中，我们不仅看赚了多少（收益率），更看冒了多大风险。* • 最大回撤 (Max Drawdown)：策略从历史最高点跌下来的最大幅度。如果最大回撤是 -50%，意味着你的资产可能腰斩。

• 夏普比率 (Sharpe Ratio)：衡量性价比的指标。每承担一份风险，能换来多少超额收益。

想要深入了解所有回测指标的含义（如索提诺比率、胜率等），请参考 回测结果详解。第四幕：刻舟求剑的陷阱 (过拟合)故事：阿K 学会了编程，他试图找到一条完美的曲线。他不断修改参数，终于凑出了一个在过去一年收益率 500% 的策略！他兴奋地开启实盘，结果一周就亏了 10%。原来，他的策略代码里隐含着：“如果在2023年1月5日，就买入”。这就像背下了去年考试的答案，但今年的题目变了。量化视点：这叫过拟合 (Overfitting)。策略只是记住了历史数据的噪声，而没有掌握真正的市场规律。优秀的量化策略应当是逻辑简单、普适性强的，而不是对历史数据的生搬硬套。

1.5 核心数据格式 (OHLCV)回到技术层面，量化交易中最基础的数据单元是 K 线（Bar），通常包含以下字段：* • Open: 开盘价

• High: 最高价
• Low: 最低价
• Close: 收盘价
• Volume: 成交量

环境准备与框架安装2.1 安装 AKQuant确保你的电脑上安装了 Python 3.10 或以上版本。打开终端（Terminal 或 CMD），输入以下命令：

1

pip install akquant

2.2 验证安装创建一个名为 check_env.py 的文件，输入以下代码并运行：

1

import akquantprint(f"AKQuant version: {akquant.__version__}")print("安装成功！")

实战演练：开发第一个策略（双均线交叉）我们将实现一个经典的双均线策略 (Dual Moving Average)。* • 买入信号：短期均线（如 5日线）上穿长期均线（如 20日线） -> 金叉。

• 卖出信号：短期均线下穿长期均线 -> 死叉。

3.1 完整代码示例创建一个名为 first_strategy.py 的文件：

1

import numpy as npimport pandas as pdfrom akquant import Strategy, run_backtest, Barclass DualMovingAverageStrategy(Strategy):    def __init__(self):        # 定义策略参数：短期窗口5，长期窗口20        self.short_window = 5        self.long_window = 20    def on_bar(self, bar: Bar):        # 获取历史收盘价数据        # history_data 返回的是一个 DataFrame        hist = self.get_history(count=self.long_window + 1, field="close")        # 如果数据不足，无法计算均线，直接返回        if len(hist) < self.long_window:            return        # 计算短期和长期均线        closes = hist        ma_short = np.mean(closes[-self.short_window:])        ma_long = np.mean(closes[-self.long_window:])        # 获取上一时刻的均线值（用于判断交叉）        prev_ma_short = np.mean(closes[-self.short_window - 1: -1])        prev_ma_long = np.mean(closes[-self.long_window - 1: -1])        # 获取当前持仓        position = self.get_position(bar.symbol)        # 交易逻辑        # 1. 金叉：短期均线上穿长期均线，且当前无持仓 -> 买入        if prev_ma_short <= prev_ma_long and ma_short > ma_long:            if position == 0:                self.buy(bar.symbol, 100)  # 买入100股                print(f"[{bar.timestamp_str}] 金叉买入 {bar.symbol} @ {bar.close:.2f}")        # 2. 死叉：短期均线下穿长期均线，且持有仓位 -> 卖出        elif prev_ma_short >= prev_ma_long and ma_short < ma_long:            if position > 0:                self.sell(bar.symbol, 100)  # 卖出100股                print(f"[{bar.timestamp_str}] 死叉卖出 {bar.symbol} @ {bar.close:.2f}")# ------------------------------# 准备测试数据并运行# ------------------------------if __name__ == "__main__":    # 生成模拟数据    np.random.seed(1024)    dates = pd.date_range(start="2023-01-01", end="2023-12-31")    price = 100 + np.cumsum(np.random.randn(len(dates)))  # 随机游走价格    df = pd.DataFrame({        "date": dates,        "open": price, "high": price + 1, "low": price - 1, "close": price,        "volume": 10000,        "symbol": "DEMO"    })    # 运行回测    print("开始回测...")    result = run_backtest(        strategy=DualMovingAverageStrategy,        data=df,        initial_cash=10000.0,  # 初始资金 1万        warmup_period=21    )    # 打印简要结果    print("\n回测结束！")    print(f"绩效指标: {result.metrics_df}")

3.2 进阶策略：均值回归 (Mean Reversion)除了趋势跟踪（如双均线），另一种常见的策略是均值回归。它的核心思想是：价格总是围绕价值上下波动，涨多了会跌，跌多了会涨。策略逻辑 (布林带策略 Bollinger Bands)：* • 中轨：20日均线

• 上轨：中轨 + 2倍标准差
• 下轨：中轨 - 2倍标准差
• 买入：价格跌破下轨（超跌），且开始反弹。
• 卖出：价格突破上轨（超买），或回归中轨。

1

class BollingerStrategy(Strategy):    def __init__(self):        self.window = 20        self.std_dev = 2    def on_bar(self, bar):        # 获取足够的历史数据        hist = self.get_history(count=self.window + 1)        if len(hist) < self.window:            return        closes = hist        # 计算布林带        ma = np.mean(closes[-self.window:])        std = np.std(closes[-self.window:])        upper = ma + self.std_dev \* std        lower = ma - self.std_dev \* std        current_price = bar.close        position = self.get_position(bar.symbol)        # 策略逻辑：        # 1. 价格跌破下轨，买入（视为超跌）        if current_price < lower and position == 0:            self.buy(bar.symbol, 100)            print(f"[{bar.timestamp_str}] 超跌买入 {bar.symbol} @ {current_price:.2f}")        # 2. 价格回归中轨或突破上轨，卖出（止盈）        elif (current_price > ma or current_price > upper) and position > 0:            self.sell(bar.symbol, 100)            print(f"[{bar.timestamp_str}] 回归卖出 {bar.symbol} @ {current_price:.2f}")

3.3 实战：获取真实数据上面的例子使用了模拟数据。在实战中，你需要获取真实的股票数据。我们推荐使用 AKShare，它是目前最流行的开源中文金融数据接口库，数据覆盖面极广。示例：使用 AKShare 获取平安银行 (000001) 数据

1

pip install akshare

1

import akshare as akimport pandas as pd# 下载 A 股历史数据 (平安银行)# adjust="qfq" 表示使用前复权数据，这在回测中非常重要# period="daily" 表示日线数据df = ak.stock_zh_a_hist(symbol="000001", period="daily", start_date="20230101", end_date="20231231", adjust="qfq")# 数据清洗：将 AKShare 的中文列名转换为 AKQuant 需要的英文标准格式df = df.rename(columns={    "日期": "date",    "开盘": "open",    "最高": "high",    "最低": "low",    "收盘": "close",    "成交量": "volume"})# 格式转换：确保 date 列是 datetime 类型df['date'] = pd.to_datetime(df['date'])df['symbol'] = "000001" # 添加代码列# 筛选需要的列（可选，AKQuant 会自动忽略多余列）df = df[["date", "open", "high", "low", "close", "volume", "symbol"]]# 直接传入 run_backtestresult = run_backtest(    strategy=DualMovingAverageStrategy,    data=df,    initial_cash=10000.0)

3.4 策略可视化 (Visualization)回测结束后，光看数字是不够的。我们需要直观地看到各项指标。AKQuant 提供了内置的绘图功能。

1

# 在 run_backtest 后添加# 绘制资金曲线result.report(show=True)

3.5 参数调优 (Parameter Optimization)你可能会问：“为什么均线是 5日和 20日？改成 10日和 30日会不会更好？”这就是参数调优要做的事。我们可以遍历不同的参数组合，找到历史表现最好的一组。

1

from akquant import run_grid_search# 1. 调整策略类以接收参数class OptimizedDualMA(DualMovingAverageStrategy):    def __init__(self, short_window=5, long_window=20):        self.short_window = short_window        self.long_window = long_window# 2. 定义参数网格param_grid = {    "short_window": range(3, 10),  # 3 到 9    "long_window": range(15, 30)   # 15 到 29}# 3. 运行网格搜索# AKQuant 会自动组合所有参数，并利用多核 CPU 并行计算results = run_grid_search(    strategy=OptimizedDualMA,    param_grid=param_grid,    data=df,    initial_cash=10000.0,    sort_by="sharpe_ratio",  # 按夏普比率排序    max_workers=4            # 并行进程数)# 4. 获取最佳结果# results 是一个 DataFrame，包含参数和回测指标print("优化结果前5名：")print(results.head())best_params = results.iloc[0]print(f"\n最佳参数: short={best_params['short_window']}, long={best_params['long_window']}")print(f"最佳夏普: {best_params['sharpe_ratio']:.4f}")

注意：参数调优容易导致过拟合，请务必在样本外数据（Out-of-Sample）上进行验证。

读懂回测报告：核心指标解读运行回测后，AKQuant 会输出一系列指标。以下是核心指标的含义：

指标名称	英文	含义与解读
总收益率	Total Return	策略期末相对于期初赚了百分之多少。如果是负数，说明亏损。
年化收益率	Annualized Return	假设策略运行一年能赚多少。方便不同时长的策略进行比较。
最大回撤	Max Drawdown	策略从历史最高点跌下来的最大幅度。衡量风险的重要指标。例如 -20% 意味着你可能在最坏情况下亏损20%。
夏普比率	Sharpe Ratio	衡量"性价比"。即每承担一单位风险，能获得多少超额收益。通常 >1 为良好，>2 为优秀。
胜率	Win Rate	盈利交易次数占总交易次数的比例。高胜率不一定代表高收益（可能赚小钱亏大钱）。

常见错误排查与调试技巧新手在开发过程中常遇到以下问题，请对照检查：5.1 数据不足 (Data Not Enough)* • 现象：程序报错 IndexError 或均线计算结果为 NaN。

• 原因：计算20日均线至少需要20条历史数据。在回测刚开始的前几天，数据累积不足。
• 解决：在 on_bar 开头添加检查：

1

if len(self.get_history(count=20)) < 20:    return

5.2 前视偏差 (Look-ahead Bias)* • 现象：回测收益率高得离谱（例如年化 1000%）。

• 原因：在计算信号时使用了未来的数据。例如在 on_bar 处理今天的数据时，却取到了明天的收盘价。
• 解决：确保只使用当前 bar 及之前的数据。AKQuant 的 history_data 默认是安全的。

5.3 交易未执行* • 现象：日志显示发出了买单，但持仓没有变化。

• 原因：可能是资金不足（Cash不够买1手）或未达到最小交易单位。
• 解决：打印 self.cash 查看可用资金；检查 self.buy 的数量是否合理。

5.4 忽视复权 (Ignoring Adjustment)* • 现象：股票发生拆股或分红时，价格突然跳水，导致策略误判为暴跌卖出。

• 原因：使用的是不复权数据。例如 10元拆成 5元，价格腰斩但价值没变。
• 解决：必须使用前复权 (qfq) 数据进行回测。

• 前复权：以当前价格为基准，修正历史价格，保持价格连续性。
• AKShare 获取数据时务必指定 adjust="qfq"。

下一步学习建议恭喜你完成了入门教程！想要成为更专业的量化交易员，你可以按照以下路径继续修炼：6.1 技能树点亮顺序1. 1. Python 进阶：熟练掌握 pandas 和 numpy。量化交易 80% 的时间在处理数据，这两大库是处理数据的神兵利器。
2. 经典策略研究：

• 海龟交易法则 (Turtle Trading)：学习趋势跟踪系统的完整构建。
• 网格交易 (Grid Trading)：学习震荡市的自动化套利。
• 多因子模型 (Multi-Factor)：学习机构主流的选股逻辑。

3. 风险管理：深入理解凯利公式 (Kelly Criterion)、波动率控制等资金管理方法。
4. 机器学习：尝试用机器学习模型（如随机森林、LSTM）来预测价格或波动率（参考 ML Guide）。

6.2 推荐资源* • 书籍：《打开量化投资的黑箱》、《海龟交易法则》、《Python for Finance》。

• 实战：多看 Examples 中的代码，尝试修改参数，观察结果变化。

希望这份指南能帮你顺利开启量化之旅！更多进阶功能请参考 API 文档。参考文章加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取本文完整研究解析、代码实现细节。财经数据与量化投研知识社区2026年全面升级已落地！【数据科学实战】知识星球核心权益如下：1. 1. 双典系统赋能：获赠《财经数据宝典》与《量化投研宝典》完整文档，凝练多年实战经验，构建系统化知识框架； 2. 2. 量化因子日更教程（2026重磅新增）：每日更新「量化因子专题教程」，配套完整可运行代码与实战案例，深度拆解因子构建、回测与优化全流程； 3. 3. 量化文章专题教程库：300+篇星球独有高质量教程式文章，系统覆盖策略开发、因子研究、风险管理等核心领域，内容基本每日更新，并配套精选学习资料与实战参考； 4. 4. PyBroker实战课程：赠送《PyBroker-入门及实战》视频课程，手把手教学，快速掌握量化策略开发技能； 5. 5. 财经数据支持：定期更新国内外财经数据，为策略研发提供精准、可靠的数据基础； 6. 6. 顶尖学者与行业专家分享：年度邀请学术界博士与业界资深专家开展前沿论文精讲与实战案例分享，不少于4场，直击研究前沿与产业实践；专家直连答疑：与核心开发者及领域专家实时互动，高效解决投研实战难题； 7. 7. 专业社群与专属福利：加入高质量交流社群，获取课程折扣及更多独家资源。

星球已沉淀丰富内容生态——涵盖量化文章专题教程库、因子日更系列、高频数据集、PyBroker实战课程、专家深度分享与实时答疑服务。无论您是初探量化的学习者，还是深耕领域的从业者，这里都是助您少走弯路、高效成长的理想平台。诚邀加入，共探数据驱动的投资未来！

2. 用 Python 打造股票预测系统：Transformer 模型教程（二）

3. 用 Python 打造股票预测系统：Transformer 模型教程（三）

4. 用 Python 打造股票预测系统：Transformer 模型教程（完结）

5. 揭秘隐马尔可夫模型：因子投资的制胜武器

6. YOLO 也能预测股市涨跌？计算机视觉在股票市场预测中的应用

7. 金融 AI 助手：FinGPT 让你轻松掌握市场分析

8. 量化交易秘籍：为什么专业交易员都在用对数收益率？

9. Python 量化投资利器：Ridge、Lasso 和 Elastic Net 回归详解

10. 掌握金融波动率模型：完整 Python 实现指南

好书推荐

来源: 微信公众号

头条 AKQuant 量化交易新手指南 (Zero to Hero)

目录