一、核心概念：Python 量化是什么？

Python 量化，简单来说就是用 Python 代码实现金融交易的自动化分析、策略回测、实盘交易。相比手动交易，它的优势是：

• 效率高：能快速处理海量行情数据
• 无情绪：严格执行策略，避免人性弱点
• 可回测：用历史数据验证策略是否有效
• 可自动化：7x24 小时监控市场（股票 / 期货 / 数字货币等）

二、Python 量化核心库（入门必学）

表格

三、Python 量化实战核心流程

graph TD
A[获取行情数据] --> B[数据清洗/预处理]
B --> C[编写交易策略]
C --> D[回测（用历史数据验证）]
D --> E{回测达标？}
E -- 是 --> F[模拟交易]
E -- 否 --> C
F --> G{模拟盈利？}
G -- 是 --> H[实盘交易]
G -- 否 --> C

四、入门实战示例（均线策略）

下面是一个极简的 Python 量化入门示例，实现「5 日均线金叉 20 日均线买入，死叉卖出」的经典策略，用 Tushare 获取数据，Pandas 分析，Matplotlib 画图。

1. 前置准备（安装依赖）

bash

运行

pip install tushare pandas matplotlib

注：Tushare 需要注册获取 token（免费），

2. 完整代码（可直接运行）

python

运行

import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt

# 1. 设置Tushare token（替换成你的）
ts.set_token("你的Tushare token")
pro = ts.pro_api()

# 2. 获取股票历史数据（以贵州茅台600519为例，近1年日线数据）
df = pro.daily(ts_code="600519.SH", start_date="20250305", end_date="20260305")

# 3. 数据预处理：按时间排序，计算5日和20日均线
df = df.sort_values(by="trade_date")  # 按交易日期升序排列
df["ma5"] = df["close"].rolling(window=5).mean()  # 5日均线
df["ma2"] = df["close"].rolling(window=20).mean()  # 20日均线

# 4. 生成交易信号：金叉（买入）=1，死叉（卖出）=0
df["signal"] = 0  # 初始化信号
# 金叉：5日均线从下往上穿过20日均线
df.loc[(df["ma5"] > df["ma2"]) & (df["ma5"].shift(1) <= df["ma2"].shift(1)), "signal"] = 1
# 死叉：5日均线从上往下穿过20日均线
df.loc[(df["ma5"] < df["ma2"]) & (df["ma5"].shift(1) >= df["ma2"].shift(1)), "signal"] = 0

# 5. 可视化行情和均线、交易信号
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 显示中文
plt.figure(figsize=(12, 6))
# 绘制收盘价
plt.plot(df["trade_date"], df["close"], label="收盘价", color="blue")
# 绘制均线
plt.plot(df["trade_date"], df["ma5"], label="5日均线", color="red")
plt.plot(df["trade_date"], df["ma2"], label="20日均线", color="green")
# 标记买入信号（红色三角）
buy_points = df[df["signal"] == 1]
plt.scatter(buy_points["trade_date"], buy_points["close"], marker="^", color="red", s=100, label="买入")
# 标记卖出信号（绿色三角）
sell_points = df[df["signal"] == 0]
plt.scatter(sell_points["trade_date"], sell_points["close"], marker="v", color="green", s=100, label="卖出")

plt.title("贵州茅台均线策略示例")
plt.xlabel("交易日期")
plt.ylabel("价格（元）")
plt.legend()
plt.xticks(rotation=45)  # 日期旋转45度，避免重叠
plt.tight_layout()  # 自适应布局
plt.show()

# 6. 简单输出交易信号汇总
print("买入信号数量：", len(df[df["signal"] == 1]))
print("卖出信号数量：", len(df[df["signal"] == 0]))

3. 代码关键解释

• Tushare：核心是pro.daily()获取日线数据，需要替换自己的 token 才能用；
• Pandas rolling：rolling(window=5).mean()是计算滚动均值（均线）的核心；
• 交易信号：通过对比当日和前一日的均线位置，判断金叉 / 死叉，生成买卖信号；
• Matplotlib：把价格、均线、买卖点可视化，直观看到策略效果。

五、进阶方向（入门后可学）

1. 用 Backtrader/VnPy 做专业回测（计算收益率、最大回撤、夏普比率等）；
2. 对接券商 API 实现模拟 / 实盘交易（需要券商支持）；
3. 编写更复杂的策略（比如多因子策略、趋势策略、套利策略）；
4. 学习量化风控（比如设置止损、仓位管理）。

总结

1. Python 量化核心是数据获取→策略编写→回测验证→实盘交易的闭环，入门先掌握 Tushare+Pandas+Matplotlib；
2. 均线策略是最基础的量化策略，适合新手理解核心逻辑；
3. 量化交易≠稳赚，回测盈利不代表实盘盈利，实盘前一定要充分模拟和风控。