策略结构与生命周期
一个量化策略 = 输入 → 处理 → 输出。了解策略的结构是开发量化系统的前提。
策略的核心结构
一个量化策略包含三个环节：
输入：策略需要的数据
| 数据源 | 内容 | 获取方式 |
|---|---|---|
| 行情数据 | 历史开盘价、收盘价、交易量等交易信息 | Tushare、AKShare、证券 API |
| 财务数据 | 各公司公开的财务报表 | Tushare、东方财富、Wind |
| 自定义数据 | 新闻舆情（公司丑闻多不多？）、个人投资经验、甚至玄学指标…… | 爬虫、NLP 分析 |
处理：策略做的四件事
选股 → 择时 → 仓位管理 → 止盈止损
| 步骤 | 解决的问题 | 说明 |
|---|---|---|
| 选股 | 几千只股票，买哪一只？ | 按指标筛选出符合策略的股票 |
| 择时 | 什么时候买入？什么时候卖出？ | 期望低价买入、高价卖出 |
| 仓位管理 | 资金怎么分配到多只股票？ | 判断每只股票涨的概率不同，给高概率的多投一点 |
| 止盈止损 | 赚/赔到多少就收手？ | 跌了 10% 果断卖出防止继续赔 → 止损；赚了 30% 见好就收 → 止盈 |
输出：策略的结果
| 输出 | 内容 |
|---|---|
| 买卖信号 | 告诉股民"今天该买/卖了"，或自动连接券商发出交易指令 |
| 交易费用 | 手续费、佣金等中间成本（回测时必须考虑！） |
| 收益 | 这笔交易赚/赔了多少，整体月收益等各项指标 |
策略的生命周期
产生想法 → 编程实现 → 回测 + 模拟交易 → 实盘交易 → 优化/放弃
1. 产生想法
来源：
- 多年的投资经验
- 新学的技术指标
- 灵光一现的 idea
2. 编程实现
用 Python 把想法变成计算机程序。这是后续课程的重点。
3. 回测 + 模拟交易
| 方式 | 说明 |
|---|---|
| 回测 | 拿历史数据验证策略好不好 |
| 模拟交易 | 从现在开始用实时数据模拟（不投真钱），看一个月后赚多少 |
⚠️ 注意：股灾年份很难有策略好用，不要过度拟合历史数据。
4. 实盘交易
验证靠谱后真正投钱进去跑。建议：
- 先用小资金试运行
- 持续监控策略表现
- 设置最大回撤预警
5. 优化/放弃
- 发现不足 → 调整指标 → 重新回测 → 继续优化
- 赔了 → 放弃，换下一个策略
策略验证有效后，还可以卖给金融公司——已经用数据证明每年能挣 20%，别人愿意花钱买。
策略开发的核心原则
1. 简单优于复杂
越复杂的策略越容易过度拟合。先从简单的均线策略开始。
2. 先回测，后实盘
不要在回测之前就把策略投入实盘。用多时间段验证策略稳定性。
3. 控制风险优先于追求收益
一个年化 20% 但最大回撤 10% 的策略，优于年化 40% 但最大回撤 50% 的策略。
4. 保持策略独立性
不要同时运行多个高度相关的策略，这相当于加杠杆。
下一步：NumPy 数值计算 →