量化策略全流程指南

本文面向量化投资新手，结合次方量化平台的核心功能，手把手带你走完量化策略从「构想」到「自动交易」的完整旅程。即使你完全没有编程基础，也能看懂并付诸实践。

一、什么是量化策略？

1.1 用一句话理解量化策略

量化策略，就是把人的投资判断转化为一套可以被计算机执行的明确规则。

传统投资方式依赖人的经验和直觉——看财报、判断行情、决定买卖。而量化策略把这些判断过程「翻译」成规则，交由计算机来执行，让投资决策变得可重复、可验证、可自动化。

1.2 举个简单的例子

假设你有一个直觉："最近一个月涨得最猛的板块 ETF，未来一段时间往往还会继续涨。"

用量化策略语言表达，就是：

每周检查一次手中的 ETF 池，计算每只 ETF 过去 20 个交易日的涨幅；选出涨幅最高的那只 ETF 持有；若当前持有的 ETF 不再是涨幅最高的，就卖出并换入新的领涨品种。

这套规则完全不依赖主观判断，给任何人来执行，结果都是一样的——这就是量化策略的本质。

1.3 量化策略的核心优势

优势	说明
消除情绪干扰	策略严格按规则执行，不会因为恐慌割肉或贪婪追涨
可回测验证	可以用历史数据检验策略是否真的有效，避免盲目入市
可自动化执行	策略规则固定后，计算机可以自动完成每日的分析和交易
高度可复制	相同的策略、相同的数据，任何时候都能得到相同的结果

1.4 主流量化策略类型梳理

量化策略的种类繁多，不同策略背后的逻辑差异巨大。以下是市场上最主流、最被广泛认可的几大策略类型：

① 趋势跟踪策略（动量策略）

核心逻辑：强者恒强。近期上涨的资产，往往在短期内仍有继续上涨的倾向；近期下跌的资产，往往继续下跌。

适用场景：单边趋势行情中表现出色，震荡行情下容易频繁误判。

代表策略：ETF 动量轮动、双均线突破、海龟交易系统

---

② 均值回归策略（反转策略）

核心逻辑：物极必反。资产价格偏离历史均值过远后，往往会向均值方向回归。

适用场景：震荡行情中效果好，遭遇单边趋势时可能持续亏损。

代表策略：布林带均值回归、配对交易、统计套利

---

③ 多因子选股策略

核心逻辑：通过多个"因子"（量化指标）给股票打分，选出综合评分最高的一篮子股票持有。

适用场景：主要用于 A 股个股选股，通常持有数十到数百只股票，通过分散化降低风险。

代表产品：公募量化基金、Smart Beta ETF（如红利低波 ETF、质量 ETF）

---

④ 套利策略

核心逻辑：发现同一资产在不同市场或相关资产之间的价格偏差，低买高卖赚取价差。

常见类型：

• ETF 套利：当 ETF 市价与其净值（IOPV）出现偏差时，通过申赎套利消除价差
• 跨期套利：同一标的不同到期日的期货合约之间的价差回归
• 跨市场套利：A 股与港股通相同公司股价折溢价套利（AH 溢价）
• 统计套利：利用历史相关性高的资产对之间的价差均值回归

适用场景：需要较大资金量和较低延迟，通常是机构玩家的领域，个人难以规模化操作。

---

⑤ 网格交易策略

核心逻辑：在一定价格区间内预设多个买卖价位（网格），价格下跌时分批买入，价格上涨时分批卖出，不断低买高卖赚取网格利润。

适用场景：震荡行情下可以持续盈利，但遭遇单边大跌时可能越跌越买，亏损扩大。

---

⑥ CTA 策略（商品趋势跟踪）

核心逻辑：主要针对商品期货市场，通过捕捉大宗商品（原油、黄金、铜、农产品等）的中长期趋势获利。

特点：

• 与股票市场相关性较低，是很好的对冲和分散工具
• 通常使用系统化规则，人工干预少
• 适合机构或有期货账户的个人投资者

---

各策略类型对比

策略类型	核心逻辑	适合行情	门槛	适合人群
趋势/动量策略	强者恒强	单边趋势	低～中	个人投资者
均值回归策略	物极必反	横盘震荡	中	个人/机构
多因子选股	多维度打分	各类行情	高	机构/专业投资者
套利策略	消除价差	各类行情	高	机构为主
网格交易	低买高卖	震荡行情	低	个人投资者
CTA 策略	期货趋势	商品牛熊	高	机构/专业投资者

1.5 次方量化平台的策略类型

次方量化平台专注于 ETF/LOF 动量轮动策略，属于上述分类中的趋势跟踪策略。

所谓"动量轮动"，是指利用金融学中的 动量效应（近期涨得强的资产，往往还会继续强一段时间），在一组 ETF 中动态挑选当前最强势的品种持有，并在行情切换时及时轮换。

平台之所以专注于这一策略类型，原因如下：

• 逻辑直观，新手也能理解：不需要复杂的数学模型，核心思路就是"选最强的持有"
• 天然分散风险：ETF 本身已经是一篮子股票，持有 ETF 相比持有个股风险更低
• 交易频率适中：一般数天到数周换一次仓，不会过于频繁，交易成本可控
• 覆盖面广：全市场 1600+ 只 ETF/LOF，涵盖股票、债券、黄金、海外市场等各类资产
• 无需盯盘：策略规则明确，可以完全交给系统自动判断和执行

二、如何创建一个量化策略？

2.1 传统方式：自己编写代码

在传统的量化领域，创建一个策略通常需要以下步骤：

第一步：选择量化平台或框架

常见的选择有 Python 生态下的 backtrader、zipline、vnpy，或者国内的聚宽（JoinQuant）、米筐（RiceQuant）、掘金量化等平台。

第二步：编写策略代码

以一个最简单的 ETF 动量策略为例，Python 代码大概长这样：

# 简化示例：选出近20日涨幅最高的ETF持有
def handle_bar(context, bar_dict):
    etf_pool = ['510300', '159915', '512010']  # 沪深300、创业板、券商ETF

    # 计算每只ETF过去20天的涨幅
    momentum = {}
    for etf in etf_pool:
        prices = history(etf, 'close', 20)
        momentum[etf] = (prices[-1] - prices[0]) / prices[0]

    # 选出动量最高的ETF
    best_etf = max(momentum, key=momentum.get)

    # 如果当前持仓不是最优标的，则换仓
    if context.portfolio.positions:
        current_etf = list(context.portfolio.positions.keys())[0]
        if current_etf != best_etf:
            order_target_percent(current_etf, 0)   # 卖出当前持仓
            order_target_percent(best_etf, 1.0)    # 买入最优标的
    else:
        order_target_percent(best_etf, 1.0)

第三步：设置回测参数并运行

设置初始资金、回测时间段、手续费等参数，运行代码，查看回测结果。

第四步：分析结果、优化参数

根据回测结果调整动量周期、持仓数量、止盈止损等参数，反复迭代。

第五步：部署到实盘环境

将经过验证的策略部署到支持实盘的量化平台或券商接口，连接真实账户执行交易。

⚠️ 传统方式的门槛：上述流程需要具备 Python 编程能力、理解金融数学（动量计算、夏普比率等），并熟悉量化框架的 API。对于没有编程基础的投资者，入门难度较高，且容易在环境配置和代码调试上耗费大量时间。

2.2 次方量化平台方式：无需编程，可视化创建

次方量化平台将传统方式中需要编程才能完成的工作，全部封装成了可视化的参数配置界面。你只需要通过点选和填写参数，就能创建一个完整的 ETF 轮动量化策略。

相比传统方式，次方量化平台具备以下核心优势：

① 无需自行获取行情数据

传统量化开发中，历史行情数据的获取是一大难点——你需要自行购买数据服务（如 Wind、同花顺）、或通过 Tushare、AkShare 等接口爬取，数据质量参差不齐，还需自行处理复权、停牌、退市等异常情况。

次方量化针对市场上主流的 ETF 和 LOF 基金，已集成覆盖完整历史的优质复权行情数据，开箱即用，无需任何额外配置。

② 无需编程，零门槛上手

所有策略参数（动量周期、持仓数量、调仓频率、止盈止损等）均通过可视化界面完成配置，无需掌握 Python 或任何量化框架。

③ 回测与实盘一体化

从策略创建、历史回测到模拟实盘，全流程在平台内闭环完成，省去了自行搭建回测框架、对接券商接口的繁琐工作。

三、什么是策略回测？

3.1 用一个比喻理解回测

想象你发明了一套预测天气的方法，但你不知道它是否靠谱。于是你找来过去 5 年每天的历史气象数据，用你的方法对每一天「预测」，再对比真实天气，看看你的方法有多少次预测对了。

策略回测就是同样的逻辑：用你的量化策略，对历史行情数据「过一遍」，模拟如果在过去几年按照这套规则执行交易，最终的收益和风险会是怎样的。

3.2 回测的目的和作用

回测主要解决两个核心问题：

① 验证策略是否有效

如果一个策略回测下来 5 年总亏损，那在实盘中大概率也不会好到哪里去。回测帮助你在投入真实资金之前，先用历史数据「预演」一次，筛掉明显无效的策略。

② 优化策略参数

比如动量周期选 10 天好还是 20 天好？买入 1 只 ETF 好还是 3 只？通过对比不同参数的回测结果，你可以找到相对更优的参数组合。

3.3 次方量化平台的回测系统

平台回测系统介绍

次方量化的回测系统具备以下几个核心优势：

• 数据覆盖早：回测时间最早支持到 2019 年，涵盖了近年来的牛市、熊市、震荡市等多种市场环境，让你能更全面地评估策略在不同行情下的表现
• 速度极快：得益于后台高效的计算引擎，一次完整的回测通常在几秒内即可完成，无需长时间等待
• 报告清晰直观：回测完成后，平台自动生成图文并茂的回测报告，各项指标一目了然，即使没有金融背景也能快速读懂
• 指标全面专业：报告涵盖收益、风险、综合评价等多维度指标，帮助你从不同角度判断策略质量

回测报告详解

完成回测后，平台会生成一份完整的回测报告，主要包含以下几部分内容：

① 核心收益指标

指标	含义	怎么看
总收益率	整个回测期间的累计盈亏	越高越好，但需结合风险来看
年化收益率	将总收益折算为每年平均收益	通常高于银行理财（约3%）才有意义
超额收益	相对于沪深300基准的超出部分	正值说明策略跑赢了市场

② 风险控制指标

指标	含义	怎么看
最大回撤	净值从最高点跌到最低点的最大幅度	这是你持有期间最坏的体验，越小越好
波动率	策略收益的波动程度	越低越稳定

③ 综合评价指标

指标	含义	怎么看
夏普比率	每承担一单位风险能获得多少超额回报	大于1为良好，大于2为优秀
卡玛比率	年化收益 ÷ 最大回撤	衡量"赚的和最大亏的"比值，越高越好
胜率	盈利的交易次数占总次数的比例	参考价值，需结合盈亏比一起看

④ 可视化图表

• 收益走势：以折线图直观展示策略净值随时间的增长轨迹，并与沪深300等基准同步对比，一眼看出是否跑赢市场
• 盈亏日历：按年度/月度/每日等周期分解策略表现，判断策略是否是在不同时间区间均保持稳定，还是仅靠某一年的大涨撑起总收益
• 累计持仓统计：统计产品池中各个产品点累计收益占比情况

⑤ 交易记录明细

回测报告还会列出每一笔模拟交易的详细记录，包括：交易日期、买入/卖出的 ETF 标的、成交价格、持仓数量等，方便你逐笔核查策略的执行逻辑是否符合预期。

3.4 回测的局限性：警惕过拟合

重要提示

回测结果好 ≠ 实盘一定好。

过拟合是量化领域最常见的陷阱：通过大量参数调整，最终找到了一组在历史数据上表现极好的参数，但这些参数可能只是"恰好适合历史"，换一段时间就失效了。

避免过拟合的建议：

• 回测时间段尽量长（建议覆盖牛熊市各一次以上）
• 不要过度优化参数，保持参数的经济学直觉
• 留出一段"样本外"数据验证（即不参与参数调优的时间段）

四、什么是实盘模拟？

4.1 实盘模拟 vs 回测：有什么区别？

对比维度	策略回测	实盘模拟
数据来源	已经发生的历史数据	每天实时获取当天行情
时间维度	在历史时间轴上"快速重播"	跟随真实时间流逝，每天推进一步
目的	验证策略历史有效性	验证策略在真实市场环境下的表现
资金	虚拟资金，无真实风险	虚拟资金，无真实风险
执行	模拟执行，无实际下单	模拟执行，无实际下单

简单说：回测是"对过去的检验"，实盘模拟是"对未来的预演"，两者都用虚拟资金，都不涉及真实交易。

4.2 实盘模拟的目的和作用

① 验证策略在真实市场环境中的表现

历史数据毕竟已经发生，而实盘模拟面对的是"未来"——是策略没有见过的数据。如果策略在实盘模拟中持续运行数月，表现与回测大致一致，则说明策略具有一定的泛化能力，不只是对历史数据过拟合。

② 体验策略的持仓感受

回测可以告诉你"最大回撤是20%"，但实盘模拟让你亲身感受策略在市场下跌时的实时账户变化，帮助你判断自己能否在心理上承受这种波动，而不是等到真金白银亏损后才发现承受不了。

③ 发现策略的实际问题

实盘模拟可以暴露一些回测中看不到的问题，例如：

• 某只 ETF 在特定时间经常停牌或涨跌停，影响实际成交
• 策略在高波动市场环境下频繁调仓，导致实际成本偏高
• 策略信号与预期不一致，需要重新检查参数设置

④ 建立对策略的信任

投资者在真正投入实盘资金之前，通常需要一段时间观察策略的模拟表现，建立对策略的信心。一般建议至少观察 1～3 个月的模拟交易记录，再决定是否接入实盘。

4.3 在次方量化平台发布实盘模拟

完成回测并查看结果后，点击右上角的 【实盘模拟】 按钮即可发布。

建议

把实盘模拟当作"试驾"阶段，完整观察策略经历一次完整的市场波动（包括上涨和下跌），再评估是否适合接入实盘。

五、如何进行实盘交易？

当你对策略的回测表现满意，且经过一段时间实盘模拟验证后，就可以考虑接入真实账户执行实盘交易了。

5.1 实盘交易前的准备

在正式接入实盘之前，请确认以下几点：

• ✅ 策略回测结果稳健，经历过不同市场环境的检验
• ✅ 实盘模拟运行了一段时间，表现与预期一致
• ✅ 充分理解策略的运作逻辑，知道它在什么情况下会亏损
• ✅ 清楚自己的风险承受能力，投入的资金是可以承受亏损的
• ✅ 了解止损机制，知道如何在策略表现异常时手动干预

风险提示

任何量化策略都存在亏损风险。历史表现不代表未来收益。请务必在充分理解风险的前提下进行实盘交易，建议从小资金开始，逐步加仓。

5.2 实盘交易的三种主流方式

方式一：接入 QMT（迅投量化交易终端）

QMT 是目前国内最主流的个人量化交易终端，由迅投科技（xtquant）开发，多家大型券商支持开通（如国金证券、华鑫证券等）。

适合人群：希望完全自动化交易、不想每天手动下单的投资者

次方量化平台已与 QMT 深度集成，可以在开通 【自动化交易】 服务后获取QMT实盘交易代码，将次方平台的策略接入到QMT中进行程序化交易

方式二：接入 PTrade

PTrade 是恒生电子（国内顶尖金融IT服务商）推出的“个人量化交易平台”，支持 Python 策略编写，提供与 QMT 类似的自动化交易能力。

适合人群：已经是华泰证券用户，或希望在 PTrade 平台上运行量化策略的投资者

方式三：通过券商 API 自建实盘系统

部分具有编程能力的投资者，会选择直接调用券商提供的交易 API 来实现自动化交易。

说明

自建对接方案需要一定的编程能力，适合进阶用户。对于大多数普通投资者，推荐直接使用次方量化平台内置的 QMT 对接功能，门槛更低、操作更简便。

六、完整流程总结

经过以上五个章节，让我们用一张流程图总结量化策略从创建到实盘的完整路径：

Step 1: 明确投资思路
    └─ 你认为什么样的 ETF 值得买入？（动量？趋势？价值？）

Step 2: 在平台创建策略
    └─ 选择 ETF 池 → 配置动量参数 → 设置风控规则

Step 3: 运行历史回测
    └─ 用 2019 年至今的历史数据验证策略
    └─ 分析收益、回撤、夏普比率等指标
    └─ 调整参数直到结果满意

Step 4: 发布实盘模拟
    └─ 策略开始每天自动运行
    └─ 跟踪实时净值和调仓信号
    └─ 观察 1～3 个月，建立信任

Step 5: 接入实盘（可选）
    └─ 开通 QMT 账户 → 开通自动化交易服务
    └─ 获取并配置 QMT 代码
    └─ 策略自动执行真实交易
    └─ 持续监控，定期复盘

七、相关文档

• 快速开始 - 平台注册和第一个策略创建
• 次方量化轮动策略系统详解 - 所有策略参数的深度解析
• 接入QMT自动化交易 - 完整的 QMT 配置步骤
• 实盘交易常见问题 - 实盘过程中遇到的常见问题
• 如何识别量化策略的过拟合 - 避免回测陷阱

---

💬 获取帮助

如果在操作过程中遇到问题，欢迎通过以下方式联系我们：

• 💬 在线客服：工作日 9:30～18:30
• 📧 客服邮箱：contact@lindercube.com
• 👥 用户交流群：进入个人中心点击【会员社群】扫码进入
• 📱 微信公众号：【次方量化】