30 KiB
个人投资者量化交易实操指南
从 Demo 到实盘的完整路径
定位：本文档基于对整个 Demo 系列的代码审计和策略评估，为个人投资者回答三个核心问题——做什么策略、怎么做策略、用什么平台做。
前置阅读：建议已通读完 7 篇 Demo 后阅读本文。
目标读者：有 Python 基础的量化入门者，关注 A 股实操。
附注：文末附录 B 对比了市面上典型量化入门书（如《DeepSeek+Python 量化交易》）与本 Demo 系列的差异，帮读者理解"为什么有些书看起来厚但学不到东西"。
目录
- 代码库总览与知识体系
- ETF 轮动 Demo 深度评估
- 个人投资者的现实策略频谱
- 中低频策略的核心范式
- 情绪因子与突发事件量化
- 从 Demo 到实盘：平台与工具链
- 6.3 真实数据接入
- 6.4 风控层详解：Demo 系列最大的盲区
- 推荐学习与实践路径 附录 A：关键术语速查 附录 B：市面入门书 vs 本 Demo 系列
1. 代码库总览与知识体系
1.1 项目定位
这是一个A 股量化交易教学 Demo 项目，定位为零基础入门到中级的渐进式学习系列。项目以纯 Python + numpy/pandas/scipy/matplotlib 构建，通过合成模拟数据演示完整的量化投研工作流。
1.2 七篇递进式模块
| 序号 | 文件 | 主题 | 核心技能 |
|---|---|---|---|
| 1 | quant_data_pipeline_demo.py (920行) |
数据管道 | 价格复权、收益计算、缺失值处理、异常值检测(MAD/Z-score/Winsorize)、涨跌停标记、交易日历对齐、DataPipeline 类 |
| 2 | quant_strategy_backtest_demo.py (912行) |
策略回测 | SMA/EMA/RSI/MACD/Bollinger Band 技术指标、双均线策略、RSI 均值回归、向量化回测引擎、绩效指标(Sharpe/Sortino/Calmar/Win Rate/Profit Factor)、滚动前向验证 |
| 3 | quant_event_driven_backtest_demo.py (1532行) |
事件驱动回测 | 事件队列架构(Market/Signal/Order/Fill 四事件)、五大组件解耦(DataHandler/Strategy/Portfolio/SimulatedBroker/BacktestEngine)、滑点+佣金+最低佣金模型、与向量化回测的精确对比 |
| 4 | quant_alpha_factor_demo.py (1023行) |
Alpha 因子研究 | 隐藏因子生成模型、5 因子构建(MOM/REV/LVOL/BAB/ILLIQ)、三段预处理(去极值→Z-score→市值中性化)、IC/ICIR 分析、五分位分层回测、等权与 IC 加权因子合成、多空组合 |
| 5 | quant_portfolio_optimization_demo.py (950行) |
组合优化 | Ledoit-Wolf 收缩协方差、有效前沿、5 策略对比(等权/MinVar/MaxSharpe/RiskParity/Black-Litterman)、带行业约束+换手率约束的优化、滚动回测 |
| 6 | doc_06_astock_practice_guide.md |
A 股实盘指南 | Demo 到实盘的差距清单、A 股特殊规则(涨跌停/T+1/融券限制/印花税)、回测七大陷阱(前视偏差/幸存者偏差/过拟合等)、风险管理、工具推荐 |
| 7 | quant_etf_rotation_demo.py (849行) |
ETF 轮动 | 相对动量轮动、双动量策略(含国债 ETF 避险)、A 股交易成本模型、持仓热力图、换手率分析 |
1.3 架构特点
- 合成数据驱动：全部使用几何布朗运动/因子模型生成模拟价格，无需外部数据源即可运行
- 纯数值计算栈：依赖仅 numpy/pandas/scipy/matplotlib/sklearn，无量化框架依赖
- 双语教学：代码注释中英文对照，函数 docstring 包含公式推导和直观解释
- 可视化输出：每个脚本生成对应的 PNG 图表，共 6 张（约 3MB）
- 教学级代码：结构清晰但非生产级——缺少错误处理、性能优化、模块间复用
2. ETF 轮动 Demo 深度评估
2.1 代码审计结论
quant_etf_rotation_demo.py 是系列第 7 篇，定位为"入门者可快速用于 A 股实战的策略模板"。以下是分维度评估：
做得好的方面
-
策略设计务实。 选择 ETF 轮动而非个股选股——ETF 规避了个股黑天鹅（财务造假、退市等），对个人投资者远比 Alpha 选股更可行。双动量策略在熊市自动切换至国债 ETF 避险，契合 A 股"牛短熊长"的特征。
-
成本模型贴近 A 股实情。
AShareCostModel区分了买入成本（佣金+滑点）和卖出成本（佣金+滑点+印花税），双边合计约 0.22%，年化约 2.6% 的成本拖拽是实盘中不可忽视的数字。 -
多窗口动量合成减少过拟合。 使用 12-1、6-1、3-1 三个月度动量窗口的等权合成，比固定单一窗口更稳健。
-
持仓热力图信息密度高。 一眼就能看出策略何时从行业 ETF 切换到国债 ETF（避险阶段），以及哪些行业被频繁选中。
-
代码结构清晰。 数据生成、因子计算、回测引擎、绩效评估四个模块分离干净，通过 strategy 参数切换三种策略避免了代码重复。
需要改进的方面
| 问题 | 严重程度 | 说明 |
|---|---|---|
| 合成数据过于理想化 | 高 | A 股行业 ETF 普遍成立于 2019 年后，历史不足 6 年。Demo 设定的收益/波动参数与真实情况可能存在大幅偏差。合成数据的回测结果数字不可直接采信 |
| 动量崩溃风险未量化 | 中 | 文档提到了动量崩溃，但代码中无专门分析场景。趋势反转当月是最危险的时刻 |
| top_k=3 缺乏敏感性分析 | 中 | 选 2 只和选 4 只的结果可能差异巨大，未展示参数稳健性 |
| 再平衡日期未考虑日历效应 | 低 | A 股月末/季末存在基金调仓压力，与月中微观结构不同 |
| 双动量绝对阈值=0 是最简设定 | 低 | 阈值设为无风险利率或滚动均线可能更优 |
| 无统计显著性检验 | 低 | 未判断双动量是否显著优于等权基准 |
2.2 总体评价
这是一篇质量不错的 ETF 轮动教学 Demo——策略逻辑清晰、成本模型务实、图表信息量大。适合作为入门者理解"动量轮动"概念的起点。但它仍然是教学级而非生产级代码。
如果要在 A 股实盘使用这个策略，第一步是用 AKShare/Tushare 拉取真实 ETF 日线数据替换合成数据，重新跑一遍——合成数据给的回测结果，一个字都不要信。
3. 个人投资者的现实策略频谱
3.1 按交易频率分层的可行性
| 频率 | 持仓周期 | 个人可行性 | 瓶颈 |
|---|---|---|---|
| 高频 (HFT) | 毫秒~秒 | 不可行 | 需要 colocation、FPGA、专线，年成本百万级 |
| 日内短线 | 分钟~小时 | 很难 | 需要极低延迟、全职盯盘、A 股 T+1 限制做空 |
| 中频 | 天~周 | 可行 | 数据可得，决策时间充裕，成本可控 |
| 低频 | 月~季度 | 最可行 | 成本极低，逻辑清晰，适合业余管理 |
结论：周频或月频换仓的策略是个人投资者的甜点区——交易成本可控，不需要盯盘，决策可以批量处理。
3.2 不同资金量级的推荐策略
| 资金量 | 推荐策略 | 标的 | 换仓频率 |
|---|---|---|---|
| < 10万 | ETF 轮动（动量+估值） | 行业 ETF + 国债 ETF | 月度 |
| 10-50万 | ETF 轮动 + 股债配置 | 行业 ETF + 宽基 ETF + 国债 ETF + 可转债 ETF | 月度/季度 |
| > 50万 | 多因子选股 + 资产配置 + 风控层 | 个股(50-100只池) + ETF + 固收 | 周度/月度 |
4. 中低频策略的核心范式
中低频策略可以归纳为三类，本项目的 Demo 已经覆盖了其中两类。
4.1 因子选股 / ETF 轮动（截面策略）
每月/每周对候选池排序，买入排名最高的 N 只，卖出跌出排名的。信号来源包括：
| 因子类型 | 代表性因子 | A 股有效性证据 |
|---|---|---|
| 动量 (Momentum) | 过去 12-1 个月收益 | ⭐⭐⭐ 中等，行业层面比个股层面更有效 |
| 价值 (Value) | PE/PB 分位数 | ⭐⭐⭐⭐ 强，A 股中低 PE 策略长期有效 |
| 质量 (Quality) | ROE、毛利率稳定性 | ⭐⭐⭐ 中等偏强 |
| 低波动 (Low Vol) | 60/120 日已实现波动率 | ⭐⭐⭐ 中等，A 股低波异象存在但有争议 |
| 流动性 (Liquidity) | Amihud 非流动性指标 | ⭐⭐ 较弱，小市值拥挤 |
实际运行流程：每月最后一个交易日收盘后 → 计算因子排名 → 生成调仓信号 → 次日开盘执行 → 持有到下次调仓。
4.2 资产配置 / 风险平价（时序策略）
不是选哪只股票，而是决定股票 vs 债券 vs 商品各配多少。常见做法是每季度再平衡一次，回归目标权重。代表模型：
- 风险平价 (Risk Parity)：桥水全天候策略的理论基础
- Black-Litterman：贝叶斯框架混合市场均衡 + 主观观点
4.3 宏观择时（时序策略）
根据宏观指标决定整体仓位。几组实用指标：
- 利率趋势（10 年期国债收益率方向）→ 利率下行利好股票
- 信贷脉冲（社融增速变化）→ 信贷扩张期股票表现好
- CPI 方向 → 高通胀环境利好商品/价值股
这类策略一个月看一次数据即可，和日常生活节奏完全兼容。
5. 情绪因子与突发事件量化
5.1 情绪因子：可以量化，而且是重要的 Alpha 来源
Demo 中用的价格/成交量/波动率都是"硬数据"，但"软数据"在很多场景下提供了独立于价格的预测信息。
| 数据源 | 因子示例 | 数据获取 |
|---|---|---|
| 北向资金流向 | 每日净买入额及其滚动均值 | 沪深港通公开数据，AKShare 直接获取 |
| 融资融券余额 | 融资余额变化率（反映散户杠杆情绪） | 交易所每日发布，AKShare 直接获取 |
| 涨停/跌停家数 | 市场宽度指标（涨跌比） | 全市场统计，可自行计算 |
| 成交量比率 | 放量/缩量程度，量价背离 | 价格数据可算 |
| 50ETF 期权隐含波动率 | 中国版 VIX 恐慌指标 | 期权数据 API |
| 龙虎榜数据 | 机构 vs 游资买卖方向 | 交易所盘后披露 |
| 股指期货升贴水 | 基差率反映市场多空情绪 | CFFEX 数据 |
| 新闻文本情绪（进阶） | NLP 对财经新闻标题做情感打分 | 大模型 API / 本地模型 |
务实建议：个人投资者从北向资金流向和融资余额变化率两个情绪因子起步——数据免费、逻辑直观、A 股文献支持多。NLP 新闻分析属于锦上添花，初期不必碰。
5.2 突发事件的量化处理
突发事件（政策发布会、国际冲突、突发新闻）很难用传统量价因子捕捉，但有三种处理思路：
-
事后过滤而非事前预测（最务实）：不试图预测事件发生，而是在事件发生后检测异常波动并自动暂停策略。本项目
quant_data_pipeline_demo.py中的涨跌停标记就是一种"flag and skip"模式——标的触发涨跌停 → 标记 → 策略层跳过该标的。 -
波动率缩放：当已实现波动率突然放大（说明有事件冲击），自动降低仓位。实现简单、效果扎实：
目标仓位 = 基础仓位 × (目标波动率 / 近期已实现波动率) -
文本情绪监控：用大模型对财经新闻标题做情感分析，构建日频情绪指数。当前有大模型后门槛大幅降低——可以用本地模型批量打分。属于"另类数据因子"的范畴，初期可选。
5.3 LLM 辅助量化分析：两个务实场景
现有 Demo 系列完全没有触及 LLM（大语言模型）在量化中的应用。这不是让你用 ChatGPT 预测股价——那是玄学。以下两个场景是 LLM 在量化中真正有实用价值的方向，也是市面 AI 量化书籍（如《DeepSeek+Python 量化交易》）中为数不多的值得关注的内容。
场景一：非结构化信息 → 结构化情绪因子
传统量价因子（动量、波动率、流动性）是 Demo 4 的核心，但市场情绪信息大多藏在文本里——财经新闻、公告、研报、社交媒体。LLM 让个人投资者也能批量处理这类非结构化数据：
工作流：
每日收盘后
→ 用 AKShare/Tushare 获取当日财经新闻标题列表
→ 批量送 LLM
prompt: "以下是一条财经新闻，请判断它对A股市场
的情绪影响：看多/中性/看空。只回复一个词。"
→ 汇总当日 "看多率 − 看空率" 作为情绪因子原始值
→ 做滚动标准化（Z-score），得到日频情绪因子
注意事项：
- 用本地模型（Ollama + Qwen/Llama 等 7B 级模型）可以零成本跑，速度足够覆盖日频
- 情感分类只用标题即可（延迟低、成本低），全文分析留到需要深度解读的场景
- 情绪因子的 IC 通常较低（0.02-0.04），但与传统量价因子相关性低，合成后能提升 ICIR
- 需要小心 Look-Ahead：如果你用 LLM 解读盘后新闻，信号只能在次日使用
场景二：回测报告的自动解读
你跑完回测得到一串绩效数字（Sharpe 1.2, MaxDD -18%, Calmar 0.8...），这些数字真正意味着什么？LLM 可以做有价值的"翻译"：
Prompt 示例：
"以下是一个ETF轮动策略的回测绩效：
- 夏普比率：1.15
- 最大回撤：-22.3%，发生在 2022年3月
- 月度胜率：58%
- 年化收益率：13.2%
- 换手率：月均 35%
请分析：
1. 这些指标的整体评价
2. 最大回撤发生在什么市场环境下（提示：2022年3月 A股处于什么阶段）
3. 这个策略最可能在什么市场环境下失效
4. 实盘中需要额外关注的风险点"
这比你自己盯着一串数字琢磨半小时有效得多。关键是——LLM 不是替你决策，而是帮你更全面地理解你的策略在历史上的行为特征。
LLM 在量化中的定位边界
| 能用 LLM 做的 | 不该用 LLM 做的 |
|---|---|
| 文本情感 → 因子值 | "帮我写一个稳赚的策略" |
| 回测报告解读 | 直接预测股价涨跌方向 |
| 代码辅助与调试 | 替代回测（LLM 不知道数据里的陷阱） |
| 参数优化建议（需结合回测验证） | 直接给调仓决策（你才是最终负责人） |
一句话：LLM 是研究助理，不是交易员。它可以帮你从文本中提取信号、帮你理解回测结果、帮你写代码——但最终的策略逻辑、风险控制和执行纪律，必须是你自己理解并负责的。
6. 从 Demo 到实盘：平台与工具链
6.1 三条实现路径
Demo 代码在本地跑跑看图表是"研究阶段"。实盘涉及三个层次：
┌──────────────┐ ┌──────────────┐ ┌──────────────┐
│ 研究平台 │ ──▶ │ 执行平台 │ ──▶ │ 券商终端 │
│ 因子→回测 │ │ 信号→订单 │ │ 成交回报 │
└──────────────┘ └──────────────┘ └──────────────┘
路径一：Python 开源框架 + 券商 API（最主流，推荐）
| 框架 | 定位 | 特点 |
|---|---|---|
| vnpy | 全栈交易框架 | 对接国内券商 CTP/XTP 接口，支持 A 股/期货/期权实盘，社区活跃 |
| Backtrader | 回测为主 | 灵活的事件驱动架构，实盘对接需自行开发 |
| Qlib (微软) | 因子研究 | AI 驱动的因子挖掘和模型训练，适合因子研究阶段 |
| Zipline-Reloaded | 回测引擎 | 事件驱动架构完善，但 A 股生态较弱 |
典型工作流：
- 在 Qlib 或自定义代码中做因子研究 ← 你现在的阶段
- 用 Backtrader 做精细回测（含滑点/冲击成本模型）
- 用 vnpy + 券商仿真环境做模拟交易（纸交易，至少跑 1-2 个月）
- 确认策略行为正常后，接入小资金实盘（不是全仓！）
- 策略稳定运行 3-6 个月后，逐步增加资金
路径二：在线量化平台（低门槛）
| 平台 | 特点 |
|---|---|
| 聚宽 (JoinQuant) | 网页端写 Python 策略，内置回测 + 模拟交易，社区教程丰富 |
| 米筐 (RiceQuant) | 类似聚宽，数据质量和覆盖更优但偏机构 |
| 掘金 (MyQuant) | 支持本地化部署 + 实盘，灵活度更高 |
| BigQuant | AI 导向，可视化拖拽搭建，适合不想写代码的投资者 |
优点：数据现成、回测环境标准、模拟交易一键启动。
缺点：策略代码运行在平台上，灵活性受限；实盘通常走指定券商。
路径三：券商自带量化终端
| 券商 | 平台 | 特点 |
|---|---|---|
| 华泰证券 | MATIC | 内置因子库 + 策略模板，适合入门 |
| 中泰证券 | XTP | 极速交易接口，面向程序化交易 |
| 国信证券 | iQuant | 类似聚宽的在线平台 |
| 中信建投 | 蜻蜓点金 | 量化策略商城模式 |
6.2 Demo 代码到实盘需要增补的模块
以 quant_etf_rotation_demo.py 为例，从 Demo 到可实盘运行，至少需要做：
| 步骤 | 内容 | 优先级 |
|---|---|---|
| 1. 替换数据源 | 合成数据 → AKShare/Tushare 真实 ETF 日线 | 必须 |
| 2. 接入交易日历 | 使用 exchange_calendars 或 A 股专用日历 |
必须 |
| 3. 信号与执行分离 | run_rotation_backtest() 拆成"信号计算"+"订单执行" |
必须 |
| 4. 仓位校验 | 检查涨跌停、停牌、流动性、最小交易单位 | 必须 |
| 5. 风控层 | 单只 ETF 最大仓位、最大回撤止损线、连续亏损暂停机制 | 强烈建议 |
| 6. 日志与告警 | 调仓清单输出、异常情况推送（企业微信/钉钉/邮件） | 强烈建议 |
| 7. 模拟交易验证 | 在真实券商仿真环境跑 1-2 个月 | 强烈建议 |
| 8. 参数稳健性检验 | 对 top_k、回望期、再平衡频率做敏感性分析 | 建议 |
| 9. 绩效归因 | Brinson 归因 / 因子归因，确认收益来源 | 进阶 |
以下对其中两项（数据接入 + 风控层）展开详细说明，因为它们是 Demo 到实盘跨度最大的两步，也是市面量化入门书（如《DeepSeek+Python 量化交易》）几乎不涉及的内容。
6.3 真实数据接入：合成数据的第一个"暴击"
现有 Demo 全部使用合成数据（GBM / 因子模型生成），好处是零门槛运行，但切换到真实数据时会遇到以下几类合成数据没有的问题：
问题 1：停牌导致的日期错位
真实 A 股数据中，不同标的停牌日期不同。直接 pd.concat 多个标的的收盘价会得到参差不齐的日期索引。关键是只做 ffill（向前填充），禁止 bfill——bfill 会用"复牌后的未来价格"填补停牌前的 NaN，这是典型的 Look-Ahead Bias。
正确做法：
price_panel = price_panel.ffill() # 只看向历史
price_panel = price_panel.dropna(how='any') # 仍有 NaN 的行丢弃
问题 2：ETF 净值 vs 市价的差异
ETF 有两个价格——IOPV（实时估算净值）和市价。Demo 7 的轮动策略用收盘价回测是合理的，但实盘中 ETF 可能出现折溢价（市价显著偏离净值），这在极端行情下会影响实际成交价格。实盘代码应该用市价做信号计算和回测，但需要理解 ETF 的折溢价风险。
问题 3：数据源的选择
| 数据源 | 优势 | 劣势 |
|---|---|---|
| AKShare | 免费、覆盖面广、更新及时 | API 偶尔不稳定，部分接口可能变更 |
| Tushare Pro | 稳定、文档全、数据质量高 | 需要积分（部分接口收费） |
| Baostock | 免费、无需注册 | 更新慢、覆盖面有限 |
| 聚宽/米筐数据 | 清洗过、质量最高 | 绑定平台，本地使用受限 |
推荐初次尝试用 AKShare（零成本），策略验证通过后切到 Tushare Pro（稳定性更好）。
6.4 风控层详解：Demo 系列最大的盲区
现有 7 篇 Demo 的风险管理几乎只有"最大回撤"这个事后统计指标。实盘中，风控必须是一个事前和事中的执行层——在亏损发生之前或初期就介入。以下三种风控手段是个人投资者最容易落地且效果最显著的。
手段一：波动率缩放仓位（Volatility Targeting）
这是最简单、最有效、但对策略绩效改善最大的手段。核心思想：当市场最近很"颠簸"（波动率放大），自动减小仓位；当市场平稳，正常仓位。
核心公式：
目标仓位 = 基础仓位 × (目标波动率 / 近期已实现波动率)
示例：
基础仓位 = 100%（满仓）
目标波动率 = 15%（年化，你愿意承受的风险水平）
近期已实现波动率 = 30%（过去 20 日年化） → 仓位 = 100% × 15/30 = 50%
近期已实现波动率 = 10% → 仓位 = 100% × 15/10 = 150%（需设上限）
实现要点：
- 波动率窗口：20-60 个交易日，太短不稳定，太长反应慢
- 仓位上下限：通常设 [30%, 150%] 或 [50%, 100%]（不做杠杆）
- 更新频率：每日计算但每周调一次即可（避免过度交易）
- A 股限制：融资账户最高杠杆 1:1，普通账户无法做空
这个手段的妙处在于：它不预测市场方向，只根据"当前有多危险"来调整暴露——是纯粹的防守动作，不会引入新的预测误差。
手段二：硬止损（Hard Stop-Loss）
现有 Demo 的策略出场完全依赖信号（金叉进/死叉出），这在实盘中是不够的。信号可能迟迟不来，而你的亏损已经超出了可承受范围。
简单止损规则：
- 单笔交易止损：持仓亏损超过 -X%（如 -8%或 -15%）→ 无条件平仓
- 月度最大亏损：当月累计亏损超过 -Y% → 暂停交易，下月再评估
- 连续亏损暂停：连续 Z 笔交易亏损 → 暂停，人工审查策略是否失效
参数建议（个人投资者）：
- 趋势策略（如动量轮动）: X=12-15%，Y=8-10%，Z=4
- 均值回归策略（如 RSI）: X=5-8%， Y=5-8%， Z=5
手段三：最大回撤熔断
这是一个组合层面的保护：如果账户从历史最高点回撤超过一定幅度，自动进入"防御模式"。
实现逻辑：
if 当前回撤（从历史最高净值算起） < -25%:
强制减仓至 30%
暂停新开仓
发送告警 → "策略触发最大回撤熔断，净值从峰值回撤 xx%，已自动减仓"
# 回撤恢复到 -15% 以内再恢复交易
这三种手段的组合使用，能把你从"策略失效了才发现"的被动状态，变成"有明确规则控制损失"的主动状态。Demo 系列没有覆盖这些，但它们在实盘中比多找到 0.1 的夏普更重要。
7. 推荐学习与实践路径
7.1 推荐的策略选型（最可行的组合）
核心仓位：月频 ETF 行业轮动
├── 信号：动量 (12-1M) × 估值 (PE 分位数) 双信号过滤
├── 避险：绝对动量为负 → 切换至国债 ETF
├── 增强：北向资金流向 + 融资余额变化作为情绪因子
└── 风控：波动率放大时自动减仓（波动率缩放）
再平衡频率：月度（每月最后一个交易日出信号，次日开盘执行）
预期年换手：6-10 次双边
预期年化成本：约 1.5%-2.5%（含佣金+印花税+滑点）
7.2 分阶段学习路线
| 阶段 | 时间 | 目标 | 对应 Demo |
|---|---|---|---|
| ① 概念建立 | 1-2 周 | 理解数据→信号→回测→优化的完整链条 | 全部 7 篇 Demo |
| ② 数据实战 | 1 周 | 用 AKShare 拉取真实 ETF 数据，替换合成数据重新验证 | Demo 1 + 7 |
| ③ 因子研究 | 2-4 周 | 在真实数据上计算因子 IC，找到有效的因子组合 | Demo 4 |
| ④ 回测验证 | 2-4 周 | 在 Backtrader/vnpy 中实现完整回测，含交易成本 + 参数敏感性 | Demo 2 + 3 |
| ⑤ 模拟交易 | 1-2 月 | 在券商仿真环境中每日自动运行，记录所有交易和意外情况 | — |
| ⑥ 小资金实盘 | 3-6 月 | 用总资金的 10-20% 试跑，严格记录绩效 | — |
| ⑦ 规模扩大 | 持续 | 策略稳定后逐步加仓，持续监控绩效归因和风格漂移 | — |
7.3 最重要的提醒
如果一个策略你不能用三句话解释清楚为什么它会赚钱，就不要投钱进去。
量化策略的核心不是代码有多复杂，而是你理解策略赚的是谁的钱、在什么市场环境下会失效、最大可能亏损是多少。
Demo 给你的是知识地图，不是提款机密码。实盘中最重要的是仓位管理和风险控制——一个夏普比率一般的策略配合严格的仓位纪律，远好于一个夏普很高的策略加上随意的主观干预。
附录 A：关键术语速查
| 术语 | 英文 | 含义 |
|---|---|---|
| 截面策略 | Cross-Sectional Strategy | 在同一时间点横跨多只股票比较和选择 |
| 时序策略 | Time-Series Strategy | 对单一资产做择时（何时进、何时出） |
| 动量崩溃 | Momentum Crash | 趋势突然逆转导致动量策略大幅亏损 |
| 换手率 | Turnover | 组合中资产被替换的比例，越高成本越大 |
| 纸交易 | Paper Trading | 使用真实行情但虚拟资金进行模拟交易 |
| 前视偏差 | Look-Ahead Bias | 用"未来数据"做回测决策导致的虚假高收益 |
| 幸存者偏差 | Survivorship Bias | 只用当前存活的股票回测，忽略了已退市的股票 |
| 风格漂移 | Style Drift | 策略实际持仓偏离了其宣称的投资风格 |
附录 B：市面入门书 vs 本 Demo 系列——以《DeepSeek+Python 量化交易》为例
市面上很多量化交易入门书看起来很厚（三四百页、几十个案例），但读完往往发现"好像学了很多，又好像什么都没学到"。这里以《DeepSeek+Python 量化交易》（16 章、51 个实战案例）作为典型标本，拆解为什么会有这种感觉，以及它和本 Demo 系列的真实差距。
全书结构
| 板块 | 章节 | 内容 |
|---|---|---|
| Python 基础 | 第 1-5 章 | Python 语法、NumPy/Pandas/Matplotlib、网页爬虫 + Tushare API |
| 策略入门 | 第 6-10 章 | 量化概念、DeepSeek 辅助分析（技术/基本面/消息）、双均线/RSI/海龟策略 |
| 进阶策略 | 第 11-13 章 | 高频交易（概念层）、套利策略、机器学习预测（分类/回归/LSTM） |
| 工程与风控 | 第 14-16 章 | Backtrader 回测、止损止盈/头寸管理/对冲、DeepSeek API + 智能体 |
它的定位
一本面向绝对零基础读者的量化交易科普 + DeepSeek 使用指南。目标读者是"刚学会 Python 甚至还没学 Python 的人"。全书 51 个案例覆盖面极广，但每个案例的深度有限——典型模式是："拉数据 → 套一个经典公式 → 画图 → 把结果扔给 DeepSeek 解读 → DeepSeek 给优化建议"。
它有价值的部分
书中真正值得关注的内容集中在三个 Demo 系列没有覆盖的方向：
- 真实数据接入（第 5 章）：用 Tushare API 拉取 A 股真实数据的流程，虽然讲得浅，但方向对——这是 Demo 到实盘的第一道坎
- 风险管理工具（第 15 章）：止损止盈、波动率头寸管理、对冲组合——这些是 Demo 系列最大盲区，详见本文 §6.4
- LLM 辅助分析（第 7、16 章）：用 LLM 处理非结构化信息（公告解读、新闻情绪、策略回测解读）——这是这本书唯一真正的差异化内容，详见本文 §5.3
它的问题
| 问题 | 说明 |
|---|---|
| 策略覆盖面过时 | 双均线 + RSI + 海龟是 1980-1990 年代的经典。现代量化核心——因子模型、截面选股、组合优化——完全没有涉及 |
| 高频章节名不副实 | 第 11 章名为"高频交易"，实际是概念科普 + 一个比亚迪案例。真正的高频涉及 colocation/FPGA/市场微观结构，书中完全无法覆盖——这会误导读者以为"写个 Python 脚本就是高频交易" |
| 深度学习案例浮于表面 | LSTM 预测股价只用一个案例，无时间序列交叉验证、无样本外泛化讨论——容易让初学者产生"跑个模型就能预测股价"的危险错觉 |
| DeepSeek 角色被过度包装 | 书中几乎每个案例都以"DeepSeek 辅助优化"结尾。但 LLM 对量化策略的优化能力完全取决于 prompt 质量和用户自身的判断力——书中没有讨论这个根本局限 |
| 回测严谨性近乎为零 | 不涉及过拟合检测、前视偏差、幸存者偏差、参数敏感性——而本 Demo 系列的事件驱动回测和滚动前向验证专门解决了这些问题 |
| 无 A 股特有规则的系统讨论 | 涨跌停、T+1、融券限制、印花税——这些在本 Demo 系列的 doc_06 和 doc_07 中有专门覆盖，书中几乎没有 |
两种学习路径的对比
| 维度 | 《DeepSeek+Python量化交易》 | 本 Demo 系列 |
|---|---|---|
| 目标读者 | 零基础（从 Python 安装开始） | 有 Python 基础，缺少量化方法论 |
| 学习方式 | 广度优先 — 51 个案例快速扫一遍 | 深度优先 — 5-7 个主题层层递进 |
| 策略类型 | 经典技术指标策略（均线/RSI/海龟） | 因子模型 + 截面选股 + 组合优化 |
| 回测方法论 | 仅 Backtrader 基本使用 | 向量化 → 事件驱动 → 前向验证，完整链条 |
| 学术严谨性 | 较低 — 不涉及 IC/ICIR/因子预处理 | 较高 — IC 分析、去极值/Z-score/中性化、Ledoit-Wolf |
| A 股实操 | 无系统讨论 | 实盘指南（doc_06）+ ETF 轮动策略（doc_07） |
| AI 角色 | DeepSeek 贯穿全书，定位为"策略顾问" | 无 AI 依赖，本文 §5.3 补充了 LLM 的务实用法 |
| 代码复杂度 | 简单脚本级别 | 类 + 函数封装，模拟生产级结构 |
一句话总结
这本书能让你从"完全不会 Python"跑到"能跑通第一个策略脚本"，但从"跑通脚本"到"独立做量化交易"所需的系统知识——因子研究、稳健回测、组合构建、风险控制、A 股实盘陷阱——它几乎没有涉及。而这些东西恰好是本 Demo 系列所覆盖的。两套内容存在一定的互补性：用那本书学会 Python 基础，用这套 Demo 学会量化方法论。