简介这份量化策略源码资源面向具备一定Python与机器学习基础的量化研究者、金融数据爱好者及策略开发初学者围绕个股日线数据的采集、预处理、建模、评估与仓位管理提供一条可落地的完整流程参考帮助读者理解从原始行情到组合配置的实现思路。资源包共18个文件以10个Python脚本和7个SQL建表/数据脚本为主另附1份Markdown说明文档压缩包约56KB体积轻量便于本地部署与二次修改。其中Python脚本覆盖数据采集、训练集整合、SVM建模、回测评估与马科维茨组合等环节SQL文件则对应行情、股票池与资金等数据表结构。目前已有3570人学习下载读者可据此搭建本地量化实验环境掌握查准率、查全率与F1分值的评估方法并借鉴推进式建模与仓位管理思路形成可复用的策略研究框架。1. 量化策略源码从一份策略包到能跑起来的回测骨架第一次拿到一份量化策略源码很多人的第一反应是打开主文件找买卖信号结果翻了三层目录还在看数据加载。这份资源解决的不是“教你炒股”而是把一套策略从信号生成、仓位管理到回测统计的完整链路摊开给你看。它适合两类人一类是刚接触量化、想照着跑通第一个回测的新手另一类是手里有策略想法、缺一套可复用工程骨架的开发者。源码里最值得看的不是某条均线参数而是策略与执行、数据、风控之间的解耦方式——这决定了你后面能不能把新想法快速塞进去验证而不是每次推倒重来。2. 工程结构与技术选型策略、数据、回测三层怎么拆2.1 目录骨架与模块职责一份能二次开发的量化策略源码目录通常不会把所有逻辑塞进一个文件。按常见工程做法结构大致如下quant_strategy/ ├── config/ │ └── settings.yaml # 标的池、时间区间、手续费、滑点 ├── data/ │ ├── loader.py # 行情读取与字段标准化 │ └── cache/ # 本地缓存的历史数据 ├── strategy/ │ ├── base.py # 策略基类定义 on_bar / on_init │ └── dual_ma.py # 具体策略实现 ├── engine/ │ ├── backtest.py # 回测主循环 │ └── broker.py # 撮合、手续费、滑点模拟 ├── risk/ │ └── position.py # 仓位计算与最大回撤约束 ├── report/ │ └── metrics.py # 收益、夏普、回撤统计 └── run.py # 入口串起数据→策略→回测→报告这个拆法的核心是把“策略逻辑”和“执行逻辑”分开。strategy/里只关心什么时候买、什么时候卖engine/负责按时间推进、撮合成交risk/决定每次下多少report/只做统计。新手最容易犯的错是把仓位计算写进策略信号里后面想换风控规则就得改策略文件改着改着就乱了。2.2 技术栈与依赖选择这类项目通常用 Python依赖集中在几个库pandas做时间序列和表格处理numpy做向量化计算matplotlib出净值曲线配置用PyYAML读 YAML。回测本身不依赖重型框架主循环手写好处是每一步都能打断点看中间变量坏处是性能一般适合日线或分钟级、标的数量不多的场景。pip install pandas numpy matplotlib pyyaml如果源码里带了requirements.txt直接pip install -r requirements.txt更稳。注意版本pandas2.x 对append这类老写法不兼容源码里如果出现df.append(...)要么降版本要么改成pd.concat。这是跑老项目最常见的翻车点之一。2.3 配置驱动的设计意图把标的、区间、费率放进config/settings.yaml而不是硬编码在代码里是为了让同一套策略能快速换标的做对比。常见配置项配置项含义常见取值symbols标的列表单标的或多标的start_date / end_date回测区间至少覆盖一轮完整行情commission单边手续费率万分之几量级slippage滑点按跳数或比例initial_cash初始资金影响仓位取整参数说明里最容易被忽略的是滑点。很多人回测收益漂亮实盘一上就缩水原因就是没算滑点。源码里如果broker.py有滑点字段别把它设成 0 图省事。3. 核心模块拆解一个 bar 从进入到成交的完整链路3.1 策略基类与信号生成策略基类定义统一接口具体策略只实现信号逻辑。典型写法# strategy/base.py class BaseStrategy: def __init__(self, params): self.params params self.position 0 # 当前持仓数量 self.signals [] # 记录每根 bar 的信号 def on_init(self, context): 回测开始前初始化可预计算指标 pass def on_bar(self, bar): 每根 bar 调用一次返回目标仓位或信号 raise NotImplementedErroron_bar收到的是单根 bar 的数据时间、开高低收、成交量返回目标仓位。这里有个设计选择返回“目标仓位”比返回“买/卖”更好做仓位管理因为目标仓位是绝对值引擎可以直接算差额下单避免重复加仓。具体策略以双均线为例# strategy/dual_ma.py import pandas as pd from strategy.base import BaseStrategy class DualMAStrategy(BaseStrategy): def on_init(self, context): self.fast self.params[fast] self.slow self.params[slow] self.close_history [] def on_bar(self, bar): self.close_history.append(bar[close]) if len(self.close_history) self.slow: return 0 # 数据不够空仓 series pd.Series(self.close_history) fast_ma series.iloc[-self.fast:].mean() slow_ma series.iloc[-self.slow:].mean() if fast_ma slow_ma: return 1 # 目标满仓 return 0 # 目标空仓逻辑说明每来一根 bar 就把收盘价追加进历史长度不够慢线周期时返回 0 不交易够长度后算快慢均线快线在上返回 1否则返回 0。参数fast和slow从配置传入改参数不用动代码。注意这里用的是“滚动窗口重算均值”数据量大时效率低熟手会改成增量维护均线但新手先跑通再说。3.2 回测主循环与撮合模拟引擎负责按时间推进把 bar 喂给策略再把目标仓位翻译成成交# engine/backtest.py def run_backtest(data, strategy, broker, initial_cash): cash initial_cash position 0 equity_curve [] strategy.on_init({}) for bar in data.itertuples(): target strategy.on_bar({ datetime: bar.Index, close: bar.close, }) target_shares int(cash * target / bar.close) if target else 0 delta target_shares - position if delta ! 0: fill_price broker.fill_price(bar.close, delta) cost abs(delta) * fill_price fee cost * broker.commission cash - delta * fill_price fee position delta equity cash position * bar.close equity_curve.append(equity) return equity_curve逻辑说明target是策略给的目标仓位比例0 或 1乘以现金再除以价格得到目标股数delta是本次需要买卖的差额broker.fill_price在收盘价基础上加滑点手续费按成交金额乘费率扣。参数initial_cash决定初始规模broker.commission和滑点共同决定回测的真实度。这里用int取整股A 股场景合理如果是加密货币或基金可以改成浮点。3.3 绩效统计与净值曲线回测跑完得到净值序列统计模块负责把曲线翻译成可比较的指标# report/metrics.py import numpy as np def calc_metrics(equity_curve): equity np.array(equity_curve, dtypefloat) returns np.diff(equity) / equity[:-1] total_return equity[-1] / equity[0] - 1 annual_return (1 total_return) ** (252 / len(returns)) - 1 sharpe returns.mean() / (returns.std() 1e-9) * np.sqrt(252) peak np.maximum.accumulate(equity) max_drawdown ((equity - peak) / peak).min() return { total_return: total_return, annual_return: annual_return, sharpe: sharpe, max_drawdown: max_drawdown, }逻辑说明returns是逐期收益率annual_return按 252 个交易日年化sharpe用日收益均值除标准差再乘根号 252max_drawdown用累计最大值算回撤。参数里 252 是交易日假设换成其他市场要改。注意1e-9是防止标准差为 0 时除零属于工程上的小保险。4. 跑起来从环境到第一张净值曲线的操作步骤4.1 环境准备与数据落位先把依赖装好再把数据放到data/cache/下。源码通常约定数据文件为 CSV字段至少包含datetime, open, high, low, close, volume。如果拿到的是其他格式在data/loader.py里加一层转换即可# data/loader.py import pandas as pd def load_bars(path): df pd.read_csv(path, parse_dates[datetime]) df df.sort_values(datetime).set_index(datetime) required [open, high, low, close, volume] missing [c for c in required if c not in df.columns] if missing: raise ValueError(f缺少字段: {missing}) return df逻辑说明读 CSV 后把时间列解析成日期并设为索引排序保证时间递增然后校验必需字段。参数path是数据文件路径。这一步的报错信息要写清楚缺哪个字段不然新手看到KeyError会懵。4.2 入口脚本与参数覆盖run.py把各模块串起来通常支持命令行覆盖配置# run.py import argparse, yaml from data.loader import load_bars from strategy.dual_ma import DualMAStrategy from engine.backtest import run_backtest from engine.broker import Broker from report.metrics import calc_metrics parser argparse.ArgumentParser() parser.add_argument(--config, defaultconfig/settings.yaml) parser.add_argument(--fast, typeint) parser.add_argument(--slow, typeint) args parser.parse_args() cfg yaml.safe_load(open(args.config, encodingutf-8)) if args.fast: cfg[strategy][fast] args.fast if args.slow: cfg[strategy][slow] args.slow data load_bars(cfg[data_path]) strategy DualMAStrategy(cfg[strategy]) broker Broker(cfg[commission], cfg[slippage]) curve run_backtest(data, strategy, broker, cfg[initial_cash]) print(calc_metrics(curve))逻辑说明--config指定配置文件--fast和--slow允许命令行临时改均线周期方便做参数扫描。参数覆盖的顺序是“配置文件打底命令行优先”。跑的时候先小改参数验证链路通不通再上完整区间。4.3 第一次运行的验证清单跑通的标准不是“没报错”而是结果能对上常识。建议按这个顺序检查净值曲线起点是否等于初始资金交易次数是否合理双均线在震荡市会频繁交易次数过少可能是信号没触发最大回撤是否在可接受范围把滑点调大后收益是否明显下降如果不降说明滑点没生效。这几步走完基本能确认引擎没有大问题。提示第一次跑先用短区间和单标的确认链路通了再扩到多标的和长区间否则报错定位会很痛苦。5. 避坑与排查回测结果不对劲时先看这几处5.1 未来函数信号用了当天收盘却按当天开盘成交现象是回测收益异常漂亮实盘完全复现不了。原因通常是on_bar里用了当前 bar 的收盘价算信号但成交价也用了同一个收盘价等于提前知道结果。解决是把成交价改成下一根 bar 的开盘价或者在信号里只用上一根 bar 的数据。检查方法在on_bar里打印信号时间和成交时间看是否同一时刻。5.2 数据缺口与停牌处理现象是某段时间净值横盘或跳变。原因是数据里有缺失交易日或者停牌期间价格被前值填充。解决是在loader.py里做交易日对齐缺失值明确标记而不是静默填充回测循环里遇到无效 bar 跳过并记录。参数上要区分“真停牌”和“数据缺失”前者不该交易后者该补数据。5.3 手续费与滑点方向搞反现象是加了滑点后收益反而变高。原因是滑点加在了错误方向买入应该加价、卖出应该减价如果统一加价卖出时反而多赚。解决是在broker.fill_price里按买卖方向分别处理def fill_price(self, price, delta): direction 1 if delta 0 else -1 return price * (1 direction * self.slippage)参数delta为正表示买入滑点向上为负表示卖出滑点向下。5.4 仓位取整导致小资金失真现象是初始资金设小了以后收益曲线完全变形。原因是int(cash * target / price)在小资金下经常取整到 0策略等于没交易。解决是资金规模设到能买至少一手或者改成按金额下单、允许小数份额。这是回测参数设置里很隐蔽的一个坑。5.5 参数过拟合调出来的最优解不可信现象是某组均线参数回测收益极高换区间就崩。原因是参数在单一区间上被反复优化。解决是留出一段样本外区间或者做滚动窗口验证。血泪经验是回测里最漂亮的参数往往是最不该直接用的那组。6. 二次开发把新策略塞进骨架的改造思路拿到这套源码后最有价值的改造不是调均线参数而是换策略逻辑时不动引擎。具体做法是新建一个继承BaseStrategy的类只实现on_init和on_bar然后在run.py里换类名。比如把双均线换成布林带突破信号部分重写仓位和统计完全复用。改造时建议加一层参数校验避免配置写错导致静默失败def validate_params(params): assert params[fast] params[slow], 快线周期必须小于慢线 assert params[slow] 0, 周期必须为正 return params验证方法上我习惯做三组对照原策略原参数、新策略原参数、新策略调参后三组跑同一区间同一费率看差异是否来自策略本身而不是环境变化。另外每次改完引擎相关代码都强制跑一遍已知结果的小样本用例确认统计数字没漂移。改造点改动文件验证方式换信号逻辑strategy/ 下新增类同区间对比原策略换风控规则risk/position.py检查最大回撤变化换数据源data/loader.py字段校验 抽样对账加指标report/metrics.py手算小样本核对从那以后我每次动回测引擎哪怕只改一行滑点计算都强制走一遍小样本对账因为引擎的错不会报错只会安静地把收益算漂亮。希望这份拆解能帮你少走几步弯路把源码跑起来之后真正的乐趣在往里塞自己的策略。本文还有配套的精品资源点击获取