目录

量化交易全流程拆解：从 idea 到实盘，每一步都藏着坑

第一步：需求分析 —— 别让你的策略 “南辕北辙”

第二步：数据获取 —— 差之毫厘，谬以千里

第三步：策略设计 —— 别做 “刻舟求剑” 的傻事

第四步：回测验证 —— 别让历史数据 “欺骗” 你

第五步：实盘部署 —— 从 “纸上谈兵” 到 “真刀真枪”

第六步：监控优化 —— 没有一劳永逸的策略

---

2022 年，杭州一位程序员小周兴奋地跑来找米切尔：“我发现了个必胜策略！连续 3 天上涨的股票，第 4 天买入准能赚。” 他用 2019-2021 年的数据回测，收益率高达 80%。可实盘操作 3 个月后，不仅没赚钱反而亏了 15%。

“从想法到赚钱，中间隔着 99 个坑。” 米切尔指着小周的策略代码说，他忽略了 2022 年市场风格切换，更没考虑股票涨跌停无法成交的情况。量化交易看似简单的 “买低卖高”，背后藏着一整套精密流程 —— 就像建房子，从打地基到封顶，每一步都有必须遵守的工程规范。

第一步：需求分析 —— 别让你的策略 “南辕北辙”

米切尔团队每周一都会开 “策略头脑风暴会”，但不是所有想法都能通过。去年有个实习生提出 “用星座分析股票走势”，刚说完就被否决了。“需求分析的核心是‘逻辑闭环’，得说清‘为什么这个策略能赚钱’。”

正经的需求分析要回答三个问题：赚谁的钱？（比如捕捉散户情绪化交易的差价）靠什么赚钱？（比如利用均线交叉判断趋势）能赚多久？（比如套利策略可能随着市场成熟而失效）。就像开餐厅，得先想明白 “主打什么菜系”“目标客群是谁”“凭什么比别家火”。

上海某量化私募的 “低波动策略” 需求书里写着：“A 股散户喜欢追涨杀跌，导致高波动股票定价偏高，而低波动股票被低估。通过筛选波动率低于市场均值 30% 的股票，每年调仓 4 次，预期年化收益 15%。” 这种有数据支撑的逻辑，才是靠谱的起点。

第二步：数据获取 —— 差之毫厘，谬以千里

“垃圾数据喂出垃圾策略。” 这是米切尔挂在嘴边的话。他见过最夸张的案例：某团队用前复权数据回测，结果比真实收益虚高 40%。数据获取就像买菜，不新鲜的食材再厉害的厨师也做不出好菜。

量化需要的 “菜篮子” 里通常有这些：日线数据（开盘价、收盘价等）、财务数据（净利润、ROE 等）、另类数据（卫星图像、招聘信息等）。但有三个坑最容易踩：

• 复权问题：股票分红送转后价格会 “除权”，不复权数据会出现价格断崖，必须用前复权（以现在为基准调整历史价格）。
• 退市股票：只看当前上市的股票会陷入 “幸存者偏差”，就像只统计考上大学的人说 “读书一定赚钱”。
• 数据频率：做高频交易用日线数据，就像用放大镜看月亮，根本看不清细节。

米切尔的团队有个 “数据清洗三板斧”：先检查缺失值，用前 5 天均值填充；再剔除单日涨跌幅超过 15% 的异常值；最后和 3 个数据源交叉验证。这套流程能把数据误差控制在 0.3% 以内。

第三步：策略设计 —— 别做 “刻舟求剑” 的傻事

2021 年碳中和概念大火时，有个策略靠着 “买带‘环保’二字的股票” 赚了钱。但 2022 年这个策略就失效了。“策略设计要抓本质，不能停留在表面特征。” 米切尔解释，真正有效的策略应该像物理公式，能解释背后的逻辑。

双均线策略是最经典的入门款：当短期均线（比如 5 日线）上穿长期均线（比如 20 日线）时买入，下穿时卖出。这个策略的本质是 “趋势跟踪”—— 股价短期上涨力度超过长期，说明趋势可能形成。但设计时要注意：

• 参数选择：不是周期越长越好，5 日和 20 日的组合在 A 股表现，通常比 5 日和 120 日更优。
• 仓位控制：单只股票仓位不超过 20%，避免黑天鹅风险。
• 止损规则：当策略连续亏损 5% 时暂停，就像开车遇到大雾要减速。

有个形象的比喻：策略设计就像搭积木，因子是积木块（比如均线、成交量），规则是拼接方式。高手能搭出稳定的房子，新手常搭出一碰就倒的塔。

第四步：回测验证 —— 别让历史数据 “欺骗” 你

小周的策略之所以失效，核心问题在回测。他用 “未来数据” 优化参数，相当于考试时偷看答案。回测就像模拟考试，得严格按照考场规则来，不然分数再高也没用。

正规回测要遵守 “三大纪律”：

• 禁止未来函数：不能用明天的数据指导今天的交易。比如 “用当天收盘价计算均线再决定是否买入” 是对的，但 “用当天最高价触发买入” 就错了 —— 因为交易时不知道当天最高价。
• 模拟真实成本：佣金（万分之 2.5）、印花税（千分之 1）、滑点（买卖价差，通常 0.2%）这些成本，会让年化收益打 8 折很常见。
• 样本外测试：用 2015-2020 年数据设计策略，再用 2021-2023 年数据验证，就像用往年真题复习，用模拟题检验。

米切尔团队有个 “回测五维评估表”：看年化收益（至少 10%）、最大回撤（最好小于 20%）、夏普比率（大于 1.2）、胜率（超过 50%）、盈亏比（大于 1.5）。就像体检不能只看血压，得多项指标综合判断。

第五步：实盘部署 —— 从 “纸上谈兵” 到 “真刀真枪”

2020 年某量化基金回测收益惊人，实盘却亏了 2 亿。后来发现是实盘时用了 “市价委托”，而回测假设 “按收盘价成交”，两者价差吃掉了所有利润。实盘部署就像把实验室的配方量产，车间的温度、湿度都会影响成品。

实盘要解决三个 “最后一公里” 问题：

• 委托方式：限价委托能控制成本，但可能不成交；市价委托保证成交，但成本高。通常在流动性好的股票用限价，流动性差的用市价。
• 资金容量：某小盘股策略回测很好，但实盘投入 1000 万就会 “冲击成本”—— 买的时候把价格推高，卖的时候把价格砸低。
• 系统稳定性：2023 年某券商系统崩溃，导致量化策略无法止损，一天亏了 5000 万。所以必须有备用系统，就像医院的备用电源。

老王的实盘心得是 “从小做起”：先用 10% 的资金试跑 1 个月，观察策略和回测的偏差率，小于 5% 再逐步加仓。“就像新车磨合，不能一上来就地板油。”

第六步：监控优化 —— 没有一劳永逸的策略

米切尔的电脑屏幕上，永远跳动着十几个监控指标：策略收益偏离度、最大连续亏损天数、因子有效性变化…… 就像飞机仪表盘，任何异常都可能是危险信号。

策略失效通常有三个信号：

• 收益断崖：连续 3 个月跑输基准，可能是市场风格变了。比如 2022 年从 “成长股” 切换到 “价值股”，很多趋势策略失效。
• 因子衰减：之前有效的 “低 PE” 因子，突然和收益无关了。这时候要重新筛选因子，就像庄稼需要换种。
• 波动放大：策略波动率从 10% 升到 20%，说明风险在积聚，可能需要降低仓位。

优化策略不能 “推倒重来”，而要 “迭代升级”。比如双均线策略失效后，可以加入 “成交量放大” 作为过滤条件，或者把均线周期从 20 日调整为 30 日。就像手机系统升级，保留核心功能，修复漏洞。

从想法到实盘，走完这六步平均需要 6-12 个月。米切尔常说：“量化交易就像马拉松，不是看谁跑得最快，而是看谁少摔跤。” 下一篇，我们将深入股票市场的基础知识 —— 那些看似简单的 “手”“涨跌幅” 背后，藏着哪些影响策略的关键细节？