2026年3月16日收盘后我照例把股票池里的预警信号过了一遍宝光股份600379这个名字又一次出现在短线量化模型的出票列表里。用这个标的当案例把整套短线量化分析的流程完整拆解一遍包括数据源怎么选、因子怎么算、信号怎么合成、回测怎么做、仓位怎么控。先声明这篇不是荐股也不构成任何投资建议。2026年3月16日只是一个研究时点所有代码、逻辑、框架都可以复用到任何一只短线标的的分析里。想学量化交易策略、想搞懂python量化交易策略代码怎么写、想知道量化交易用的数据api最好的是什么这篇正好可以当一份实操地图用。1. 短线个股量化分析的框架怎么搭1.1 从感觉到因子量化看盘的底层逻辑很多做短线的朋友看盘靠的是盘感今天放量了、明天MACD金叉了、后天主力资金流出了七拼八凑一堆信息最后下单还是拍脑袋。量化交易干的事情本质上就是把感觉变成规则把规则变成代码再把代码跑出来的结果变成交易决策。这个转变有个关键好处每笔决策都有据可查。你不再依赖今天心情好所以买了而是问自己——我的买入条件是什么这个条件在过去一年里出现过几次每次出现之后涨的概率有多大这些问题只有靠因子化的方式才能回答。短线的因子可以理解成一张体检表上的各项指标趋势、动量、资金、波动、量能、换手、情绪每一项都是一个可以计算的数值。把这些数值按照一定规则组合起来就构成了一个完整的量化策略。1.2 短线分析的四个核心维度很多人一开始学量化什么都想加进去技术指标来二十个再叠加上基本面、龙虎榜、新闻舆情模型越建越复杂。但做短线标的分析真正常用的维度其实就四个分析维度解决什么问题常用指标趋势维度判断当前处于上升还是下降通道MA均线、EMA、ADX动量维度判断短线强弱和买卖时机MACD、RSI、KDJ资金维度判断有没有真实资金在参与成交量、成交额、资金流向风险维度判断波动幅度和控制亏损ATR、历史波动率、最大回撤这四个维度盯住短线个股的大致面貌就出来了。趋势解决方向对不对的问题动量解决什么时候出手的问题资金解决市场认不认可的问题风险解决最坏能亏多少的问题。四者缺一不可。1.3 为什么短线策略不追求复杂模型有些朋友一上来就想用机器学习、神经网络做预测觉得这才叫量化。但短线交易有个现实约束决策周期短容错率低一旦模型逻辑不透明、决策过程不可解释出了问题你根本不知道是哪里错了。我之前测试过用随机森林做次日涨跌预测训练集上准确率能到60%多但实盘一跑就发现一个问题——模型完全不告诉你它根据什么做的判断你不知道它是靠运气赢的还是靠规律赢的。而短线交易最怕的就是结论无法归因。所以我个人更推荐用规则明确、逻辑清楚的因子组合来做短线个股分析这也是量化交易策略里门槛最低、最容易被个人投资者复现的一类。等你把规则体系跑顺了再谈更复杂的模型。2. 数据源选型拿不到干净数据一切白搭2.1 常用免费数据API横评数据是量化的地基地基不牢上面盖什么都白搭。市场上免费的A股数据接口主要有三个Tushare、AKShare、BaoStock。很多新手第一个问题就是量化交易用的数据api最好的是什么我的回答是——没有最好只有最适合自己的场景。数据源是否需要注册免费额度数据质量适合场景Tushare Pro需要注册并积分积分要求越来越高规范、字段丰富进阶用户、需要财务数据的场景AKShare无需注册完全免费数据源爬取偶尔有颗粒度问题快速上手、日线/分钟线获取BaoStock需要注册完全免费稳定、标准含复权因子初学者、标准化回测我的习惯是日线级别的策略研究AKShare最方便不用注册pip install 就能用非常适合验证想法但如果你要做更精细的分钟级别回测、或者需要上市公司财务数据Tushare Pro的数据结构更干净。2.2 复权、缺失值、停牌数据清洗的三个大坑数据拿到手第一件事不是算指标是清洗。我见过太多人直接拿接口返回的原始数据算MACD结果算出来跟行情软件上对不上为什么大概率是复权没处理。股票分红送转之后价格会跳空。用不复权数据算均线、算MACD会产生虚假的信号。所以短中线分析必须用前复权数据——也就是以当前价格为准把历史价格调整到如果一直持有到现在的价格口径。AKShare里通过adjustqfq参数就能搞定。另外两个坑是停牌和缺失值。股票停牌期间没有成交数据如果你的指标计算不排除这些日期就会在前一天收盘价和复牌后价格之间产生一个巨大的假跳变。我一般拿到数据后会做这三件事去重、按日期排序、剔除停牌日成交量或成交额为0的记录。2.3 十分钟搞定数据获取代码以宝光股份为例用AKShare获取日线数据代码非常简单import akshare as ak import pandas as pd # 获取600379的日线数据前复权 df ak.stock_zh_a_hist( symbol600379, perioddaily, start_date20250101, end_date20260316, adjustqfq ) # 列名清理和排序 df.columns [date, open, close, high, low, volume, amount, amplitude, pct_change, change, turnover] df df[[date, open, high, low, close, volume, amount, turnover]] df[date] pd.to_datetime(df[date]) df df.sort_values(date).reset_index(dropTrue) print(df.tail())这个接口返回的已经是标准的DataFrame结构日期、开高低收、成交量、成交额、换手率都有。拿到这份数据之后后面的所有因子计算、信号生成、回测就都建立在这份干净的数据基础之上了。3. 核心指标计算与信号生成实战3.1 趋势过滤均线系统怎么搭更合理趋势判断是短线分析的第一步。均线MA是最基础的指标但直接用普通均线有一个问题它对近期价格的敏感度不够而且均线在震荡市里会频繁发出交叉信号让人无所适从。我在短线策略里更倾向于用EMA指数移动平均线它对近期价格赋予了更高的权重信号响应更快。短线常用的参数组合是EMA5、EMA10、EMA20三条线对应的逻辑很简单多头排列EMA5 EMA10 EMA20说明短周期价格在长周期价格之上趋势偏多。空头排列EMA5 EMA10 EMA20趋势偏空不做多。纠缠状态三条线接近、反复交叉说明没有明确方向直接过滤掉。代码实现也不难def add_ema_indicators(df, periods[5, 10, 20]): for p in periods: df[fema{p}] df[close].ewm(spanp, adjustFalse).mean() return df df add_ema_indicators(df) # 判断趋势状态 df[trend] noise df.loc[(df[ema5] df[ema10]) (df[ema10] df[ema20]), trend] up df.loc[(df[ema5] df[ema10]) (df[ema10] df[ema20]), trend] down注意这里我只保留了三种状态上行、下行、震荡。震荡状态直接放弃不参与信号决策。这是短线策略非常重要的一个原则看不懂的行情不做没有趋势就不交易。在实盘里这个过滤器能帮你躲掉一大批来回打脸的无效交易。3.2 动量识别MACD和RSI怎么配合用趋势过滤完接下来是动量判断解决什么时候出手的问题。MACD和RSI是两个最常用的动量指标但我发现很多新手容易搞混它们的分工——MACD更侧重于趋势的延续性RSI更侧重于短期的超买超卖状态。MACD的计算逻辑核心是两条EMA线的差值。差离值DIF EMA12 - EMA26信号线DEA DIF的EMA9MACD柱 DIF - DEA× 2。在短线场景里我一般等DIF上穿DEA金叉作为动能启动信号但必须叠加前面说的趋势过滤条件——只在EMA多头排列的情况下才认可金叉的有效性。RSI则是用一段时间内涨跌幅度的相对比例来衡量强弱。RSI14是最常见的参数数值大于70认为超买小于30认为超卖。可短线个股经常出现超买之后继续涨的强势行情直接套用70/30的阈值做逆向操作很容易吃亏。我的做法是只把RSI大于50、且处于上升通道中的状态视为动量偏好而不是用RSI做反向抄底。def add_macd_rsi(df, fast12, slow26, signal9, rsi_period14): # MACD ema_fast df[close].ewm(spanfast, adjustFalse).mean() ema_slow df[close].ewm(spanslow, adjustFalse).mean() df[dif] ema_fast - ema_slow df[dea] df[dif].ewm(spansignal, adjustFalse).mean() df[macd] (df[dif] - df[dea]) * 2 # RSI delta df[close].diff() gain delta.clip(lower0) loss -delta.clip(upper0) avg_gain gain.ewm(alpha1 / rsi_period, adjustFalse).mean() avg_loss loss.ewm(alpha1 / rsi_period, adjustFalse).mean() rs avg_gain / avg_loss df[rsi] 100 - 100 / (1 rs) return df3.3 资金与量能成交量突变怎么捕捉短线行情有个铁律没有量能配合的上涨大多走不远。资金维度我用两个口径来观察——成交量突变和换手率。成交量突变的量化方法很简单计算过去20日的平均成交量然后用当日成交量除以这个均值得到量比。量比大于1.5说明当天有明显放量大于2说明资金异动显著。在短线策略里放量配合价格上涨是资金进场的典型信号。换手率则是看筹码的活跃程度。短线标的的换手率一般在5%以上才算活跃低于3%的基本属于无人问津状态不适合做短线。但换手率太高也得警惕——超过20%往往意味着筹码大量换手随时可能出现剧烈分歧和抛压。我自己的资金维度信号判据是当日成交量是5日均量的1.5倍以上。当日换手率在5%到15%之间。当日涨幅为正且收盘价位于当日K线实体的上半部。这三个条件同时成立才算有效资金进场。只放量不涨、或者冲高回落的都不算数。3.4 风险约束ATR和波动率过滤器做短线的人最常犯的错误是只想着能赚多少不考虑能亏多少。实际上波动太剧烈的股票即使方向判断对了也可能在盘中震荡里被洗出来。所以最后一个维度是风险过滤——用ATR真实波幅均值来衡量个股的日内波动幅度。ATR的计算分三步先算真实波幅TR它取三个值中的最大值——当日最高价减最低价、当日最高价减前收盘价的绝对值、当日最低价减前收盘价的绝对值然后对TR取N日的均值。N常用14。def add_atr(df, period14): prev_close df[close].shift(1) tr pd.concat([ df[high] - df[low], (df[high] - prev_close).abs(), (df[low] - prev_close).abs() ], axis1).max(axis1) df[atr] tr.rolling(period).mean() return dfATR在短线里的用途有两个一是止损距离的基准比如跌破入场价 - 2倍ATR就无条件离场二是波动率过滤ATR占价格比例过高的标的仓位上要主动降低。一个价格10元的股票日ATR是0.8元意味着日内波动8%满仓进出的话心态很难稳住这时候就需要减半仓操作。4. 策略组装与回测完整演示600379的分析流程4.1 信号合成逻辑用AND而不是OR指标算完了接下来要把它们组装成一个完整的交易信号。这里有个核心原则买入信号用AND连接卖出/离场信号用OR连接。为什么买入需要所有条件都满足多过滤一道就多一分把握但离场只需要触犯任何一条就走活着才是短线交易的第一目标。以600379在2026年3月16日前后的分析为例我平时跑的策略逻辑框架是这样的def generate_signal(df): # 趋势、动量、资金、风险四个条件缺一不可 cond_1 df[trend] up # 趋势过滤EMA多头排列 cond_2 df[dif] df[dea] # 动量MACD金叉状态 cond_3 df[volume] df[volume].rolling(5).mean() * 1.5 # 资金放量 cond_4 df[turnover].between(5, 15) # 资金换手活跃且不异常 cond_5 df[rsi] 50 # 动量相对强势 df[buy_signal] cond_1 cond_2 cond_3 cond_4 cond_5 return df这套信号框架有两个好处可解释性强每一笔买入都能讲清楚因为什么买参数少不会有几百个超参数去过拟合历史。4.2 一套极简但完整的回测代码有了信号下一步是验证它在这个标的上的历史表现。注意我用的是这个分析时点之前的数据做验证也就是2025年到2026年3月16日这段时间。这套流程模拟了如果我一直按这个规则交易过去一年会是什么结果。def run_backtest(df, initial_cash100000): cash initial_cash shares 0 trade_log [] pos_price 0 for i in range(1, len(df)): today df.iloc[i] prev_signal df[buy_signal].iloc[i - 1] # 买入前一天出信号当天开盘价买入 if prev_signal and shares 0: shares int(cash // (today[open] * 100)) * 100 # 以手为单位 if shares 100: cash - shares * today[open] pos_price today[open] trade_log.append({date: today[date], action: BUY, price: today[open], shares: shares}) # 卖出跌破入场价 - 2倍ATR或MACD死叉 elif shares 0: stop_price pos_price - 2 * today[atr] if today[low] stop_price or today[dif] today[dea]: cash shares * today[open] trade_log.append({date: today[date], action: SELL, price: today[open], shares: shares}) shares 0 # 回测结果 final_value cash shares * df[close].iloc[-1] total_return final_value / initial_cash - 1 return total_return, trade_log, final_value这里有几个细节需要特别注意。第一买入信号是用前一天收盘后计算出来的实际成交用第二天开盘价这是为了避免未来函数——如果你用当天收盘价算信号又用当天收盘价成交就相当于开卷考试作弊回测结果会虚高很多。第二买入按手数整手买入更贴近真实交易。第三止损用ATR动态计算而不是固定3%或5%——因为不同股票、不同时期的波动幅度不一样固定比例止损在波动大的行情里容易被误杀。4.3 回测结果怎么读先看回撤再看收益很多新手跑完回测第一眼只看总收益率赚了三倍就兴奋得不行。这个习惯很危险。回测报告里最该关注的是最大回撤和交易胜率。最大回撤指的是从账户高点到低点的最大跌幅。举个例子100万本金做到120万然后遇到连续亏损跌回96万最大回撤就是20%。如果你的策略最大回撤是30%那实盘里你要做好账户从100万缩水到70万的心理准备——很多人在这个阶段就已经手动干预、放弃纪律了。胜率同样关键。短线策略的胜率能稳定在40%以上配合盈亏比2:1长期就是赚钱的。怕的是那种胜率看着不错但单笔亏损特别大的策略。我通常会把回测输出做成一页纸的汇总指标数值/结论总收益率回测期内的累计表现年化收益率折算到年的复合增速最大回撤从最高点到最低点的跌幅胜率盈利交易笔数 / 总交易笔数盈亏比平均盈利 / 平均亏损交易次数信号触发的实际笔数交易次数这个指标特别容易被忽略。如果一年只触发了两三次信号策略样本量太小任何结论都没有统计意义需要回溯更长的时间或者放宽信号条件来做敏感性测试。4.4 回测里最常见的三个坑第一个坑是未来函数。用未来信息去做当前决策回测结果一定好看实盘一定难看。典型例子用当天的收盘数据计算信号、又在用当天的收盘价成交。我见过太多人犯这个错回测曲线近乎45度角向上一上实盘就原形毕露。第二个坑是幸存者偏差。专门挑那些已经涨上去的大牛股做回测然后得出结论说这个策略很赚钱。这不叫回测这叫事后挑案例。正确的做法是固定规则、固定股票池或者随机选股让数据自己说话。第三个坑是过拟合。把参数从均线5改到均线8发现回测收益从50%变成了80%于是沾沾自喜觉得自己找到了圣杯。实际上参数在这个标的的历史数据上表现好很可能只是对这段行情的特定拟合换个时间段、换只股票就失效了。我自己的做法是参数只取常规值比如EMA就用5/10/20ATR就用14不做精细调优用策略逻辑的普适性来换稳定性。5. 实盘前的仓位管理与交易细节5.1 单笔仓位怎么算别让一次亏损伤筋动骨策略逻辑过关了离实盘还差一步——仓位管理。很多人在模拟盘里用满仓跑赢大盘一到实盘就亏原因往往不是策略失效而是仓位失控。单笔仓位控制的经典方法有固定分数法和凯利公式。固定分数法最简单每笔交易最多亏损总资金的一定比例比如2%然后用止损距离反推买入数量。公式是买入金额 总资金 × 2% ÷ 入场价 - 止损价。举个例子你有20万本金单笔最大亏损设定2%也就是4000元。某只股票计划在10元入场止损设在9元止损距离1元那这笔最多买入4000股对应金额4万元仓位占比20%。如果止损距离缩小到0.5元就能买入8000股仓位提高到40%——止损距离越近仓位可以越重这就是风险平价的思想。凯利公式虽然是理论上最优的仓位方式但它的公式基于的胜率和盈亏比是估计值估算不准时凯利会给出过度激进的仓位所以我个人建议把它的结果除以二甚至除以四再使用或者干脆用固定分数法活得久比赚得快重要得多。5.2 止损止盈的算法化机械执行才能活下来止损止盈是短线交易里最考验纪律的环节。我的做法是把它们全部写成条件单让程序替你执行不靠盘中盯盘做情绪化决策。初始止损入场价 - 2倍ATR无条件触发。移动止损价格创新高后止损线跟着上移锁定利润。时间止损买入后5个交易日内没有走出预期方向的行情直接离场。时间止损是很多人不知道的好东西。短线交易赚的是时间成本如果持仓一周方向都不对说明当初的判断有问题继续拿着只会放大不确定性。这段逻辑写成代码也好理解记录买入日期持有天数超过N天且浮盈小于某个阈值就平仓。5.3 滑点和手续费看着赚了实际亏了回测里不算交易成本收益会严重虚高。A股目前的费率结构成本项费率说明佣金万2.5~万3双边收取起点5元印花税千1仅卖出时收取过户费万0.1双边收取滑点1~2个tick实际成交价偏差拿10万元的本金、每月交易20次来回算一笔来算一年的摩擦成本可能占到本金的5%以上。一个策略如果年化收益只有8%扣除摩擦成本后可能所剩无几。我的习惯是回测统一加单边千一的成本假设——佣金、滑点、冲击成本都打进去。如果加完成本之后策略还能赚钱再考虑实盘验证如果加完成本就亏了那就回去改策略别浪费时间。6. 新手常踩的坑与排查实录6.1 数据对不上账前复权还是后复权很多人发现自己算出的MACD跟行情软件不一致差的不是几个点而是方向都反了。排查后发现是复权口径的问题。短线策略一律用前复权因为后复权数据在除权除息日附近会有一个巨大的跳空值直接影响指标计算的连续性。而且不同软件的前复权口径也有细微差异只要你的数据和未来实际执行是同一套口径就能保持逻辑自洽。6.2 信号闪烁收盘价下单的问题信号在盘中反复出现又消失这叫信号闪烁。比如你用5分钟K线计算一个指标尾盘突然拉一下指标变成金叉等K线走完又变回去了。解决思路是信号计算和交易执行的时点必须隔离开——用收盘后确定的数据算信号第二天再按开盘价或限价单执行宁可少赚一点也要保证信号的确定性。6.3 回测很完美实盘就亏过拟合的典型表现如果你发现策略在某个标的的回测曲线上漂亮得不像话胜率高达80%一年翻了几倍第一反应应该是怀疑而不是兴奋。我见过不少新手拿一套在单一股票、单一时间段上极度拟合的参数组合跑出惊人收益然后实盘被市场无情教育。判断过拟合有一个简单办法把股票和时间段都换掉用相同逻辑跑一遍。比如在600379上表现好的策略在另一只市值差不多、行业差不多的股票上跑如果结果明显变差说明策略可能学到了个股的特定噪音而不是市场的通用规律。6.4 心态管理程序化纪律的最后一块拼图量化交易最反直觉的一点是策略代码本身只占成功的一半另一半是你能不能百分之百按规则执行。回测里止损触发就该离场但实盘里总有人觉得再扛一下就能回来信号没触发就不该买入但总有人觉得今天感觉要涨就提前动手。我的做法是坚持写交易日志每笔交易记录当时的信号状态、执行价格、是否按计划操作。复盘时会发现那些亏得最多的交易大部分不是策略问题而是心态波动导致的手动干预。短线量化交易拼到后期拼的不是聪明是纪律——你要接受不完美接受连续几次小亏之后依然按规则出牌。这才是量化策略能长期稳定输出的关键。以我自己做了几年短线量化的体会来说最好的策略不是收益最高的那个而是你能完全信任、完全执行的那个。把规则写成代码用历史数据验证让实盘结果说话——这套方法论放到哪只短线标的上都容易复现也远比到处打听消息、凭感觉进出要靠谱得多。