量化交易的核心在于用数学模型替代主观判断，将投资逻辑转化为可回测、可执行的代码。

常见算法

统计套利与均值回归类，这类算法基于“价格偏离均值后会回归”的假设，适合震荡市。

  • 配对交易：寻找两只高度相关（如茅台与五粮液）的股票，当价差偏离历史均值2个标准差时，做空高价股、做多低价股，等待价差回归。
  • 均值回归策略：计算股票价格相对其移动平均线（如20日线）的乖离率，当乖离率过大时反向操作。
  • 协整模型：比相关性更严格，通过ADF检验确认长期均衡关系，常用于多股票组合的价差交易。
    趋势跟踪与动量类，这类算法“追涨杀跌”，在趋势明确的市场中表现优异。
  • 双均线策略：短期均线上穿长期均线（金叉）买入，死叉卖出。这是最基础的CTA策略。
  • 动量因子：买入过去3-12个月涨幅最高的股票（赢家组合），卖出跌幅最大的（输家组合），月度调仓。
  • 海龟交易法则：基于唐奇安通道突破（20日高点突破买入，10日低点止损），配合ATR（平均真实波幅）动态调整仓位。
    机器学习与深度学习类，这类算法通过数据驱动挖掘非线性关系，适合处理高维特征。
  • 梯度提升树（XGBoost/LightGBM）：用历史量价数据（如换手率、市盈率、北向资金流）作为特征，预测未来5日涨跌概率，输出为0-1的分数排序选股。
  • LSTM（长短期记忆网络）：处理时间序列，捕捉股价的长期依赖关系，常用于预测次日开盘价或波动率。
  • 强化学习：将交易建模为马尔可夫决策过程，智能体通过不断试错学习最优买卖点（如DQN算法）。
    高频与微观结构类，这类算法依赖极低延迟和订单簿数据，普通散户较难参与。
  • 做市策略：同时挂买单和卖单，赚取买卖价差（如盘口薄时挂单，厚时撤单）。
  • 冰山订单算法：将大单拆分为小单，按时间或成交量加权（TWAP/VWAP）逐步执行，减少市场冲击。
    风险平价与组合优化类，这类算法不直接选股，而是优化资产配置权重。
  • 风险平价：使每个资产对组合总风险的贡献度相等，常用在股债混合策略中。
  • Black-Litterman模型：结合市场均衡收益与投资者主观观点，输出更稳定的权重分配。
    事件驱动与另类数据类
  • 财报事件策略：在财报发布前，根据分析师预期调整（EPS修正）提前建仓，财报后利用“盈余漂移”现象继续持有。
  • 舆情分析：用NLP（自然语言处理）解析新闻、股吧评论的情感得分，当情绪极端悲观时反向买入。
    关键提醒
    1. 回测陷阱：任何算法都必须经过样本外测试和蒙特卡洛模拟，防止过拟合。
    2. 交易成本：高频策略的换手率极高，佣金和滑点可能吞噬全部利润。
    3. 市场状态切换：均值回归策略在牛市中会持续亏损，需加入市场状态识别（如用波动率指数VIX判断）。

代码实现

Python实现双均线，回测代码框架。

双均线策略 · 极简演示

不联网随机生成假股价，跑一遍金叉买入/死叉卖出。只装 pandas 即可运行：pip install pandas

import numpy as np
import pandas as pd

# - 1. 生成假股价(随机游走, 150天) -
np.random.seed(42)
N = 150
price = 100 * np.exp(np.cumsum(np.random.normal(0.0005, 0.02, N)))  # 几何随机游走
df = pd.DataFrame({"date": pd.date_range("2024-01-01", periods=N), "close": price})

# - 2. 算双均线 + 金叉/死叉 -
SHORT, LONG = 5, 20
df["ma_s"] = df["close"].rolling(SHORT).mean()
df["ma_l"] = df["close"].rolling(LONG).mean()
diff = df["ma_s"] - df["ma_l"]
cross_up = (diff > 0) & (diff.shift(1) <= 0)    # 金叉 -> 买
cross_down = (diff < 0) & (diff.shift(1) >= 0)  # 死叉 -> 卖

# - 3. 持仓: 金叉后持有, 死叉后空仓 -
df["pos"] = pd.Series(np.where(cross_up, 1, np.where(cross_down, 0, np.nan))).ffill().fillna(0)

# - 4. 结算 -
df["ret"] = df["close"].pct_change().fillna(0)
df["strat"] = df["pos"].shift(1) * df["ret"]        # 次日开盘执行
df["equity"] = (1 + df["strat"]).cumprod()
df["buyhold"] = df["close"] / df["close"].iloc[0]

# - 5. 输出 -
print(f"策略收益 {df['equity'].iloc[-1]-1:+.2%}  |  买入持有 {df['buyhold'].iloc[-1]-1:+.2%}")
print(f"总交易 {int((df['pos'].diff().abs()>0).sum())} 次\n")
print(df.tail(8)[["date", "close", "ma_s", "ma_l", "pos", "equity"]].to_string(index=False))
  • 双均线：短期均线（5日）上穿长期均线（20日）→ 金叉买入；下穿 → 死叉卖出。
  • 信号判定用「均线差正负翻转」：diff = ma_s - ma_l，由负转正=cross_up，由正转负=cross_down，比逐日比较更简洁且不重复触发。
  • 次日执行：pos.shift(1) 让信号在次日生效，避免用当天收盘价交易（未来函数）。
  • 完整框架：接真实数据（akshare）、算回撤/夏普、绘图，见 dual_ma_backtest.py。

工具

akshare 是开源免费、专门拉取中国金融市场数据的 Python 库（A股/港股/期货/基金等），在代码里用它接真实行情。