量化交易是用模型和程序，根据历史数据和规则自动买卖金融资产，刚入门可以看看这份量化百科。

量化交易最核心的东西，其实是回测。没数据没回测，策略就跟瞎子摸象一样。我自己早期就是先写了一个小框架，把历史数据丢进去，看看策略表现，起起伏伏的，平均也算能稳住收益。长期是肯定能看到规律的，但是短期内不一定，我期间也经历过连续几个月收益掉下去的情况。

这篇主要分享下我的 python 回测框架：

回测框架四大模块

1. 数据管理 历史数据都公开的。把数据整理好，策略用的时候直接拿就行。我以前就是自己抓数据，后来发现用现成 API 快得多。

2. 策略逻辑 我的策略就是很简单的均线交叉。古老但是有效：短期均线上穿长期均线就买，反过来就卖。可能现在看有点老了/简单了，但不影响测试策略思路。

3. 执行引擎 模拟下单、算手续费和滑点。早期没注意这块，结果回测收益和实盘差别挺大，所以还是要加上。

4. 绩效评估 计算收益率、最大回撤、夏普比率等。长期来看，能帮你判断策略稳不稳，但短期很波动，我就遇到过连续几个月都亏的情况。

Python 回测框架实操示例

我就直接贴我常用的最简版本，大家可以自己玩：

import pandas as pd

# 数据加载器
class DataHandler:
    def __init__(self, data: pd.DataFrame):
        self.data = data

    def get_data(self):
        return self.data

# 简单策略：均线交叉
class Strategy:
    def generate_signals(self, df):
        df['signal'] = 0
        df.loc[df['close'] > df['close'].rolling(5).mean(), 'signal'] = 1
        df.loc[df['close'] < df['close'].rolling(5).mean(), 'signal'] = -1
        return df

# 回测执行
class Backtest:
    def __init__(self, data, strategy):
        self.data = data
        self.strategy = strategy

    def run(self):
        df = self.strategy.generate_signals(self.data)
        df['returns'] = df['close'].pct_change() * df['signal'].shift(1)
        df['cum_returns'] = (1 + df['returns']).cumprod()
        return df

# 示例数据
data = pd.DataFrame({'close': [100, 102, 101, 103, 105, 107, 106, 108, 110, 109]})

dh = DataHandler(data)
strategy = Strategy()
bt = Backtest(dh.get_data(), strategy)
result = bt.run()
print(result[['close', 'signal', 'cum_returns']])

这个版本简单但够用，特别是当个入门工具，挺不错的。

可视化一下

import matplotlib.pyplot as plt

plt.plot(result['cum_returns'], label='策略累计收益')
plt.title('回测结果')
plt.xlabel('时间')
plt.ylabel('累计收益')
plt.legend()
plt.show()   `

我自己做的时候就是看这条曲线，长期是能看出策略趋势的，但短期波动挺大的，所以别被一两个月的亏损吓到

关于金融数据 API ，我用过alpha vantage、 alltick，都 OK 。自己挑的时候，看下数据是否准确、接入是不是省事、市场覆盖面适不适合你。

好了，我的框架分享到这里。玩量化的话，建议先搭一个框架，把数据、策略、回测流程跑通，长期来看肯定能节省很多摸索时间。