最近在聚宽社区翻到一个叫"菜场大妈"的策略，名字接地气，回测成绩还挺能打。今天来拆解一下它的核心逻辑，顺便做点优化。
花了不少时间研究量化，看文章、调参数、研究各种多因子模型，每天盯着 Alpha 信号、因子暴露、信息比率……然后呢？
年化跑不赢沪深 300 。
有一天我妈跟我说，她闺蜜在菜场摆摊，顺手买了几只"便宜的、但公司还在赚钱的"小股票放着，几年下来收益还挺好。
我当场沉默了三分钟。
大妈炒股的逻辑，其实就三条：
听起来很土？但这三条，其实就是"小市值低价策略"的核心逻辑。
整个策略的核心思路，可以用一套"去菜场买菜"来解释。
大妈第一眼看菜，先排除烂掉的、发霉的、一看就没法吃的。
股票里的"烂菜叶子"就是：
# 过滤 ST 及其他具有退市标签的股票
def filter_st_stock(stock_list):
current_data = get_current_data()
return [stock for stock in stock_list
if not current_data[stock].is_st # 不是 ST
and 'ST' not in current_data[stock].name # 名字里没有 ST
and '*' not in current_data[stock].name # 没有星号（*ST ）
and '退' not in current_data[stock].name] # 没有退字
另外，科创板和北交所也不去——大妈不去高档精品超市，她就逛老菜市场，接地气，看得懂，买得放心。
# 过滤科创北交股票
def filter_kcbj_stock(stock_list):
for stock in stock_list[:]:
if stock[0] == '4' or stock[0] == '8' or stock[:2] == '68' \
or stock[:3] == '300' or stock[:3] == '301':
stock_list.remove(stock)
return stock_list
光便宜不行，还得有真材实料。
大妈挑肉的标准很简单：
q = query(
valuation.code,
valuation.market_cap,
income.np_parent_company_owners, # 归母净利润
income.net_profit, # 净利润
income.operating_revenue # 营业收入
).filter(
valuation.code.in_(stocks),
valuation.market_cap.between(g.min_mv, g.max_mv), # 市值区间
income.np_parent_company_owners > 0, # 有真肉
income.net_profit > 0, # 净利润也得正
income.operating_revenue > 1e8 # 营收过亿才算数
).order_by(valuation.market_cap.asc()) # 市值从小到大排
这个筛选直接干掉了绝大多数"讲故事的仙股"。
这是大妈最硬核的原则：
超过 10 块钱的菜，太金贵，不买。
# 过滤股价高于 10 元的股票
def filter_highprice_stock(context, stock_list):
last_prices = history(1, unit='1m', field='close', security_list=stock_list)
return [stock for stock in stock_list
if stock in context.portfolio.positions.keys()
or last_prices[stock][-1] <10]
原版策略过滤的是 9 元以上，我稍微放宽到 10 元——毕竟通货膨胀嘛，大妈也得跟上时代。
经过前面三轮筛选，剩下的候选菜已经都是"便宜有肉的好货"了。
接下来怎么选？按市值从小到大排，挑最"边角料"的 4 只。
捡漏心理：专挑摊位最边角没人注意的那几样，够小、够便宜、胜在没人哄抬价格。
目标市值区间：10 亿到 100 亿之间（不能太小，太小容易跑路；不能太大，太大轮不到散户吃肉）。
g.stock_num = 4 # 最多买 4 只
g.min_mv = 10 # 最小市值 10 亿
g.max_mv = 1e8 # 最大市值 1000 亿（写法是万亿单位，实为 100 亿）
大妈有一条铁律：隔夜的菜不留。
这里对应的是"昨日涨停股"的处理：
这只股票昨天表现亮眼，涨停了！大妈开心，夸它新鲜。 今天一看，没连板，价格缩回来了。 大妈立刻：**"隔夜的，赶紧处理，换新鲜的来。"**
def check_limit_up(context):
current_data = get_current_data()
if g.high_limit_list:
for stock in g.high_limit_list: # 昨天涨停的票
if current_data[stock].last_price \
<current_data[stock].high_limit: # 今天没继续涨停
order_target(stock, 0) # 清仓
g.just_sold.append(stock) # 记录已卖，不二次买入
# 卖了之后，如果持仓不够，再候补买入
position_count = len(context.portfolio.positions)
if g.stock_num > position_count and position_count != 0:
my_Trader(context)
psize = context.portfolio.available_cash / (g.stock_num - position_count)
for s in g.choice:
if s not in context.portfolio.positions and s not in g.just_sold:
order_value(s, psize)
if len(context.portfolio.positions) == g.stock_num:
break
注意先卖后买，这是个细节优化——原版是先买后卖，导致卖掉的票要隔天才能补仓，白白空仓一天。
大妈不每天去菜场，那太累了。她每周一早上进一次城，买够就回家。
run_weekly(my_Trader, 1, time='13:50') # 每周第 1 个交易日，13:50 选股
run_weekly(go_Trader, 1, time='14:00') # 每周第 1 个交易日，14:00 下单
每周换一次仓，频率不算高，也省手续费。大妈的核心竞争力之一，就是不天天折腾。
写策略的过程，踩了不少坑，挑几个有代表性的跟大家分享。
刚开始没设滑点，回测数据漂亮得一塌糊涂。
等我加上 FixedSlippage(0.02) 和真实手续费之后，收益率肉眼可见地往下掉。
set_slippage(FixedSlippage(0.02))
set_order_cost(OrderCost(
close_tax=0.001, # 印花税 0.1%（卖出才收）
open_commission=0.0001, # 买入佣金 0.01%
close_commission=0.0005, # 卖出佣金 0.05%
min_commission=0.1 # 最低 5 毛
), type='stock')
这就是菜场的"摊位费"：你看着菜很便宜，结果各种税费加起来，利润被切走一大块。
结论：纸面富贵不算数，扣完成本才是真收益。
这个坑不是代码 bug ，是人的 bug 。
接手这个策略的时候，它已经配了一段"组合配置"的逻辑——在小市值股票之外，还额外指定了几只 ETF：
黄金 ETF（ 518880 ）、纳斯达克 ETF（ 513100 ）、芯片 ETF（ 159995 ）……
配置理由写得头头是道：分散化、降回撤、对冲 A 股风险……
一跑回测：2016 年到 2025 年，年化亮瞎眼，曲线好看得像 PPT 配图。
我当时觉得自己是天才。
然后仔细一看，冷汗下来了——
这几只 ETF 是谁选的？按什么选的？
黄金，2024 年大涨；纳斯达克，2023 年翻倍反弹；芯片，也有过自己的高光时刻……
这些都是已经发生的历史。策略里写死了"就买这几只"，然后用历史回测来"验证"它们表现好——
这不是量化，这是开卷考试然后说自己考满分。
把这几只硬编码的 ETF 全部剔除之后，换成动态筛选的逻辑——
收益率啪啪往下掉。
曲线一下子瘦了一大圈，以前那段"漂亮区间"直接垮掉一半。
这就是过拟合的最朴素版本：用上帝视角挑菜，当然买的全是好菜。但你在真实菜场里没有上帝视角，前一天猪肉涨价了你也不知道。
结论：回测数据越漂亮，越要多问一句"为什么"——是策略真的好，还是你亲手喂了它正确答案？
这个坑藏得很深，或者说——回测系统藏得太好了。
策略里有一段逻辑，要在 9:30 开盘第一分钟执行买卖：
run_daily(check_limit_up, time='9:30')
理论上完全合理——越早下单越好，抢先手嘛。
回测跑下来，成交记录里也都有，数据漂漂亮亮。
但如果一上 SHIPAN ，就尴尬了。
9:30 开盘的第一分钟，实际上是集合竞价刚刚结束的瞬间。行情数据还没稳定下发，API 还没完全就绪，大量股票这一秒钟根本拿不到有效的实时价格——
于是下单，要么直接报错，要么以 0 价格挂出去被拒单，总之：两手空空，什么都没买到。
回测里的 9:30 是"模拟的 9:30"，数据是现成的，下单当然成功。 ******里的 9:30 是"真实的 9:30"，数据还在飞，根本接不住。
改成 9:31、9:35 之后，下单终于正常了。
但收益往下掉了。
因为策略里有依赖"开盘价"的买卖判断，哪怕晚了 1~5 分钟，成交价就不一样了，有些单子该买的没买上，该卖的滑了点。
看起来只差几分钟，代入收益一算，差距比想象中大。
结论：回测的时间刻度是理想化的，****的第一分钟是混沌的。9:30 下单，在这个系统里就是一个幻觉。**
这是原版策略最让我不安的一个设计——它没有止损。
大妈的哲学是：买来的菜，就算有点蔫，也不扔。泡泡水，明天还能吃。
策略里只有两种卖出情形：
跌了 10%？不管。跌了 20%？继续拿着。只要它还符合小市值条件，就一直持有。
极端行情一来，这个策略会被套得很难看。2020 年春节后复市那天，我看着日志：
[止损] 002112 三变科技 成本=6.94 现价=5.83 亏损=-16.0%，强制清仓
[止损] 600099 林海股份 成本=6.74 现价=5.65 亏损=-16.2%，强制清仓
[止损] 600493 凤竹纺织 成本=5.67 现价=4.77 亏损=-15.9%，强制清仓
等等，这是我加了止损之后的日志，亏损还是达到了 15%+。
原因很简单：跌停股票卖不掉。
止损单挂出去，市场全是卖盘没有买盘，当天根本成交不了。第二天继续跌停，继续挂单，继续成交不了—— 这就是"跳空"的残酷现实：止损线写的是 8%，真正止损的时候可能已经亏了 15%。
最后加了两个补丁才勉强解决：
g.stop_loss_set 记录已发止损单的股票，跌停时静默重试，不重复打日志g.stop_loss_ratio = 0.08 # 止损线 8%
g.stop_loss_set = set() # 已发止损单，跌停未成交则次日重试
结论：止损写进代码只是第一步，跌停穿越才是真正的硬伤。极端行情面前，8%的止损线可能保不住你，但有和没有，差距还是很大。
折腾一圈之后，我发现我最初看不上的东西，反而是最难做到的。
量化圈有个通病：喜欢追求复杂。因子越多越好，模型越深越好，参数越精细越好。
但菜场大妈的策略只有三个筛选条件，逻辑三句话说完，参数五个以内，任何人看懂之后都能在脑子里复现一遍。
这就是它最宝贵的地方：逻辑清晰。
你知道它为什么买，你知道它为什么卖，你知道它会在什么情况下亏钱，你不会因为"这个信号我也说不清楚为什么"而在极端行情裂开。
说到稳定性，我的实际体感是这样的：
这种感觉就像买的不是最贵的全熟牛排，而是一碗好熬的老火靓汤——慢，但真实，喝完不反胃。
当然它有很多问题没解决，还需要继续努力：
回测这么漂亮的策略，拿到全市场里到底能排第几？
我把这个大妈策略丢进了一个叫 9db 智能体交易竞技场 的地方，那里可以上传交割单，跟别人的策略一起按实时收益 PK 排名，跑了才发现，大佬们的有多稳
如果这个策略对你有帮助，点个赞就行。如果你发现了什么 Bug 或者有更好的改法，欢迎评论区指教——毕竟，大妈选菜也需要老街坊互相提醒。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。