程序员量化交易实战 03：量化交易中的核心概念

前两篇做了两件事：先把量化交易放回工程语境，再把 Python 项目骨架搭起来。

从这一篇开始，我们要统一词汇。量化系统里很多词看着熟悉，但如果不落到代码对象，很快就会混在一起：股票池和持仓不是一回事，因子和策略不是一回事，信号和订单也不是一回事。

这一篇的目标很简单：把后面会反复出现的概念翻译成 ZiQuant 里的模型、字段和函数。

股票不是一个字符串

程序里最容易犯的第一个错误，是把股票当成一个字符串。

600519.SH 当然是股票代码，但一个可运行的平台还需要知道它的名称、市场、行业、交易单位和元数据。ZiQuant 里用 Stock 表保存这些主数据：

class Stock(Base):
    __tablename__ = "zi_quant_stocks"

    symbol = mapped_column(String(16), primary_key=True)
    name = mapped_column(String(80), index=True)
    market = mapped_column(String(8), index=True)
    sector = mapped_column(String(80), index=True)
    lot_size = mapped_column(Integer, default=100)
    metadata_json = mapped_column(JSONB, default=dict)

这里的 lot_size=100 不是装饰字段。A 股普通买入按 100 股整数手处理，后面订单检查、回测成交和模拟盘都会用到它。

股票主数据解决的是“这个标的是什么”。它不回答“今天多少钱”，也不回答“该不该买”。

股票池是策略运行范围

股票池不是持仓。

股票池表示策略允许观察和选择的范围。比如公共 A 股 500 股票池，是给策略、因子刷新和推荐接口使用的候选集合；持仓则是某个账户已经买入的股票。

ZiQuant 里用 StockPool 和 StockPoolMember 表达这个关系：

class StockPool(Base):
    __tablename__ = "zi_quant_stock_pools"

    name = mapped_column(String(120), index=True)
    visibility = mapped_column(Enum(Visibility), default=Visibility.private)
    refresh_strategy_id = mapped_column(UUID(as_uuid=True), nullable=True)


class StockPoolMember(Base):
    __tablename__ = "zi_quant_stock_pool_members"

    pool_id = mapped_column(ForeignKey("zi_quant_stock_pools.id"))
    symbol = mapped_column(ForeignKey("zi_quant_stocks.symbol"))
    weight = mapped_column(Float, nullable=True)
    reason = mapped_column(Text, default="")

这层设计的好处是：公共股票池、用户私有股票池、按策略重建的股票池可以共存。后面我们做 500 只 A 股股票池时，会继续完善这部分。

K 线是行情事实，不是策略结论

行情数据通常会以 K 线形式进入系统。日频系统里，最常用的是日 K：开盘价、最高价、最低价、收盘价、成交量、成交额。

ZiQuant 的 MarketBar 表是这样设计的：

class MarketBar(Base):
    __tablename__ = "zi_quant_market_bars"

    symbol = mapped_column(String(16), index=True)
    trade_date = mapped_column(Date, index=True)
    frequency = mapped_column(String(16), default="1d", index=True)
    open = mapped_column(Float)
    high = mapped_column(Float)
    low = mapped_column(Float)
    close = mapped_column(Float)
    volume = mapped_column(Float, default=0)
    amount = mapped_column(Float, default=0)
    source = mapped_column(String(40), default="unknown", index=True)
    payload = mapped_column(JSONB, default=dict)

注意两个字段：source 和 payload。

source 用来记录数据来自 QVeris、东方财富、Tushare、同花顺，还是 fallback。payload 用来保留供应商原始字段或清洗信息。后面排查数据问题时，这两个字段会救命。

行情数据只是事实记录。它告诉我们某天发生了什么，不直接告诉我们该不该买。

复权要尽早想清楚

A 股会分红、送股、拆股。价格序列如果不处理复权，很多因子会被历史价格跳变污染。

例如一只股票除权后，价格从 100 变成 50，并不代表真实跌了 50%。如果策略直接用原始价格计算 20 日动量，就可能误判。

本系列前期会先把字段和来源留好，后面接入真实行情时再明确前复权、后复权和不复权的口径。这里先定一个工程原则：同一张行情表不能混入不同价格口径而不标记。供应商返回的复权方式，要进入 payload 或单独字段。

因子不是策略

因子是一个可排序的证据，不是完整决策。

20 日动量可以是因子，ROE 可以是因子，波动率可以是因子，财报质量分也可以是因子。但“动量前 20 名等权买入、每周调仓、跌破止损卖出”才更接近策略。

ZiQuant 里用 FactorDefinition 描述因子定义，用 FactorValue 保存某日某股票的因子值：

class FactorValue(Base):
    __tablename__ = "zi_quant_factor_values"

    factor_id = mapped_column(ForeignKey("zi_quant_factor_definitions.id"))
    symbol = mapped_column(String(16), index=True)
    trade_date = mapped_column(Date, index=True)
    value = mapped_column(Float)
    payload = mapped_column(JSONB, default=dict)

当前项目里已经有一个早期的 compute_factor()，会把 MACD、RSI、动量、波动率和质量分合成一个 FactorRow：

row = compute_factor(stock)
print(row.symbol, row.momentum, row.volatility, row.quality, row.score)

这还不是最终策略，只是后续推荐、回测和模拟盘会消费的证据层。

信号不是订单

信号是策略输出的观察结论，订单是账户动作。

这个区分很重要。我们会用 BUY_WATCH、HOLD_WATCH、RISK_WATCH 这样的名字，而不是直接叫 BUY、SELL。原因很简单：系统做的是研究和模拟观察，不做真实下单。

一个信号至少应该包含：

• 股票代码。
• 信号类型。
• 置信度或排序分。
• 触发原因。
• 风控提示。
• 数据来源和交易日期。

类似这样的结构比一句“建议买入”可靠得多：

signal = {
    "symbol": "600519.SH",
    "signal": "BUY_WATCH",
    "score": 0.73,
    "reasons": ["20日动量靠前", "财报质量分较高", "波动率未超限"],
    "risk": {"max_position_pct": 0.10, "paper_trading_only": True},
}

后面推荐工作台、飞书提醒和昨日复盘都会围绕这种结构展开。

持仓、订单和账户要分开

模拟盘里至少有三类对象。

账户是 PaperPortfolio：现金、关联策略、配置。

持仓是 PaperPosition：某只股票持有多少股，平均成本是多少，已实现盈亏是多少。

订单是 PaperOrder：某次纸面买入或卖出的价格、数量、费用、状态和原因。

如果把这三者混成一张表，后面净值曲线、风险检查、复盘都会很痛苦。比如持仓只表示当前状态，订单才是历史流水；账户现金变化也应该能追到具体订单。

回测是一次实验记录

回测不是“跑一个函数得到收益率”。它应该是一条实验记录。

ZiQuant 用 BacktestRun 保存回测参数、区间、初始资金、最终权益和指标：

class BacktestRun(Base):
    __tablename__ = "zi_quant_backtest_runs"

    strategy_id = mapped_column(ForeignKey("zi_quant_strategies.id"), nullable=True)
    stock_pool_id = mapped_column(ForeignKey("zi_quant_stock_pools.id"), nullable=True)
    start_date = mapped_column(Date, index=True)
    end_date = mapped_column(Date, index=True)
    initial_cash = mapped_column(Float, default=100000.0)
    final_equity = mapped_column(Float, default=0)
    metrics = mapped_column(JSONB, default=dict)
    params = mapped_column(JSONB, default=dict)

交易明细则放在 BacktestTrade。这样做是为了以后回答：这次回测为什么赚钱，费用花了多少，哪些股票贡献了收益，哪些交易被涨跌停或成交量限制拒绝。

胜率不等于赚钱

很多人喜欢问策略胜率多少。胜率当然可以看，但它不是唯一指标。

一个策略可能 90% 的交易都赚小钱，剩下 10% 一次亏掉全部利润。另一个策略可能胜率只有 45%，但亏损很小、盈利交易更大，整体仍然赚钱。

所以我们后面会一起看总收益、最大回撤、Sharpe、交易次数、样本外表现和基准对比。单个指标都不够，组合起来才接近策略健康状况。

本篇实战任务

这一篇不要求新增复杂功能，但要确认当前项目里核心表已经存在。

运行测试：

cd /home/alex/work/yswx/zi-quant-platform
uv run pytest tests/test_services.py -k schema

如果从 GitHub 拉取这一章对应代码：

git clone https://github.com/ax2/zi-quant-platform.git
cd zi-quant-platform
git checkout chapter-03
uv sync --extra dev
uv run pytest tests/test_services.py -k schema

已有测试会检查关键表名：

def test_schema_contains_core_tables():
    names = table_names()
    assert "zi_quant_stocks" in names
    assert "zi_quant_stock_pools" in names
    assert "zi_quant_market_bars" in names
    assert "zi_quant_backtest_runs" in names
    assert "zi_quant_paper_portfolios" in names

如果你从零实现，也可以先补这类测试。它不验证业务正确性，但能保证工程骨架里已经有承载后续业务的对象。

本章更新与代码仓库

本章更新内容：

• 梳理股票、股票池、K 线、因子、策略、回测和模拟盘这些核心概念。
• 对应 ZiQuant 里的核心 ORM 表和测试入口。
• 明确回测应该是一条可追溯的实验记录，而不是一次函数调用。

代码仓库：

https://github.com/ax2/zi-quant-platform

本章代码：

git clone https://github.com/ax2/zi-quant-platform.git
cd zi-quant-platform
git checkout chapter-03
uv sync --extra dev
uv run pytest tests/test_services.py -k schema

本篇小结

这一篇做的是概念对齐。

股票主数据、股票池、K 线、因子、信号、持仓、订单、回测和指标，都应该有清晰边界。边界清楚，后面写数据同步、因子计算和策略回测才不会互相污染。

下一篇进入 A 股交易规则：100 股整数手、T+1、涨跌停、停牌、ST、手续费和印花税。这些规则会直接进入订单检查、回测成交和模拟盘风控。