很多程序员第一次接触量化交易时，会下意识地问一个问题：有没有一个策略，能稳定赚钱？

这个问题当然重要，但它来得太早了。

如果把量化平台想象成一辆车，策略只是方向盘和油门。没有干净的燃料，没有能承重的底盘，没有刹车，没有仪表盘，没有保养记录，方向盘再漂亮也没用。更麻烦的是，回测里看起来飞快的车，到了真实道路上可能第一脚油门就熄火。

所以零基础程序员要学量化，第一件事不是背一堆金融术语，而是建立一张地图：哪些知识决定数据是否可信，哪些知识决定回测是否在骗自己，哪些知识决定实盘是否活得下来，哪些知识才真正靠近“赚钱”。

这篇文章就按这张地图来讲。先把量化本身讲清楚，再谈平台怎么做。

什么是量化

量化交易不是“用 Python 炒股”，也不是“把几个技术指标自动化”。

更准确地说，量化是把交易判断写成可以被数据验证、可以被程序执行、可以被持续复盘的一套规则。它关心的不是某一次判断对不对，而是一组规则在大量样本、长期市场环境和真实交易约束下，是否仍然有正期望。

人工交易常见的表达是：

这家公司不错，位置也不高，可以买一点。

量化系统需要把这句话拆成更硬的东西：

股票池：沪深 300 成分股
买入条件：估值分位低于过去 5 年的 20%，且近 60 日动量为正
调仓周期：每月第一个交易日
持仓数量：20 只
权重规则：等权，单票不超过 5%
卖出规则：估值分位回到 60% 以上，或动量转负，或风控触发
交易约束：扣除手续费、印花税、滑点，不能买停牌和涨停股票

这就是量化和“感觉不错”的区别：它把判断变成了可计算的规则，也把规则放到市场里接受检验。

量化最重要的三个要素

如果只记三个词，我会选：数据、模型、执行。

数据决定你看到的世界是不是真的。模型决定你从世界里提取什么规律。执行决定规律能不能在真实市场里变成交易结果。

要素	它解决什么问题	常见失败方式
数据	当时市场发生了什么，哪些信息已经可见	数据缺失、未来函数、复权错误、幸存者偏差
模型	什么情况下买、卖、持有、调仓	过拟合、样本太少、解释不清、换市场失效
执行	如何把信号变成真实成交	成本过高、滑点过大、流动性不足、订单状态混乱

这三件事缺一不可。

只有数据，没有模型，平台只是一个数据库。只有模型，没有数据，策略像写作文。只有数据和模型，没有执行，回测再漂亮也只是纸面成绩。

量化的几个层级

量化不是一个单点技能，而是一层一层往上搭。

第一层：指标自动化

这一层最接近程序员入门。比如自动计算均线、涨跌幅、成交量放大、财务指标、估值分位。

它能节省人工看盘时间，但还不等于策略。因为指标只是观察角度，不是完整交易规则。

第二层：规则策略

这一层开始有明确的买卖规则。比如“20 日均线上穿 60 日均线买入，下穿卖出”，或者“每月买入市盈率最低的 20 只股票”。

规则策略的好处是可解释、可回测、容易发现错误。缺点是容易太简单，也容易被参数调参带偏。

第三层：因子模型

因子模型不只看一个规则，而是把多个解释收益的变量放在一起。比如价值、动量、质量、成长、波动率、规模、流动性。

它通常会经历因子计算、截面排序、因子合成、行业和风格中性化、组合构建这些步骤。做得好时，比单一规则更稳定；做不好时，只是把一堆噪声混在一起。

第四层：组合管理

这一层关心的不是“买哪一只”，而是“整个组合承担了什么风险，资金怎么分配”。

同样是 20 只股票，等权、按波动率倒数加权、按因子分数加权、按风险预算加权，结果可能完全不同。这里会涉及行业暴露、相关性、跟踪误差、换手约束和容量。

第五层：交易执行和风控

这一层离真实资金最近。它处理订单怎么拆、什么时候发、成交不完整怎么办、日内亏损过大怎么办、数据源断了怎么办。

很多回测里有优势的策略，实盘收益被执行吞掉，就是因为这一层没有做好。

先说清楚：什么叫“能赚钱”

在量化里，“能赚钱”不是回测曲线很漂亮，也不是某一年收益很高，更不是参数调到刚好适配历史行情。

一个更朴素、也更难糊弄自己的定义是：

在扣掉交易成本、滑点、税费和错误损耗后，策略仍然有正期望；在市场状态变化时，亏损可控；在真实执行环境里，系统不会因为数据、延迟、权限、代码错误和人工疏忽把优势吃掉。

这句话有点长，可以拆成五个问题：

问题	程序员容易忽略的坑
历史上赚了吗	回测用了未来数据，或者样本太少
扣成本后赚了吗	手续费、印花税、滑点、冲击成本没算全
未来可能还赚吗	参数过拟合，换一段行情就失效
亏的时候扛得住吗	最大回撤太深，仓位太激进
实盘能执行出来吗	信号有了，订单没成交，或者成交价完全不同

所以，一个赚钱平台不是“保证赚钱的机器”。它更像一个把想法变成证据、把证据变成纪律、把纪律变成可复盘交易的系统。

盈利来自策略优势，但平台决定你能不能发现优势、验证优势、保护优势。

量化平台的知识地图

如果你是程序员出身，可以先把量化平台拆成八层。每一层都不神秘，但每一层都有足够多的细节让人踩坑。

市场规则 -> 数据 -> 研究 -> 回测 -> 风控 -> 模拟盘 -> 实盘执行 -> 监控复盘

这不是技术架构图，而是认知顺序。先知道市场怎么运行，再知道数据怎么来的，然后才能谈因子、策略、回测和执行。

第一层：市场和交易规则

市场不是一个抽象的价格序列。真实市场有交易时间、竞价阶段、涨跌停、最小交易单位、停牌、除权除息、不同品种的保证金规则、不同订单类型和不同清算方式。

如果做 A 股，至少要知道 T+1、涨跌停、整手交易、集合竞价、停复牌、除权除息、分红送转、北向资金、指数成分调整。做港股、美股、期货、期权、数字资产，又会有完全不同的规则。

程序员很容易把市场想成一个 API：

输入：买入数量
输出：成交成功

真实情况更接近：

输入：买入意图
经过：交易时段、价格限制、流动性、队列、撮合、费用、风控、券商接口
输出：部分成交、未成交、撤单失败、成交价偏移、状态延迟

如果不懂规则，策略可能在回测里每天买在最低点，实盘里却根本买不到。

第二层：数据

量化平台的地基是数据。地基歪了，楼盖得越高越危险。

常见数据可以分成几类：

数据类型	用来做什么	关键问题
行情数据	K 线、成交量、盘口、逐笔	时间戳、复权、缺失、异常值
基本面数据	财报、估值、行业、股本	公告时间、口径变化、滞后性
公司行为	分红、送转、拆合股	复权计算、持仓数量调整
交易日历	开市、休市、特殊交易日	跨市场时区和节假日
新闻和事件	舆情、公告、宏观事件	发布时间、可机器理解程度
账户数据	持仓、成交、资金、订单	与券商对账、延迟和幂等

最要命的不是“没有数据”，而是“数据看起来有，实际上不能用于交易判断”。

比如财报数据，如果你用的是报表所属季度，而不是市场真正能看到公告的时间，就会把未来信息塞进过去。比如股票池，如果你今天只保留还活着的股票，再回头测十年前，就会自动排除已经退市的公司，结果自然好看。

量化里的数据准确，不只是字段值准确，还包括：

• 时间准确：当时是否已经可见。
• 口径准确：复权、币种、单位、会计口径是否一致。
• 范围准确：是否包含退市、停牌、历史成分变化。
• 版本准确：数据后来被修订时，回测用的是哪个版本。
• 对账准确：研究数据、回测数据、实盘数据能否互相解释。

这也是为什么一个认真做量化的平台，一定要有数据审计和数据版本，而不是只在代码里写几个 read_csv。

架构上，平台应该像一组可替换的积木

一个灵活的量化平台，不应该把数据读取、策略逻辑、回测撮合、风控判断、下单接口写在一个大脚本里。

更合理的结构是：

data/
  market_data      行情、财报、交易日历、公司行为
research/
  factors          因子计算、信号生成、特征工程
backtest/
  engine           撮合、成本、滑点、组合净值
risk/
  rules            仓位、敞口、回撤、黑名单、熔断
paper/
  simulator        模拟盘账户和订单生命周期
execution/
  broker_adapters  券商、交易网关、订单幂等
monitoring/
  alerts           数据缺口、策略异常、成交异常
review/
  reports          日报、周报、交易归因、策略复盘

这里的关键不是目录名，而是边界。

数据层只负责把“当时可见的数据”变成标准格式。策略层只负责表达交易意图。回测层负责在历史环境里模拟这个意图。风控层负责判断这个意图是否允许进入交易系统。执行层负责把允许的意图变成真实订单。监控层负责在所有环节出问题时把人叫醒。

一旦边界清楚，平台就会变得可替换：

• 数据源可以从 CSV 换成数据库，再换成外部 API。
• 回测引擎可以从向量化版本换成事件驱动版本。
• 策略可以从均线策略换成多因子组合。
• 券商接口可以从模拟盘换成真实交易网关。
• 风控规则可以独立升级，不必改策略代码。

这就是“架构灵活”的真正含义：不是一开始设计得很复杂，而是每一层都能独立变好。

研究：不要从神奇指标开始

零基础做策略，最常见的误区是从网上复制一个指标，然后不断调参数，直到回测曲线好看。

这很像在考试后改答案。你当然能得到满分，但这不代表你学会了。

更好的研究顺序是：

1. 先提出一个可解释的假设。
2. 再定义它需要的数据。
3. 然后写出最小可测的信号。
4. 最后检查收益来自哪里。

比如“低估值股票未来会更好”是一个假设；“市盈率、市净率、行业中位数、财报发布时间”是数据；“每月买入估值分位最低的一组股票”是信号；“收益来自估值修复，还是来自行业暴露和小市值偏好”是归因。

策略研究里有几个概念必须熟：

概念	含义
股票池	策略允许交易哪些标的
因子	用来解释或预测收益的变量
信号	因子经过规则后产生的买卖倾向
调仓	多久重新计算信号和调整持仓
权重	每个标的买多少
换手率	持仓变化有多频繁
暴露	组合对行业、市值、风格、市场整体的敏感程度
归因	收益到底来自哪种风险或哪种判断

一个策略如果解释不清楚为什么赚钱，通常也解释不清楚为什么亏钱。

因子：量化里最常用的“观察镜头”

因子可以先理解成一把尺子。它不直接告诉你一定买哪只股票，但会给股票打分，帮助你在同一批标的里排序。

比如“估值低不低”是一把尺子，“过去一段时间涨得好不好”也是一把尺子，“盈利质量稳不稳”还是一把尺子。量化研究会把这些尺子变成可计算的字段，然后观察它们和未来收益之间是否存在稳定关系。

常见因子大致可以分成这些类型：

因子类别	常见指标	直觉解释	容易踩的坑
价值	PE、PB、股息率、EV/EBITDA	便宜的资产可能有修复空间	便宜可能是价值陷阱
动量	20 日、60 日、120 日收益率	强者可能继续强	反转行情里容易回撤
反转	短期跌幅、超买超卖	短期过度反应可能修复	可能接住下跌趋势
质量	ROE、毛利率、现金流质量	好公司的盈利更稳定	财务数据有滞后
成长	收入增速、利润增速、预期增速	高成长可能享受溢价	增速回落时杀估值
低波	波动率、最大回撤、Beta	稳定资产可能风险调整后更好	牛市里可能跑输
规模	市值、流通市值	小市值可能有风险溢价	容量小，流动性差
流动性	成交额、换手率、买卖价差	好成交的标的执行成本更低	高换手也可能代表拥挤
情绪	涨停数量、资金流、舆情热度	市场情绪会影响短期价格	噪声大，衰减快

一个最简单的因子策略可以这样想：

股票池：中证 800
因子：低估值 + 近 3 个月动量 + 高 ROE
处理：每个因子做行业内排序，再合成总分
买入：每月买入总分最高的 30 只
权重：等权
卖出：跌出前 80 名，或触发风控

这还不是完整策略，因为它没有处理停牌、涨跌停、成本、行业暴露和仓位限制。但它已经比“看起来不错就买”清楚得多。

做因子时还有几个基本动作：

• 去极值：把离谱的异常值压住，避免一个错误数据把排序带偏。
• 标准化：让不同量纲的因子能放在一起比较。
• 中性化：剔除行业、市值等不想承担的暴露。
• 分组回测：把股票按因子分成几组，看高分组是否长期优于低分组。
• IC 检验：看因子值和未来收益的相关性是否稳定。
• 衰减分析：看因子信号能维持几天、几周还是几个月。

如果这些词一开始觉得陌生也没关系。你可以先记住一句话：因子不是玄学指标，它必须经得起分组、样本外和交易成本的检查。

常见策略类型和示例

量化策略有很多名字，但新手可以先按“收益来自哪里”来分。

趋势跟随

趋势跟随相信价格趋势会延续。最典型的是均线策略。

例子：
当 20 日均线高于 60 日均线时持有指数 ETF；
当 20 日均线跌破 60 日均线时空仓。

它的优点是简单、容易实现、适合解释。缺点是震荡市场会反复打脸，买卖信号来回切换，成本和滑点会不断消耗收益。

动量策略

动量策略相信近期表现强的资产，未来一段时间可能继续强。

例子：
每月选择过去 60 个交易日涨幅最高、但最近 5 日没有过热的 20 只股票；
等权持有一个月，下个月重新排序。

动量策略的核心不是“追涨”，而是识别趋势形成后的持续性。它最怕的是风格突然反转。

均值回归

均值回归相信价格短期偏离太多后，会向合理水平回归。

例子：
某只 ETF 的价格相对 20 日均线低于两个标准差时买入；
回到均线附近卖出。

它在震荡市场里可能表现不错，但在单边下跌里很危险。均值回归最大的风险是把“便宜”误判成“正在变坏”。

价值策略

价值策略相信长期看，便宜且基本面不差的资产会被重新定价。

例子：
在每个行业内选择 PB 分位较低、ROE 不低、现金流为正的股票；
每季度调仓一次，控制单行业权重。

价值策略更依赖财务数据和耐心。它的难点是避开价值陷阱：有些公司便宜，不是市场看错了，而是它真的变差了。

多因子选股

多因子策略把多个视角组合起来，希望单个因子的缺点能被其他因子平衡。

例子：
总分 = 价值分数 * 30% + 动量分数 * 30% + 质量分数 * 25% + 低波分数 * 15%
每月买入总分最高的股票，同时限制行业偏离和单票仓位。

多因子的难点不是把公式写出来，而是避免重复暴露和过拟合。比如低 PE 和低 PB 很可能都在表达“价值”，不能假装它们是两个完全独立的信号。

套利和相对价值

这类策略不只关心一个资产涨不涨，而是关心两个或多个资产之间的关系。

例子：
当两只高度相关的 ETF 价差偏离历史均值过多时，买入低估的一只，卖出高估的一只；
价差回归后平仓。

它听起来稳，但对交易成本、做空机制、资金占用和执行速度要求更高。新手可以先理解思路，不建议一上来就实盘尝试。

事件驱动

事件驱动关注财报、分红、回购、指数调仓、政策、公告等事件。

例子：
跟踪指数成分股调整公告，研究调入调出标的在公告后和生效日前后的价格行为。

事件策略的核心是时间。你必须知道事件什么时候被市场知道，而不是只知道事件属于哪个财报期。

这些策略都不是万能钥匙。它们只是不同的假设模板。真正的研究，是把模板变成清楚的规则，再拿干净数据和真实约束去验证。

回测：它不是证明你会赚钱，而是帮你排除明显错误

回测的价值经常被高估，也经常被低估。

高估，是因为很多人把回测曲线当成未来收益承诺。低估，是因为一个严格的回测确实能帮你发现大量明显不该进实盘的问题。

一个像样的回测至少要回答这些问题：

• 当天产生的信号，最早什么时候能交易？
• 订单按什么价格成交，开盘价、收盘价、下一根 K 线，还是盘口撮合？
• 涨跌停、停牌、成交量不足时怎么办？
• 手续费、税费、滑点、冲击成本怎么算？
• 分红、拆股、复权、现金变化怎么处理？
• 多个信号同时出现时，资金如何分配？
• 卖不出去时，买入逻辑是否还会继续占用现金？
• 回测结果是否能复现？

回测指标也不能只看收益率。

指标	看什么
年化收益	长期赚钱能力
最大回撤	最痛的时候会亏多少
夏普比率	每承受一单位波动换来多少收益
胜率	赚钱交易占比
盈亏比	单次盈利和单次亏损的比例
换手率	策略对交易成本的敏感度
容量	资金变大后还能不能成交
稳定性	换时间段、换参数、换市场后是否仍合理

如果一个策略年化很高，但最大回撤也很深，换手极高，容量很小，参数稍微动一下就崩，那它更像一件漂亮的样品，而不是能上路的工具。

风控：先活下来，再谈复利

程序员写策略时容易兴奋，写风控时容易敷衍。但长期看，风控不是收益的敌人，而是收益能留住的前提。

风控至少分三层。

第一层是订单级风控：单笔订单价格是否异常，数量是否超限，是否买入黑名单，是否在禁止交易时间下单。

第二层是组合级风控：单票仓位、行业暴露、杠杆、现金比例、相关性、集中度、最大亏损。

第三层是系统级风控：数据源异常、策略输出异常、券商接口异常、连续亏损、日内回撤、人工熔断。

真正的风控规则应该写进系统，而不是写在脑子里。因为亏钱的时候，人脑最不可靠。

执行：从信号到成交，中间隔着现实

策略说“买入”，实盘系统要处理的却是订单生命周期：

生成信号 -> 风控审批 -> 创建订单 -> 发送券商 -> 等待回报
-> 部分成交 -> 撤单或追单 -> 更新持仓 -> 对账 -> 记录审计

这里有很多工程问题：

• 同一个订单重试时不能重复下单。
• 网络断开后要能恢复状态。
• 券商返回慢时不能把订单当成失败。
• 成交和持仓要能与本地账本对上。
• 所有自动操作都要能查到原因。
• 真金白银实盘前，要先跑足够长的模拟盘。

这也是为什么量化平台不能只靠一个 Notebook。Notebook 很适合研究，但不适合承担真实资金的执行责任。

性能：快很重要，但别快错了

量化平台会遇到性能问题，尤其是数据越来越多、策略越来越多、回测越来越频繁之后。

不过性能优化要有顺序。

先保证数据和结果正确，再保证可复现，然后才谈加速。一个有未来函数的极速回测，只是在更快地生产错觉。

常见优化手段包括：

• 用列式存储保存大规模行情和因子数据。
• 按交易日、标的、数据类型做合理分区。
• 对常用查询建立索引，避免全表扫描。
• 因子和特征做增量计算，不要每天重算全部历史。
• 对纯数值计算使用向量化，但撮合和订单状态机要谨慎。
• 多策略、多参数回测可以并行，但共享数据层要控制缓存和内存。
• 先用 profiling 找瓶颈，再决定是否引入更复杂的计算框架。

性能好的平台不是处处炫技，而是慢的地方知道为什么慢，快的地方没有牺牲正确性。

质量：能复现，才有资格谈改进

量化系统的质量要求比普通业务系统更难一点，因为错误不一定立刻报错，它可能只是悄悄让你亏钱。

一个质量合格的平台，至少应该做到：

• 每次回测有完整配置快照。
• 每份数据有来源、时间、版本和校验。
• 每次策略运行有输入、输出和日志。
• 每次订单有唯一 ID 和状态流转。
• 每天能自动检查数据缺口和异常值。
• 关键函数有单元测试。
• 关键策略有固定样本的黄金测试。
• 实盘持仓能与券商账户定期对账。
• 异常发生后能根据日志还原当时发生了什么。

质量不是上线前最后补一补测试，而是平台从第一天就应该保留证据。

真正赚钱的闭环

现在可以回到最开始的问题：平台怎么更接近赚钱？

不是靠一次灵感，而是靠一个闭环。

提出假设
  -> 获取可信数据
  -> 生成可解释信号
  -> 严格回测
  -> 加入成本和风控
  -> 模拟盘验证
  -> 小资金实盘
  -> 监控和复盘
  -> 修改假设

这个闭环里，每一步都会淘汰一批看起来不错的想法。

很多策略死在数据层：一查发现用了未来数据。很多策略死在成本层：扣完交易成本就没了。很多策略死在风控层：收益不错，但回撤大到普通人拿不住。很多策略死在执行层：回测成交价太理想，实盘根本打不出来。也有很多策略死在复盘层：赚了不知道为什么赚，亏了也不知道为什么亏。

平台的作用，就是让这些死亡尽早发生，而且发生在小成本阶段。

零基础的落地路线

如果从零开始，我不建议一上来就写一个全自动实盘系统。更实际的路线是五步。

第一步：做一个不会交易的研究系统

先只做数据和研究。

目标不是赚钱，而是能稳定下载、清洗、保存和查询数据。你需要有交易日历、行情、复权、基础指标、股票池和最简单的数据质量检查。

这一阶段的成果应该是：你能回答“某一天某只股票，当时系统知道什么”。

第二步：做一个诚实的回测系统

先从简单策略开始，比如均线、动量、低估值、定期调仓。重点不是策略多高级，而是回测要诚实。

你要把手续费、滑点、停牌、涨跌停、调仓频率、现金、仓位都算进去。回测报告里不要只有收益曲线，还要有回撤、换手、交易明细、持仓变化和参数快照。

这一阶段的成果应该是：同一段历史、同一份配置，任何时候重跑都能得到同样结果。

第三步：做模拟盘

模拟盘不是玩具，它是实盘前最重要的压力测试。

模拟盘要按真实时间运行。当天该什么时候算信号，就什么时候算；该什么时候发订单，就什么时候发；成交要用接近真实的规则模拟；收盘后要生成日报。

这一阶段你会发现大量研究阶段看不到的问题：数据延迟、任务失败、交易日判断错误、信号生成太慢、持仓计算不一致、日志不够查。

第四步：加风控和监控

风控规则不要等策略稳定后再加。越早加，越能逼你把交易动作写清楚。

监控也一样。一个策略每天是否运行、数据是否完整、信号是否异常、模拟成交是否离谱、回撤是否超过阈值，都应该自动检查。

这一阶段的成果应该是：系统出问题时，不需要靠人盯屏幕才知道。

第五步：小资金、低频率、可暂停

如果一定要进入实盘，先小资金、低频率、可人工确认、可一键暂停。

不要刚上线就追求全自动高频交易。真正危险的不是系统不会赚钱，而是系统在你没看懂的时候开始放大亏损。

小资金实盘的目的不是立刻赚大钱，而是验证真实世界和系统假设之间的差距。

程序员最该补的金融常识

最后列一张学习清单。它不追求“金融科班完整课程”，只保留做平台最常用的部分。

主题	要知道什么
收益和风险	简单收益、对数收益、波动率、回撤、夏普、偏度、尾部风险
交易成本	手续费、税费、滑点、冲击成本、借贷成本
投资组合	分散、相关性、权重、再平衡、暴露
因子	价值、动量、质量、成长、低波、规模，以及因子失效
市场微观结构	盘口、撮合、成交量、流动性、价差
统计	均值、方差、相关、显著性、样本外验证、过拟合
机器学习	特征、标签、训练集、验证集、泄漏、漂移
会计和财报	利润表、资产负债表、现金流量表、公告时间
工程质量	测试、日志、审计、幂等、监控、回滚

这张表不用一次学完。更好的方式是边做边补：做数据时学复权和财报口径，做回测时学成本和滑点，做风控时学回撤和暴露，做实盘时学订单和对账。

一个判断标准

当你不知道平台下一步该做什么时，可以问自己一个问题：

这个改动是在让我更接近真实世界，还是只是在让回测更好看？

如果答案是后者，先停一下。

量化平台最难的地方，不是把代码写复杂，而是持续抵抗自欺。数据要诚实，回测要诚实，风控要诚实，复盘也要诚实。只有这些东西都站住了，一个策略的微弱优势才可能被保存下来，并在足够长的时间里变成收益。

对零基础程序员来说，这其实是个好消息。你不需要一开始就懂所有金融理论，也不需要一上来就写出神奇策略。你需要先搭出一台会说真话的机器。

赚钱不是这台机器的保证书，但它是赚钱这件事能被认真讨论的前提。

本文只讨论量化平台的工程和研究方法，不构成任何投资建议。真实交易存在亏损风险，任何策略都需要结合资金规模、风险承受能力和交易环境独立验证。