正如jeeavn老师前面一直所讲的，量化交易是指投资者利用计算机技术、金融工程建模等手段，将金融操作的策略加以定义和描述，并且严格按照所设定的规则去执行交易策略（买卖、价格、数量等）的自动交易方式，以协助投资决策。

如今国内市面上也有很多的量化平台基本采用“初始化函数→从平台数据库取出数据→每 个周期执行调仓函数→回测完成→计算统计量→绘制曲线”的逻辑过程。

目前市面上比较流行的量化平台有优矿、聚宽和米筐等，目前各大平台均已支持 Python3 和 Java。量化交易品种而言呢，大部分平台都是支持CTP期货自动交易的，但是绝大部分如果要做股票自动交易依然还是比较困难，都由资金要求。这个是国内的特色，不再多说咯。

行情模拟交易需求分析及框架设计

我们模拟一个以多头趋势回踩策略为主决策依据，实现一个全自动化量化交易系统，并进行关键参数优化；其思路是根据若干条均线呈现出的形态，判断一支股票是否处于多头强势状态，并抓住回调的时机低位买入；再进一步分析市场状态、均线周期、买入均线和止损触发条件等关键参数对量化策略的贡献效果。

我们设计的策略系统如下，包括以下8大部分：

• 策略模型、
• 牛熊判断、
• 参数设置、
• 买入判断、
• 卖出判断、
• 计算统计、
• 绘制曲线
• 平台数据库

策略系统设计框架

以上是一个完整的量化交易系统应该包括的框架部分。下面我们来看下量化交易设计流程是什么样的。我们看下图：

交易系统关键部分流程图

以上是系统交易主要逻辑流程，包括参数设置，股票池选定股票，执行多空判断，执行买卖动作等。

核心交易策略逻辑及代码设计

按照上面的交易逻辑设计，我们交易流程的策略逻辑设计如下：

（1） 选定股票池，并选定一系列参数；

（2） 一组均线天数[N1,N2,N3,…,Nk]：总数量 k 限制，按照从小到大排列。当相应天数的移动均线是从大到小排列时，为多头排列格局；

（3） 趋势天数 T：当上面指定的移动均线在 T 天内都处于多头排列时，判断价格处于多头趋势；

（4） 回撤均线 M：当前一天的最收盘价低于 M 日均线时时判断为回撤；

（5） 持 有股票上限 num_stocks：同 时最多持仓

num_stocks 支股票。

（6） 止损比例 D 和止盈比例 U：当股票价格高出买入价的 U 倍，或低于买入价的 D 倍时，卖出股票。

部分程序核心代码如下：

for security in in_trend_stocks: # 获取历史收盘价

past_prices = attribute_history(security,g.test_ma_length, '

1d', 'close', skip_paused = True) # 计算均线

test_ma = sum(past_prices).iloc[0] / g.test_ma_length

# 获取站住均线数据

past_prices_2 = attribute_history(security, g.stand_ma_ length, '1d', 'close', skip_paused= True)

# 计算均线

stand_ma = sum(past_prices_2).iloc[0] / g.stand_ma_length # 计算 bias 基准线

past_prices_3= attribute_history(security,g.bias_ma_length,

'1d', 'close', skip_paused = True)

bias_ma = sum(past_prices_3).iloc[0] / g.bias_ma_length # 获取昨日信息

previous_history = attribute_history(security, 1, '1d',

['close','low'])

# 昨日收盘价

current_price = previous_history['close'].iloc[0] # 昨日最低价

previous_low = previous_history['low'].iloc[0]

以上代码块，我们是基于聚宽平台上编辑，仅供参考。

程序运行结果及优化

经过不同单项的海量测试，以及分析前 10 大持仓、前 5 大回撤区间、行业配比、Sharpe、持仓比例分析和风险控制等，发现买入均线、止损条件和均线周期影响作用较大；最佳参数设定：回撤线 20 日线；止损点设定 0.5%；止盈点按回撤盈利的 5%；另外，因牛熊市不同市场状态差异较大，在熊市以采用 BIAS 乖离率策略辅助为佳。最终盈利曲线结果图下图所示：

我们模拟的数据是从2005年到2018年，经过 2005 年~2018 年多轮牛熊转换交替的回撤模拟，总体收益率达到 1652%，平均年化收益率 25%，最大回撤仅为 29%，相较指数有稳定盈利。

以上就是我们经过对市场状态、均线周期、止损条件和选股买入均线等关键参数的优化，并进一步通过在牛熊市采用差异化交易策略，较单独采用多头策略模式，获得了更佳的市场收益。

但是，这是不是意味着我们用这个简单的均线就可以实现稳定盈利？

答案显然是不是的，以上的盈利曲线，看似很美好，但是实际上是经过拟合优化的，相当于是知道未来的行情后，再对曲线进行了一侧参数优化，具有未来函数的效应。因此，这个方法策略，实际上并不是适用于我们的实盘中。

结语

我们通过这个简单的策略设计后，可以对量化交易入门，对策略的设计及止损等有一个整体的理解。希望对大家能有所帮助。