量化交易基础：核心概念、策略回测框架与夏普比率
各位同学，欢迎来到第二章。今天咱们聊聊量化交易的基础。说实话，很多人一上来就追求复杂的模型，结果连最基础的东西都没搞明白。我个人习惯是，先把地基打牢，再往上盖楼。
量化交易的核心概念
量化交易，说白了就是用数学模型和计算机程序来做交易决策。它不是玄学，而是把交易逻辑变成可执行的代码。
几个核心概念，我一个个说：
- 策略：你的交易逻辑。比如“当5日均线上穿20日均线时买入”。
- 信号：策略触发的具体指令。买入、卖出、持仓不动。
- 头寸：你持有的资产数量。100股茅台，还是10手螺纹钢。
- 滑点：理论成交价和实际成交价的差异。嗯，这里要注意，滑点往往是策略实盘跑偏的元凶。
- 手续费：交易成本。别小看它，高频策略里手续费能吃掉大部分利润。
我在项目中遇到过一件事：有个同事写了个看起来很美的策略，回测年化收益30%。结果一上实盘，直接亏成狗。为什么？因为他没考虑滑点和手续费。你想想看，回测里每次都能以理想价格成交，现实中哪有这种好事？
重要提醒：量化交易的核心不是预测未来，而是管理风险和收益的平衡。预测对了不一定赚钱，预测错了也不一定亏钱，关键看你怎么管理头寸和风险。
策略回测框架
回测，就是拿历史数据模拟你的策略表现。我建议每个量化交易者都要有自己的回测框架。为什么？因为市面上的框架虽然多，但真正理解底层逻辑的没几个。
一个完整的回测框架，至少包含这几个模块：
- 数据模块：获取和处理历史行情数据。包括价格、成交量、财务数据等。
- 策略模块：实现你的交易逻辑。这里要写清楚买入和卖出的条件。
- 执行模块：模拟交易过程。考虑滑点、手续费、资金限制等。
- 绩效模块：计算策略的各项指标。收益率、最大回撤、夏普比率等。
我曾经踩过一个坑：用了一个第三方回测框架，结果发现它的滑点模型是固定的，根本不适用于我的高频策略。后来我干脆自己写了一个。虽然费时间，但至少心里有底。
下面是一个简单的回测框架代码示例，用Python写的：
import pandas as pd
import numpy as np
class SimpleBacktester:
def __init__(self, data, initial_capital=100000):
self.data = data
self.capital = initial_capital
self.position = 0
self.trades = []
def run_strategy(self, strategy_func):
for i in range(1, len(self.data)):
signal = strategy_func(self.data.iloc[:i])
if signal == 1 and self.position == 0:
# 买入
self.position = self.capital / self.data.iloc[i]['close']
self.capital = 0
self.trades.append(('buy', self.data.index[i], self.data.iloc[i]['close']))
elif signal == -1 and self.position > 0:
# 卖出
self.capital = self.position * self.data.iloc[i]['close']
self.position = 0
self.trades.append(('sell', self.data.index[i], self.data.iloc[i]['close']))
def get_performance(self):
# 计算最终资产
final_asset = self.capital + self.position * self.data.iloc[-1]['close']
return final_asset这个框架虽然简单，但核心逻辑都在了。你可以在它的基础上加滑点、手续费、多品种等。
夏普比率：定义与计算
夏普比率，是衡量策略风险调整后收益的指标。说白了，就是看你每承担一单位风险，能换来多少超额收益。
公式长这样：
夏普比率 = (策略收益率 - 无风险利率) / 策略收益率的标准差举个例子：
- 策略年化收益率：20%
- 无风险利率：3%（比如国债收益率）
- 策略年化波动率：15%
- 夏普比率 = (20% - 3%) / 15% = 1.13
夏普比率大于1，说明策略还不错。大于2，那就是优秀了。我曾经见过一个高频策略，夏普比率做到了3.5，但那是极少数。
小技巧：计算夏普比率时，注意频率要一致。如果你用日收益率算，年化时要乘以根号252（一年约252个交易日）。别搞混了。
下面是一个计算夏普比率的Python函数：
def calculate_sharpe_ratio(returns, risk_free_rate=0.03, periods_per_year=252):
"""
计算夏普比率
:param returns: 收益率序列（pandas Series）
:param risk_free_rate: 年化无风险利率
:param periods_per_year: 每年周期数（日数据用252，周数据用52）
:return: 年化夏普比率
"""
excess_returns = returns - risk_free_rate / periods_per_year
sharpe = np.sqrt(periods_per_year) * excess_returns.mean() / returns.std()
return sharpe为什么夏普比率这么重要？因为它能帮你区分“运气”和“实力”。
举个例子：策略A年化收益50%，但最大回撤40%；策略B年化收益20%，但最大回撤只有5%。你选哪个？
我建议你算算夏普比率。策略A的波动率可能很高，夏普比率反而不如策略B。在实盘中，高波动率的策略很容易让人心态崩掉，拿不住单子。
注意：夏普比率也有局限性。它假设收益率是正态分布的，但实际金融市场中，极端行情（黑天鹅）发生的概率远高于正态分布。所以，别只看夏普比率，还要结合最大回撤、卡玛比率等指标一起看。
本章知识体系
下面我用一张SVG图来展示本章的核心逻辑，方便你理解各个概念之间的关系：
这张图把本章的三个核心模块串起来了。你想想看，没有核心概念，你连策略都写不出来；没有回测框架，你没法验证策略；没有夏普比率，你分不清策略好坏。三者缺一不可。
好了，这一章的内容就到这里。记住，量化交易不是魔法，而是科学。把基础打牢，后面的路才能走稳。
公众号:蓝海资料掘金营，微信deep3321