当前位置：首页 > news >正文

Python量化交易实战：从零构建双均线策略与回测系统

news 2026/7/9 21:56:50

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

你是不是也曾经想过，用代码来“预测”市场，让程序帮你自动交易，实现所谓的“躺赚”？或者，你是一名数据分析师，想将技能拓展到更具挑战性和价值的金融领域？又或者，你只是被“量化交易”这个听起来高大上的词所吸引，但面对海量的教程和复杂的数学公式，不知从何下手？

我见过太多人，兴致勃勃地打开一个量化教程，从安装Python开始，然后学习pandas、numpy，接着研究各种技术指标……几个月过去了，可能连一个完整的、能回测的策略都没写出来。问题出在哪里？学习的路径错了。量化交易不是先学完所有工具再动手的学科，它是一个“问题驱动”的实践过程。你需要先知道目标是什么（比如构建一个双均线策略），然后为了解决这个目标，去学习必要的工具（比如如何获取数据、计算移动平均线）。

今天这篇文章，就是要打破这种低效的学习循环。我不会给你一个冗长的、面面俱到的“百科全书”，而是带你走一条最短的实战路径。我们将聚焦于一个核心目标：从零开始，用Python搭建一个完整的、可回测的量化交易策略，并理解其背后的每一个环节。学完本文，你将不仅知道“怎么做”，更会明白“为什么这么做”，以及在实际工作中会遇到哪些“坑”。无论你是零基础的编程新手，还是有一定Python基础想转向量化的开发者，这篇文章都将为你提供一个清晰、可落地的行动框架。

1. 量化交易：它到底是什么，又能解决什么问题？

在深入代码之前，我们必须先统一认知：量化交易不是“印钞机”，而是一门严谨的“金融工程”。

通俗理解：你可以把它想象成一位不知疲倦、绝对理性的交易员。这位交易员不看新闻，不听消息，不凭感觉。它的所有买卖决策，都基于一套预先编写好的、明确的数学或逻辑规则（我们称之为“策略”）。这些规则通过对历史数据（价格、成交量等）进行统计分析得出，并在新的市场数据到来时自动执行。

它解决了什么问题？

克服人性弱点：贪婪、恐惧、侥幸心理是交易者最大的敌人。量化交易用冰冷的代码替代情绪化的决策。
处理海量信息：人脑无法同时处理成千上万的股票和瞬息万变的多维度数据（如价、量、财务指标、新闻情绪等），而计算机可以。
实现精细化风险管理：策略中可以精确设定止损、止盈、仓位控制等规则，确保风险在可控范围内。
可回溯与可优化：策略的好坏不再靠“感觉”，而是可以通过历史数据回测来客观评估（“回测”），并基于回测结果进行迭代优化。

重要认知：一个量化策略的核心价值不在于它有多复杂，而在于其逻辑是否清晰、稳定，以及是否经过了严格的风险检验。新手最容易犯的错误就是追求“圣杯策略”，而忽视了数据质量、过拟合风险和交易成本这些更基础、更致命的问题。

2. 环境准备：打造你的量化开发工作台

工欲善其事，必先利其器。一个稳定、高效的开发环境是量化研究的基础。这里我们选择最主流的组合：Python + Anaconda + Jupyter Notebook/VSCode。

为什么是Anaconda？因为它集成了Python解释器、包管理工具（conda/pip）和大量科学计算库（如numpy, pandas），能极大避免“依赖地狱”问题。对于量化分析，我们主要需要以下库，你可以通过以下命令一次性安装：

# 使用 conda 安装（推荐，能更好地处理依赖） conda create -n quant_env python=3.9 conda activate quant_env conda install pandas numpy matplotlib scipy scikit-learn jupyter # 使用 pip 安装量化相关核心库 pip install backtrader # 强大的回测框架 pip install akshare # 免费、强大的国内金融数据接口 pip install ta # 技术指标库 pip install seaborn # 更美观的绘图库

IDE选择：

Jupyter Notebook：非常适合做探索性数据分析（EDA）和策略原型开发，能即时看到代码块的结果和图表。
VSCode：适合更大型、更工程化的策略项目，有强大的代码提示、调试和版本管理功能。

一个关键建议：在你的项目根目录下，创建一个requirements.txt文件，记录所有依赖库及其版本。这是团队协作和项目复现的基石。

# requirements.txt pandas==1.5.3 numpy==1.24.3 backtrader==1.9.78.123 akshare==1.11.76 ta==0.10.2 matplotlib==3.7.1

3. 核心流程拆解：一个量化策略的生命周期

理解整个工作流，比急于写代码更重要。一个完整的量化策略从构思到实盘，通常遵循以下闭环：

graph TD A[策略构思] --> B[数据获取与清洗]; B --> C[策略逻辑编码]; C --> D[历史回测]; D --> E{回测结果达标?}; E -- 否 --> C; E -- 是 --> F[模拟交易/实盘]; F --> G[绩效分析与监控]; G --> A;

策略构思：你想赚什么样的钱？是趋势跟踪、均值回归、套利还是事件驱动？明确你的交易逻辑。
数据获取与清洗：获取高质量、干净的历史数据（如股票日K线）。这是所有分析的基础，“垃圾进，垃圾出”。
策略逻辑编码：用Python将你的交易逻辑转化为具体的买卖信号生成规则。
历史回测：在清洗好的历史数据上运行你的策略，模拟历史交易，计算收益、回撤等关键指标。
绩效评估与优化：分析回测报告。策略是盈利的吗？最大回撤能接受吗？是否存在过拟合？根据结果调整策略参数或逻辑。
模拟交易与实盘：在回测通过后，先在模拟环境（Paper Trading）中运行，最后再考虑接入实盘交易接口。

接下来，我们将聚焦最核心的2、3、4步，用一个完整的例子贯穿始终。

4. 实战第一步：获取与处理金融数据

没有数据，一切无从谈起。我们使用akshare这个优秀的库来获取A股数据。它免费、数据源相对稳定。

示例：获取贵州茅台（600519）的日线历史数据

# 文件：data_fetcher.py import akshare as ak import pandas as pd import matplotlib.pyplot as plt # 设置中文显示和图表样式 plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 def fetch_stock_data(symbol="sh600519", start_date="20200101", end_date="20231231"): """ 获取股票日线数据 :param symbol: 股票代码，沪市 sh+代码，深市 sz+代码 :param start_date: 开始日期，格式 YYYYMMDD :param end_date: 结束日期，格式 YYYYMMDD :return: 包含OHLCV等数据的DataFrame """ try: # 使用 ak.stock_zh_a_hist 获取复权数据 df = ak.stock_zh_a_hist(symbol=symbol, period="daily", start_date=start_date, end_date=end_date, adjust="qfq") # qfq: 前复权 # 查看数据前几行和基本信息 print(f"获取到 {symbol} 从 {start_date} 到 {end_date} 的数据，共 {len(df)} 条记录。") print(df.head()) print(df.info()) return df except Exception as e: print(f"获取数据失败: {e}") return None if __name__ == "__main__": # 获取贵州茅台数据 stock_data = fetch_stock_data("sh600519", "20230101", "20231231") if stock_data is not None: # 简单可视化收盘价走势 stock_data['收盘'] = stock_data['收盘'].astype(float) # 确保为浮点数 stock_data['日期'] = pd.to_datetime(stock_data['日期']) stock_data.set_index('日期', inplace=True) plt.figure(figsize=(14, 7)) plt.plot(stock_data.index, stock_data['收盘'], label='收盘价', linewidth=2) plt.title('贵州茅台 (600519) 2023年收盘价走势') plt.xlabel('日期') plt.ylabel('价格 (元)') plt.legend() plt.grid(True, linestyle='--', alpha=0.7) plt.show()

数据清洗关键步骤：获取的原始数据往往需要清洗才能用于分析：

处理缺失值：检查是否有停牌等原因导致的缺失交易日。
格式转换：将日期列转为datetime格式，将价格、成交量转为数值型。
排序：确保数据按日期升序排列。
复权处理：股票有分红送股，价格会产生跳空。使用前复权数据能保证价格序列连续，是量化分析的标准做法。akshare的adjust="qfq"参数已经帮我们做了这件事。

5. 策略核心：双均线策略的完整实现

我们以一个经典的双均线交叉策略作为第一个实战策略。它的逻辑非常简单：

计算两条移动平均线：短期均线（如5日）和长期均线（如20日）。
当短期均线从下向上穿越长期均线时（“金叉”），产生买入信号。
当短期均线从上向下穿越长期均线时（“死叉”），产生卖出信号。

下面，我们不依赖复杂的回测框架，先用手动方式实现策略信号的计算，以彻底理解其原理。

# 文件：strategy_signal.py import pandas as pd import numpy as np def calculate_ma_strategy_signals(data, short_window=5, long_window=20): """ 计算双均线策略的交易信号 :param data: 包含‘收盘’价的DataFrame，索引为日期 :param short_window: 短期均线周期 :param long_window: 长期均线周期 :return: 添加了均线列和信号列的DataFrame """ df = data.copy() # 1. 计算移动平均线 df['short_ma'] = df['收盘'].rolling(window=short_window, min_periods=1).mean() df['long_ma'] = df['收盘'].rolling(window=long_window, min_periods=1).mean() # 2. 生成交易信号 (1: 买入， -1: 卖出， 0: 持有/空仓) # 初始化信号列为0 df['signal'] = 0 # 金叉：短期均线上穿长期均线（前一天short_ma <= long_ma， 当天short_ma > long_ma） df.loc[(df['short_ma'].shift(1) <= df['long_ma'].shift(1)) & (df['short_ma'] > df['long_ma']), 'signal'] = 1 # 死叉：短期均线下穿长期均线（前一天short_ma >= long_ma， 当天short_ma < long_ma） df.loc[(df['short_ma'].shift(1) >= df['long_ma'].shift(1)) & (df['short_ma'] < df['long_ma']), 'signal'] = -1 # 3. 计算持仓状态（假设每次信号都全仓买入/卖出） df['position'] = df['signal'].replace(0, method='ffill').shift(1).fillna(0) # position = 1 表示持有股票， = 0 表示空仓 return df # 使用上一节获取的数据 if __name__ == "__main__": # 假设 stock_data 是上一节获取并处理好的DataFrame # 这里我们模拟一些数据来演示 dates = pd.date_range('2023-01-01', periods=100, freq='D') np.random.seed(42) prices = 100 + np.cumsum(np.random.randn(100)) # 模拟随机游走价格 sample_data = pd.DataFrame({'收盘': prices}, index=dates) strategy_df = calculate_ma_strategy_signals(sample_data, 5, 20) # 查看信号点 print("交易信号点：") print(strategy_df[strategy_df['signal'] != 0][['收盘', 'short_ma', 'long_ma', 'signal', 'position']].head(10)) # 可视化 import matplotlib.pyplot as plt fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 10), sharex=True) ax1.plot(strategy_df.index, strategy_df['收盘'], label='收盘价', color='black', alpha=0.7) ax1.plot(strategy_df.index, strategy_df['short_ma'], label=f'短期均线({5}日)', color='blue', linestyle='--') ax1.plot(strategy_df.index, strategy_df['long_ma'], label=f'长期均线({20}日)', color='red', linestyle='--') # 标记买入信号 buy_signals = strategy_df[strategy_df['signal'] == 1] ax1.scatter(buy_signals.index, buy_signals['收盘'], color='green', marker='^', s=100, label='买入信号') # 标记卖出信号 sell_signals = strategy_df[strategy_df['signal'] == -1] ax1.scatter(sell_signals.index, sell_signals['收盘'], color='red', marker='v', s=100, label='卖出信号') ax1.set_title('双均线策略信号生成') ax1.set_ylabel('价格') ax1.legend() ax1.grid(True, linestyle='--', alpha=0.5) # 绘制持仓状态 ax2.fill_between(strategy_df.index, 0, strategy_df['position'], color='gray', alpha=0.3, step='post') ax2.set_ylabel('持仓状态') ax2.set_xlabel('日期') ax2.set_yticks([0, 1]) ax2.set_yticklabels(['空仓', '持仓']) ax2.grid(True, linestyle='--', alpha=0.5) plt.tight_layout() plt.show()

这段代码清晰地展示了策略的核心：将交易思想转化为可计算的规则。signal列清晰地标出了每一次买卖信号的时点。

6. 策略评估：使用Backtrader进行专业回测

手动计算信号和收益非常繁琐且容易出错。这时，专业的回测框架如Backtrader就显示出巨大价值。它帮我们自动处理了交易撮合、仓位管理、手续费计算、绩效统计等复杂问题。

下面，我们用Backtrader重构上面的双均线策略。

# 文件：backtrader_ma_strategy.py import backtrader as bt import pandas as pd import akshare as ak from datetime import datetime # 1. 定义策略类 class DualMovingAverageStrategy(bt.Strategy): # 参数定义 params = ( ('short_period', 5), ('long_period', 20), ) def __init__(self): # 保存对数据线[0]的引用 self.dataclose = self.datas[0].close # 初始化指标和信号 self.short_ma = bt.indicators.SimpleMovingAverage( self.datas[0], period=self.params.short_period) self.long_ma = bt.indicators.SimpleMovingAverage( self.datas[0], period=self.params.long_period) # 交叉信号指示器 self.crossover = bt.indicators.CrossOver(self.short_ma, self.long_ma) # 跟踪订单和持仓 self.order = None def log(self, txt, dt=None): '''日志函数''' dt = dt or self.datas[0].datetime.date(0) print(f'{dt.isoformat()} {txt}') def notify_order(self, order): if order.status in [order.Submitted, order.Accepted]: # 订单已提交/被接受 - 无需行动 return if order.status in [order.Completed]: if order.isbuy(): self.log(f'买入执行，价格：{order.executed.price:.2f}， 成本：{order.executed.value:.2f}， 佣金：{order.executed.comm:.2f}') elif order.issell(): self.log(f'卖出执行，价格：{order.executed.price:.2f}， 成本：{order.executed.value:.2f}， 佣金：{order.executed.comm:.2f}') elif order.status in [order.Canceled, order.Margin, order.Rejected]: self.log('订单取消/保证金不足/被拒绝') # 重置订单状态 self.order = None def next(self): # 如果有未完成的订单，什么也不做 if self.order: return # 如果没有持仓 if not self.position: # 如果金叉（短期上穿长期），买入 if self.crossover > 0: self.log(f'创建买入订单，短期MA({self.short_ma[0]:.2f}) > 长期MA({self.long_ma[0]:.2f})') # 买入100股（或根据资金管理计算数量） self.order = self.buy(size=100) # 如果已有持仓 else: # 如果死叉（短期下穿长期），卖出 if self.crossover < 0: self.log(f'创建卖出订单，短期MA({self.short_ma[0]:.2f}) < 长期MA({self.long_ma[0]:.2f})') # 卖出全部持仓 self.order = self.sell(size=self.position.size) # 2. 准备数据（以贵州茅台为例） def prepare_data_for_backtrader(symbol="sh600519", start='2023-01-01', end='2023-12-31'): """从akshare获取数据并转换为Backtrader需要的格式""" # 获取数据 df = ak.stock_zh_a_hist(symbol=symbol, period="daily", start_date=start.replace('-', ''), end_date=end.replace('-', ''), adjust="qfq") # 重命名列以匹配Backtrader的字段名 df.rename(columns={ '日期': 'datetime', '开盘': 'open', '最高': 'high', '最低': 'low', '收盘': 'close', '成交量': 'volume' }, inplace=True) # 转换日期格式和数据类型 df['datetime'] = pd.to_datetime(df['datetime']) df.set_index('datetime', inplace=True) df.sort_index(inplace=True) # 确保数据类型为float for col in ['open', 'high', 'low', 'close', 'volume']: df[col] = df[col].astype(float) return df # 3. 主函数：运行回测 if __name__ == '__main__': # 初始化Cerebro引擎 cerebro = bt.Cerebro() # 设置初始资金 cerebro.broker.setcash(100000.0) # 设置交易手续费：佣金万三，印花税千一（卖出时收取），最低5元 cerebro.broker.setcommission(commission=0.0003) # 0.03% # 添加策略 cerebro.addstrategy(DualMovingAverageStrategy, short_period=5, long_period=20) # 加载数据 data_df = prepare_data_for_backtrader("sh600519", '2023-01-01', '2023-12-31') # 将Pandas DataFrame转换为Backtrader的数据格式 data_feed = bt.feeds.PandasData(dataname=data_df) cerebro.adddata(data_feed) print('初始投资组合价值: %.2f' % cerebro.broker.getvalue()) # 运行回测 cerebro.run() print('最终投资组合价值: %.2f' % cerebro.broker.getvalue()) # 绘制回测结果图表 cerebro.plot(style='candlestick', volume=False)

运行这段代码，你会看到Backtrader在控制台打印出每一次买卖操作，并最终显示回测的初始和最终资产。cerebro.plot()会生成一个包含价格、均线、买卖点和资产曲线的专业图表。

7. 深入绩效分析：看懂回测报告的关键指标

回测跑通了，但策略真的好吗？我们需要看数据，而不是感觉。Backtrader内置了强大的分析工具。

# 在上一节的主函数 cerebro.run() 之后添加分析代码 # ... (运行回测的代码同上) ... # 运行回测并获取分析结果 results = cerebro.run() strat = results[0] # 获取策略实例 # 1. 打印常用绩效指标 print("\n" + "="*50) print("回测绩效分析") print("="*50) # 计算总收益率 initial_value = cerebro.broker.startingcash final_value = cerebro.broker.getvalue() total_return = (final_value - initial_value) / initial_value * 100 print(f"初始资金: {initial_value:.2f}") print(f"最终资金: {final_value:.2f}") print(f"总收益率: {total_return:.2f}%") # 使用Backtrader分析器 cerebro.addanalyzer(bt.analyzers.Returns, _name='returns') cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe', riskfreerate=0.03, timeframe=bt.TimeFrame.Days) cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown') cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='trades') cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name='annual') # 重新运行以获取分析器结果 results = cerebro.run() strat = results[0] print("\n--- 详细分析报告 ---") print(f"年化收益率: {strat.analyzers.returns.get_analysis()['rnorm100']:.2f}%") sharpe_analysis = strat.analyzers.sharpe.get_analysis() if 'sharperatio' in sharpe_analysis: print(f"夏普比率: {sharpe_analysis['sharperatio']:.3f}") drawdown_analysis = strat.analyzers.drawdown.get_analysis() print(f"最大回撤: {drawdown_analysis['max']['drawdown']:.2f}%") print(f"最长回撤周期: {drawdown_analysis['max']['len']} 天") trade_analysis = strat.analyzers.trades.get_analysis() if trade_analysis.total.total: print(f"总交易次数: {trade_analysis.total.total}") print(f"盈利交易次数: {trade_analysis.won.total}") print(f"亏损交易次数: {trade_analysis.lost.total}") if trade_analysis.won.total > 0: print(f"胜率: {trade_analysis.won.total / trade_analysis.total.total * 100:.2f}%") if 'pnl' in trade_analysis.total: print(f"总盈亏: {trade_analysis.total.pnl.net:.2f}") print(f"平均每笔盈利: {trade_analysis.won.pnl.average:.2f}" if trade_analysis.won.total > 0 else "平均每笔盈利: N/A") print(f"平均每笔亏损: {trade_analysis.lost.pnl.average:.2f}" if trade_analysis.lost.total > 0 else "平均每笔亏损: N/A") # 2. 生成更美观的绩效图表 (需要安装 backtrader-plotting 扩展，或使用matplotlib自定义) # 这里我们简单绘制资产曲线和回撤曲线 import matplotlib.pyplot as plt import numpy as np # 获取回测过程中的资产记录（需要在策略中记录） # 简单起见，我们直接使用Backtrader的plot功能，但更深入的分析需要自定义

关键指标解读：

总收益率/年化收益率：策略赚了多少钱。但高收益可能伴随高风险。
最大回撤：策略从峰值到谷底最大的亏损幅度。这是衡量风险最重要的指标之一。一个回撤超过50%的策略，绝大多数人都无法坚持。
夏普比率：衡量每承受一单位风险，能获得多少超额回报。通常大于1算不错，大于2算很好。它综合了收益和波动。
胜率：盈利交易次数占总交易次数的比例。高胜率不一定赚钱（可能赚小钱亏大钱），低胜率也不一定亏钱（可能亏小钱赚大钱）。
盈亏比：平均盈利金额与平均亏损金额的比值。一个胜率40%但盈亏比大于2的策略，长期来看可能是盈利的。

只看收益率是量化新手最大的误区。一个年化收益50%但最大回撤70%的策略，在实际中几乎注定失败，因为你很可能在最大回撤阶段因恐惧而放弃。

8. 从策略到系统：工程化与常见陷阱

当你有了一个初步的策略想法并完成了回测，这只是万里长征第一步。要让策略真正具备实战价值，必须考虑工程化问题。

8.1 避免过拟合：策略优化的“诅咒”

过拟合是指策略在历史数据上表现完美，但在未来实盘时一塌糊涂。这是量化交易中最常见的陷阱。

如何识别和避免？

样本外测试：将历史数据分为两部分：训练集（用于开发优化策略）和测试集（用于最终验证，模拟未来）。绝对不要根据测试集的结果反复调整策略。
简化策略逻辑：策略参数越多，越容易过拟合。优先选择逻辑简单、参数少的策略。
交叉验证：将数据分成多份，轮流用其中一份做测试，其他做训练，综合评估稳定性。
警惕超高指标：如果回测结果显示年化收益几百%、夏普比率超过5、最大回撤极小，这几乎肯定是过拟合或犯了“未来函数”错误。

8.2 考虑交易成本与滑点

回测时我们假设可以按收盘价成交，现实中不可能。

交易成本：包括佣金和印花税。A股卖出时收取千分之一印花税，买卖双向收取佣金（约万分之三）。频繁交易会极大侵蚀利润。
滑点：你想以10元买入，但实际成交价可能是10.01元。在流动性差的股票或快速波动的行情中，滑点影响巨大。

在Backtrader中，可以这样设置更真实的成本：

# 设置更真实的交易成本 cerebro.broker.setcommission( commission=0.0003, # 佣金万三 margin=None, mult=1.0, commtype=bt.CommInfoBase.COMM_FIXED, # 固定佣金 stocklike=True ) # 设置滑点：假设固定0.01元滑点 cerebro.broker.set_slippage_fixed(0.01)

8.3 数据质量与生存者偏差

数据质量：确保使用的数据是前复权的，并处理了停牌、退市、涨跌停等特殊情况。akshare等免费接口可能在某些日期有数据缺失，需要检查。
生存者偏差：如果你只用今天还存在的股票（如沪深300成分股）做历史回测，你无形中剔除了那些已经退市的“差生”，导致回测结果过于乐观。解决方法之一是使用“点-in-time”数据库，但这对个人开发者成本很高。一个简单的缓解方法是意识到这个偏差的存在。

8.4 实盘与回测的鸿沟

心理因素：实盘是真金白银，压力巨大，可能导致你偏离策略。
技术延迟：网络延迟、API限制、程序崩溃都可能影响成交。
市场变化：过去有效的模式，未来可能失效（市场风格切换、参与者结构变化等）。

建议：任何策略在实盘前，必须经过长时间的模拟交易（Paper Trading），用虚拟资金在真实的行情和委托环境下运行，检验其稳定性和系统的可靠性。

9. 进阶方向与学习路径

完成一个基础策略后，你可以沿着以下路径深入：

更多策略类型：
- 均值回归：假设价格会围绕一个均值波动，在价格过低时买入，过高时卖出。可使用布林带、RSI等指标。
- 动量策略：追涨杀跌，认为趋势会延续。可使用唐奇安通道、MACD等。
- 多因子模型：同时考虑多个因子（如估值、成长、质量、动量等）综合打分选股。
- 机器学习策略：使用线性回归、决策树、甚至深度学习模型来预测价格或生成信号。但要极度小心过拟合。
完善系统：
- 风险管理系统：不止是止损，包括仓位管理（如凯利公式、固定比例）、组合分散、相关性控制等。
- 资金管理系统：决定每次投入多少资金。是固定金额，还是根据波动率调整？
- 自动化交易系统：使用easytrader、vn.py等框架或券商API，实现从信号生成到委托下单的全自动化。
学习资源：
- 书籍：《量化交易：如何建立自己的算法交易事业》、《打开量化投资的黑箱》。
- 平台：JoinQuant（聚宽）、RiceQuant（米筐）、WorldQuant（众包alpha）等在线平台提供了更好的数据、回测环境和社区。
- 社区：GitHub上有大量开源策略和项目，Stack Overflow、知乎、CSDN是解决问题的好地方。