量化交易入门：别从抄代码开始，先学会判断策略凭什么赚钱

发布于：2026/6/30 | 更新于：2026/6/30 （市场与平台规则可能变化，请以官方页面和链上实际结果为准）

很多新手学习量化交易基本都是——先在 GitHub 上扒一份策略代码，跑个回测，看到净值曲线往上飘就两眼放光，然后开始疯狂调参数让曲线更好看，最后小仓位上实盘，亏了，才回头去补统计和金融理论（多数人补到一半就放弃了）。

（如果你还指望”学个量化就能稳定躺赚”，建议先看这篇实话再回来。）

先把”量化”这个词去神秘化

讲”量化是什么”的文章已经太多了，量化交易，本质是给金融现象做统计建模。 学术里有个更准确的名字叫”金融时序预测”——说白了，跟预测天气是一回事：你面对的是一堆带噪音的历史数据，只能给出概率，永远不可能确定，而且”天气”还会变（市场会换风格、换主线）。先接受这件事，你就不会再去找”100% 胜率”这种根本不存在的东西。

要做这件事，你得同时踩在三个领域上：

计算机：把想法实现成代码、跑回测、对接接口。
统计：判断一个规律到底是真信号，还是噪音。
金融：理解钱从哪来、市场规则是什么、风险藏在哪。

缺任何一块，另外两块都使不上劲，这也是很多人学不下去的原因。但到了 26 年，这个三角的重心已经变了：AI 几乎把”写代码”的成本压到了零，你让模型几分钟就能生成一个能跑的策略框架。于是计算机这一角不再是瓶颈，真正稀缺、也最值钱的，变成了统计直觉和金融判断——也就是策略本身。这恰好又回到那句话：会写代码从来不是门槛，想清楚”它凭什么赚钱”才是。

你现在大概率正在用的”反向顺序”

步骤	大多数人的做法	真实结果
第一步	找一份现成策略代码抄过来	不知道它为什么有效
第二步	反复调参数，把回测曲线调好看	其实是在拟合历史噪音（过拟合）
第三步	小仓位上实盘	一遇到没见过的行情就失效
第四步	亏了才去补理论	多数人到这步已经放弃

问题的根子在于：回测赚钱太容易伪造了。 只要你愿意调，几乎任何一段历史都能拟合出一条漂亮曲线。它骗过的不是市场，是你自己。

正确的顺序，是反过来的：把量化当成四层地基

真正能落地的量化交易自学路线，应该像盖楼一样从地基往上盖，而不是从屋顶往下挂。我把它拆成四层，每往上一层，都建立在下一层之上：

第四层 · 因子与检验：这套逻辑是真的，还是噪音？
第三层 · 代码与回测：把逻辑实现出来、跑一遍
第二层 · 数据：拿到干净、没有未来函数的数据
第一层 · 认知：先回答"它凭什么会赚钱"

注意：这正好是大多数人省略或放到最后的顺序。

一个贯穿全文的例子：20 日动量策略

抽象的框架不好记，我们拿一个最简单的策略当样本，后面每一层都回到它身上。

假设你想做一个”过去 20 天涨得多就买入”的动量策略。很多新手的第一反应是直接写代码：算 20 日收益率、排序、买涨幅前 10% 的标的、每周调一次仓，然后看净值曲线。

但真正的顺序应该反过来：

先别写 Python，先问：这笔钱从谁那里来？ 动量的常见解释是投资者对信息反应不足，或机构调仓的延续效应。如果你讲不清这个经济解释，后面的代码只是在给历史噪音穿衣服。
再问数据： 你用的是前复权、后复权还是原始价？股票池里有没有早就退市的票？信号是在收盘后生成，还是偷用了当天收盘价？
然后才写回测： 加上手续费、滑点、换手率限制，看策略是否还活着。
最后做检验： 拆成样本内 / 样本外，分牛市、熊市、震荡市看表现。如果只有某一年特别赚钱，那它多半是运气，不是策略。

这就是为什么本文把代码放在第三层。代码本身不难，难的是知道自己有没有在骗自己。

第一层：先回答”它凭什么会赚钱”——认知

任何一个能长期赚钱的策略，背后都有一个能讲清楚的经济解释：是谁、因为什么原因、在什么情况下，愿意持续把钱让给你。回到那个动量策略——你要能说出”超额收益来自反应不足还是调仓延续”，而不是”因为回测里它赚钱”。讲不出解释，策略就只是一段碰巧拟合了历史的代码。

这一层不用写一行代码，目标是听懂行话、建立对市场和统计的直觉。

MIT 公开课 Finance Theory I（15.401） 适合：完全听不懂 Alpha、Beta、风险溢价、有效市场这些词的新手。重点看：Portfolio Theory、The CAPM and APT、Efficient Markets 这几讲。看完要能做到：解释一个策略的收益到底是市场 Beta、风格因子暴露，还是可能存在的 Alpha。整条路线如果只挑一门先看，就是它：ocw.mit.edu。
耶鲁公开课 Financial Markets（Robert Shiller） 适合：想补市场、风险、泡沫和行为金融直觉的人——这恰恰是只会跑代码的人最缺的。重点看：行为金融、泡沫、风险与保险几讲。Shiller 不教代码，讲的是”人为什么会犯错，以及这些错误如何变成机会”：oyc.yale.edu。
《打开量化投资的黑箱》（Inside the Black Box，Rishi Narang） 几乎不堆公式，讲清量化机构到底靠什么赚钱、一套量化系统由哪些模块组成。零基础先读这本建立认知地图，再去碰课程。

如果检验你这层学没学到位：随便指一个策略，你能不能用一句话说清”它的钱是谁给的”。 说不出来，就别往上盖。

第二层：数据，而不是代码

很多人以为量化的核心是模型，但真实量化工作里，数据定义和数据清洗往往比建模更耗时：缺失、错位、复权、时区、停牌……新手最容易在这层栽两个看不见的跟头，它们能让任何回测瞬间”作弊”：

未来函数（look-ahead bias）：用到了当时还拿不到的信息。回到动量策略——如果你用”今天收盘价”算完排名，又假设”今天开盘就买进去”，回测会神准，实盘会原形毕露。
幸存者偏差（survivorship bias）：只用”活到今天”的标的做回测，退市、归零的早被剔除了，于是策略看起来从不踩雷。

这一层的资料其实很朴素：

Kenneth French Data Library 适合：第一次学因子收益、想亲手处理标准金融数据的人。重点看：Fama/French 3 Factors、5 Factors 的 Daily / Monthly CSV。看完要能做到：下载三因子数据，用 Python 画出 Mkt-RF、SMB、HML 的累计收益，并理解因子不是”神奇指标”，而是一组可检验的风险暴露。免费、干净、学术级：mba.tuck.dartmouth.edu。
《利用 Python 进行数据分析》（Python for Data Analysis，Wes McKinney） 作者就是 pandas 的创始人。与其看零散教程，不如用这本把读取、对齐、清洗这套基本功打牢；中文向读者可配合《深入浅出 Python 量化交易实战》。

国内想省去搭环境，可以在聚宽 JoinQuant、米筐 RiceQuant、BigQuant 这类平台里直接调数据、写策略——但记住，它们是工具，平台上别人晒的收益不等于你能复现。

第三层：这时候，才轮到写代码

地基打好了，写 Python 量化交易代码就只是”把已经想清楚的逻辑实现出来”，而不是”碰运气找一个能赚钱的代码”。对那个动量策略，这一层就是：把信号、调仓、手续费、滑点、换手率限制一行行写出来，让回测尽量接近真实成交。

给新手一个反直觉的建议：你的第一个回测，最好手写一个最简陋的 for 循环，而不是直接上 backtrader、vnpy、QuantConnect 这类现成框架。 框架很省事，但它把撮合、复权、信号对齐这些细节全替你封装好了——坑被填平了，你也就永远学不到坑长什么样。亲手写一遍，你会被逼着回答”信号到底用哪一天的价、成交按哪一天撮合”，而这正是第二层那两个跟头（未来函数、幸存者偏差）真正暴露的地方。等你手写过一次、知道每个环节会出什么错，再换框架提效，才用得明白。

佐治亚理工 Machine Learning for Trading（CS7646）—— 这层优先级最高。 它是从”会写 Python”走到”能做交易研究”的桥梁课，内容分三块：用 Python 处理金融数据、计算化投资（组合优化、回测）、用机器学习做交易。讲座视频在 Udacity 上免费（课程代号 ud501），但别只看视频——官方作业和说明在 lucylabs.gatech.edu/ml4t，至少完整做一遍数据处理、策略评估和回测的项目，收获和只刷视频完全是两码事。课程总览见 OMSCS 官方页面。
WorldQuant University（完全免费、获认证） 注意：它不是”教你赚钱策略”的地方，而是用来系统补金融工程、数据科学的底子。免费提供 MSc in Financial Engineering 和自学制的 Applied Data Science Lab，价值在于训练数学、编程和金融工程的组合能力：wqu.edu。

YouTube 上这几个频道，是少数只讲代码、不喊单的（怎么识别水货，见下文那把筛子）：

Part Time Larry —— 手把手教对接交易所 API、用 Python 部署自动交易，代码全开源。
QuantConnect 官方频道 —— 基于真实回测引擎的实战教程，适合想用云端引擎跑策略的人。
QuantPy —— 把量化理论落到代码上，期权定价、回测、组合优化都有配套代码。

第四层：用因子和统计，判断它是真的还是噪音

代码能跑、回测好看，远不等于策略成立。回到动量策略——那条漂亮曲线，是真实的统计优势，还是你不小心把噪音拟合了进去？这正是机构和散户的分水岭。

《主动投资组合管理》（Active Portfolio Management，Grinold & Kahn） 机构投资领域绕不开的经典教材，把”主动收益从哪来、怎么衡量、信息比率怎么算”讲到了根上。
《金融机器学习进展》（Advances in Financial Machine Learning，López de Prado） ML 量化绕不开的一本，专讲过拟合、交叉验证、回测陷阱，正好治第一步那个”调参数自欺欺人”的病。
《预测：方法与实践》（Forecasting: Principles and Practice，Hyndman & Athanasopoulos）—— 免费、有中文版，强烈推荐。 适合：想把”统计”这条腿补扎实、又不想花钱买课的人。重点看：第 3 章 The Forecaster’s Toolbox（残差诊断、预测精度评估、时间序列交叉验证），以及时序分解、指数平滑、ARIMA 几章。看完要能做到：用规范的训练集 / 测试集和滚动交叉验证去评估一个预测，而不是被样本内那条漂亮拟合曲线骗过去。前面说”量化本质是金融时序预测”，这本就是把那句话落到方法上的入门书，读它比直接啃 López de Prado 更顺。书里用 R 演示（fpp2 / forecast），即便你主用 Python，方法论也完全通用：otexts.com/fppcn。
Coursera 专项课：EDHEC 的 Investment Management with Python and Machine Learning，以及 NYU 的 Machine Learning and Reinforcement Learning in Finance，都是把因子分析和 ML 真正落到 Python 上的课。
YouTube：Hudson & Thames —— 专门复现论文和《金融机器学习进展》里的方法，硬核，适合进阶。

这里要泼一盆很少有人对新手泼的冷水：公开课和经典书里教的那些因子，很多已经衰减、甚至失效了。 MIT、French 这些是黄金资料，但它们讲的多是 2000–2010 年代的美股 anomaly。有一篇被反复引用的研究（McLean & Pontiff, 2016, Journal of Finance）统计了 97 个学术因子，发现它们的收益在样本外平均低 26%、在论文发表之后平均低 58%——一个策略一旦被写进论文、被所有人知道，它的超额收益就会被交易掉一大半。更扎心的是，残存的那点 alpha 往往集中在流动性极差的小票里，算上交易成本你根本吃不到。所以学这些资源是为了搞懂方法论，不是把现成因子抄下来直接下单——照抄，等于在交易一个可能早就拥挤、早就失效的规律。

学完这层你会养成一个习惯：看到任何”高胜率策略”，第一反应不是兴奋，而是去查它的最大回撤、盈亏比和样本外表现——因为很多策略都是平时小赚、一次大亏。

新手该从哪种策略起步：低频、均值回归、流动性好的标的

知道怎么学，还得知道先做什么。给三条很具体、也带点个人的建议：

第一，别碰高频，从低频开始。 高频拼的是机房托管、网络延迟和工程团队，你是在跟花几百万搭基础设施的机构抢那几毫秒——这是散户最不该打的仗。日频、周频这种低频策略，反应慢一点没关系，逻辑能不能讲清楚才是关键，这才是散户能活下来的地方。

第二，第一个真正想做的策略，建议从均值回归起步，而不是动量。 （本文用动量当教学案例，是因为它最好拆解；真要上手，均值回归对新手更友好。）它的逻辑直观——价格短期偏离后倾向于回归——也更容易做样本外检验。

第三，做均值回归，标的一定要选流动性最强的那批：大盘蓝筹、主流币种。 这条不是口味问题，是生死问题：流动性差的标的，回测里那点”偏离后回归”的利润，很多其实是买卖价差来回跳（bid-ask bounce）和你根本下不进去的单造成的假象。换句话说，回测里赚到的钱，在流动性差的票上压根成交不了。 这跟上一节”残存 alpha 都躲在小票里”是同一个道理——能看见，但吃不到。

如果你做 A 股或加密货币，坑会换一种形式

上面的课程多以美股或海外市场为背景，但你真正落地时，市场规则会决定回测能不能信。同一个动量策略，换个市场，能踩的坑完全不同。

做 A 股，至少要检查这些：

涨跌停：回测里能成交，不代表实盘买得进、卖得出。
停牌：停牌期间价格不动，不等于风险消失，复牌可能直接跳空。
复权：前复权、后复权、不复权用错一个，收益曲线就会完全变形。
财报披露时间：不能用年报里的数据，去交易年报公布之前的日期（典型的未来函数）。
T+1：今天买入不能今天卖，日内回测不能照搬到 A 股。

做加密货币，坑又不一样：

7×24 小时交易：没有传统收盘价，K 线按哪个时区切分会直接影响信号。
资金费率：合约策略不算资金费率，收益基本不可信。
交易所数据质量：插针、宕机、流动性断层都会影响实盘成交。
滑点：小币种回测成交价看着很美，真实下单可能完全不是那个价。

所以，量化不是”有数据就能回测”。你得先知道这个市场的交易规则，否则回测引擎只是在帮你制造错觉。

一把筛子：怎么一眼看穿”伪量化水货”

把上面四层走完，你自然就有了免疫力。但在那之前，先用这把筛子防身：

凡是标题带「100% Win Rate」「最强 TradingView 指标」「Buy/Sell Signal 神器」「跟我下单稳赚」的，基本都是卖课的伪量化。 真正的量化内容只讲三样东西：为什么会赚钱（经济解释）、数据和回测的坑、以及代码怎么实现。 一个从不提”我可能错在哪、什么时候会失效”的人，多半在卖你幻觉。

给新手的 30 天量化交易学习计划

把”学什么”变成”第几周做什么”，路线才真正可执行。

第 1 周：只补认知，不写策略

任务：

看 MIT 15.401 的 Portfolio Theory、CAPM/APT、Efficient Markets。
读《打开量化投资的黑箱》的框架部分。
写下 3 个策略的”钱从谁那里来”：动量、价值、均值回归。

验收标准：

你能说清 Alpha 和 Beta 的区别。
你能解释为什么一个策略可能在回测里赚钱、在实盘里消失。

第 2 周：只练数据，不调模型

任务：

下载 Kenneth French 三因子 CSV。
用 Python 读入月度数据，画出 Mkt-RF、SMB、HML 的累计收益。
故意做一次错误示范：用未来一期数据生成信号，看回测如何”变好”。

验收标准：

你能解释什么是未来函数。
你知道为什么幸存者偏差会让策略看起来更稳。

第 3 周：写一个最小可用回测

任务：

实现前面那个 20 日动量（或一个简单均线）策略。
加上手续费、滑点、单次最大仓位限制。
输出年化收益、最大回撤、夏普、换手率。

验收标准：

策略不能只输出一条净值曲线。
你必须能解释每一笔交易为什么发生。

第 4 周：做样本外检验

任务：

把数据切成样本内和样本外。
分牛市、熊市、震荡市看结果。
改变参数（比如把 20 日换成 10 日、40 日），看策略对参数是否过度敏感。

验收标准：

如果只在一个参数上赚钱，默认它是过拟合。
如果样本外明显崩掉，你要能写出可能的原因，而不是继续调参数。

把顺序正过来

量化交易入门真正的门槛，从来不是”买不买得起课”——上面这些 MIT、耶鲁、佐治亚理工的课和这几本书，几乎都免费或低成本。门槛是有没有耐心把顺序走对：先想清楚凭什么赚钱，再碰数据，再写代码，最后才谈因子。

最后一条最朴素、也最常被跳过的纪律：起步阶段一定要少资金、轻杠杆，最好先用模拟盘或一笔你亏得起的小钱。 你前几个策略大概率是错的，这阶段的目标不是赚钱，是用最小的代价把坑踩完。量化和别碰杠杆是同一个道理——先活下来，再谈赚钱。 把顺序正过来、把仓位压住，你至少不会一开始就掉进调参拟合历史、又被杠杆一次清零的坑里。