开篇导语上一讲我们学会了读懂K线、成交量和估值这些市场的基本语言。但看懂图和能赚钱之间隔着一整条数据→策略→验证→执行的工程链路。今天我们正式开建这条链路的第一个里程碑打造你的量化研究工作台。很多量化新人遇到的第一个障碍不是策略难写而是环境配不起来——Python版本冲突、包安装失败、数据接口报错、IDE集成开发环境不会配置。花三天把环境装好写策略时已经没了激情。这一讲的目标就是让你一步到位搭建一个稳定、可扩展的量化开发环境并连接数据来源完成第一个从数据到决策的完整项目。学完本节后你将能够配置一个标准化Python量化开发环境含AI编程助手理解数据源、行情通道和交易通道三者之间的关系通过QMT/miniQMT获取日线和分钟级市场数据用财务指标和多因子打分法构建第一个简易选股模型3.1 开发环境配置——工欲善其事必先利其器概念讲解量化交易的开发环境与其他Python项目有一个关键差异工具链依赖复杂。你需要同时安装数据处理库pandas、numpy、金融计算库talib、回测框架backtrader、行情接口xtquant、可视化库matplotlib等多个领域的包。如果不用虚拟环境隔离不同项目之间的依赖冲突会让你痛不欲生。我们的标准配置方案如下组件推荐选择用途Python版本3.10/3.11兼容大多数量化库虚拟环境condaMiniconda环境隔离避免包冲突IDEVS Code Copilot插件代码编写 AI辅助AI编程助手Cursor / GitHub Copilot加速代码生成和调试包管理器pip在conda环境内安装量化工具链代码演示以下是环境搭建的完整操作步骤# Windows 环境下搭建量化工作台 # 第一步安装 Miniconda轻量版Anaconda # 从 https://docs.conda.io/en/latest/miniconda.html 下载 Windows 64-bit 安装包 # 安装时勾选 Add Miniconda3 to my PATH environment variable # 第二步创建量化专用虚拟环境 conda create -n quant python3.10 -y conda activate quant # 第三步安装核心量化工具链 pip install pandas numpy matplotlib # 数据处理与可视化 pip install akshare # A股数据接口开源免费 pip install backtrader # 回测框架 pip install pyfolio # 绩效分析 pip install ta-lib # 技术指标库需先安装C编译工具 # 若ta-lib安装失败可先安装基础依赖 # conda install -c conda-forge ta-lib -y # 第四步安装QMT依赖如有券商账户 # pip install xtquant # QMT Python接口 # 第五步验证安装 python -c import pandas; import akshare; import backtrader; print(环境安装成功)关键要点conda环境是隔离舱——每个项目拥有独立的Python版本和依赖库互不干扰ta-lib在Windows上安装可能遇到C编译问题可先用pip install ta-lib-binary安装预编译版本akshare是开源免费数据源适合学习和研究但实盘交易需要更可靠的付费数据源VS Code Copilot组合可以显著降低写策略的磨刀时间推荐配置启用来3.2 数据源、行情通道、交易通道——三条管道的区别概念讲解很多初学者会把数据从哪里来和交易指令从哪里发出去混为一谈。实际上量化系统中存在三条独立的管道┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ 数据源 │ │ 行情通道 │ │ 交易通道 │ │ │ │ │ │ │ │ akshare │ │ QMT 行情推送 │ │ QMT 下单接口 │ │ tushare │ │ miniQMT │ │ XtQuant API │ │ Wind/Bloom │ │ 掘金/聚宽 │ │ 券商API │ │ │ │ │ │ │ │ 用途 │ │ 用途 │ │ 用途 │ │ 历史数据回测 │ │ 实时行情接收 │ │ 实盘/模拟下单 │ │ 因子计算 │ │ 策略信号触发 │ │ 持仓查询 │ │ 策略研究 │ │ │ │ 订单管理 │ └──────────────┘ └──────────────┘ └──────────────┘数据源负责历史数据的获取——这是回测和策略研究的燃料。开源方案如akshare、tushare足以满足学习需求。行情通道负责实时数据的推送——当策略在盘中运行时需要毫秒级的行情更新来触发交易信号。QMTQuantitative Market Trading是券商提供的量化交易终端miniQMT是其轻量版Python接口。交易通道负责把策略信号转化为真实的买卖指令——这是资金从策略到市场的最后一公里。XtQuant是QMT的交易API提供了账户查询、委托下单、撤单等接口。三者的关系是递进的先用数据源做历史回测验证策略有效性确认无误后接入行情通道跑模拟盘模拟盘稳定盈利后再接通交易通道上实盘。代码演示下面同时演示历史数据获取和实时行情订阅两种模式的代码# 模式一历史数据获取用于回测 import akshare as ak import pandas as pd # 获取日线历史数据——回测的燃料 daily_data ak.stock_zh_a_hist(symbol000001, perioddaily, start_date20240101, end_date20250720, adjustqfq) # 前复权 daily_data.rename(columns{日期: date, 收盘: close}, inplaceTrue) print(f获取到 {len(daily_data)} 条日线数据) print(f时间范围{daily_data[date].iloc[0]} 至 {daily_data[date].iloc[-1]}) # 模式二实时行情订阅需要QMT环境以下为伪代码示例 # from xtquant import xtdata # # # 订阅指定股票的实时行情 # stock_list [000001.SZ, 600519.SH] # xtdata.subscribe_quote(stock_list, periodtick) # tick级实时数据 # # # 获取实时快照 # snapshot xtdata.get_market_data( # field_list[time, lastPrice, volume, amount], # stock_liststock_list, # periodtick # ) print(\n提示实时行情订阅需要本地QMT环境运行中以上为代码模板参考)关键要点回测阶段优先使用akshare等开源数据源降低门槛模拟盘阶段再切换到QMT数据miniQMT是轻量API模式不需要打开完整的QMT客户端界面适合服务器部署前复权qfq是回测标准配置——它把历史分红拆股的影响平摊到历史价格上保证回测逻辑的一致性数据质量和时效性是实盘策略的隐形杀手——回测数据有瑕疵再好的策略也跑不出真实结果3.3 从数据到决策——多因子选股雏形概念讲解现在我们把前面学到的元素串联起来完成量化交易的第一个从数据到决策的完整流程。多因子选股的基本思路是不只看一个指标而是用多个维度的指标因子综合打分选出排名最高的股票。这就像大学录取不只看高考总分还看各科成绩、竞赛奖项、面试表现——综合评估才能找到真正优秀的学生。我们选取三个最常用的因子来构建打分体系因子含义选股偏好计算方式PE市盈率股价/每股收益越低越好便宜排名百分位反转ROE净资产收益率净利润/净资产越高越好赚钱能力强正向排名动量Momentum过去N日涨跌幅越高越好强者恒强正向排名代码演示下面实现一个简易三因子选股模型从指定股票池中选出综合得分最高的股票import akshare as ak import pandas as pd import numpy as np # 第一步构建候选股票池以沪深300成分股中的部分代表为例 stock_pool [000001, 000002, 000858, 002415, 600036, 600519, 601318, 600887, 000333, 300750] # 第二步获取财务数据使用akshare的现实数据接口 # 这里以获取最新季度的部分财务指标为例 # 注意实际使用时需要调用 stock_financial_abstract_ths 等接口获取完整数据 # 以下为框架示意用模拟数据代替 np.random.seed(42) sample_data pd.DataFrame({ code: stock_pool, pe: np.random.uniform(5, 60, len(stock_pool)), # 市盈率 roe: np.random.uniform(0.02, 0.25, len(stock_pool)), # ROE momentum_60d: np.random.uniform(-0.15, 0.30, len(stock_pool)) # 60日动量 }) # 第三步因子标准化与打分 # 对PE因子越小越好做反向排名打分 sample_data[pe_score] sample_data[pe].rank(ascendingFalse) / len(stock_pool) * 100 # 对ROE因子越大越好做正向排名打分 sample_data[roe_score] sample_data[roe].rank(ascendingTrue) / len(stock_pool) * 100 # 对动量因子越大越好做正向排名打分 sample_data[momentum_score] sample_data[momentum_60d].rank(ascendingTrue) / len(stock_pool) * 100 # 第四步等权加总综合得分 # 三个因子各占 1/3 权重等权是最常用的起点后续可以优化权重 sample_data[total_score] ( sample_data[pe_score] sample_data[roe_score] sample_data[momentum_score] ) / 3 # 第五步按综合得分排序输出Top5 result sample_data.sort_values(total_score, ascendingFalse) result result[[code, pe, roe, momentum_60d, total_score]] print(三因子选股模型结果综合得分Top5) print( * 60) for idx, row in result.head(5).iterrows(): print(f股票代码: {row[code]}) print(f PE{row[pe]:.2f}, ROE{row[roe]:.2%}, f60日动量{row[momentum_60d]:.2%}) print(f 综合得分: {row[total_score]:.1f}/100) print(- * 40)关键要点因子标准化处理是选股模型的关键——不同量纲的指标PE是倍数、ROE是百分比需要映射到同一尺度上才能比较等权加总是最简单的因子合并方式但未必最优。第十二讲会学习如何用机器学习自动学习各因子的最优权重回测时需要注意未来函数陷阱——ROE数据是按季度公布的如果你在1月就用了年报ROE属于偷看答案因子之间如果有强相关性如PE和PB通常一起走低简单等权会造成隐性重仓需要做相关性分析实战总结本节我们完成了量化工作台的奠基仪式开发环境conda虚拟环境 VS Code Python量化工具链构成可复用的标准配置三条管道数据源历史回测、行情通道实时推送、交易通道下单执行各司其职多因子选股PE ROE 动量三因子打分实现第一个从数据到排名的决策流程常见误区提醒误区一使用系统Python环境直接安装所有包。项目多了必定冲突坚持一个项目一个conda环境误区二回测和实盘用不同数据源。数据差异如复权方式、时间戳对齐会导致回测结果无法复现到实盘误区三因子越多越好。因子数量增加需要更多数据支撑10个因子在100只股票上容易过拟合下一讲小晴情报官正式上岗——他将负责搭建本地数据管道把分散在各处的行情、财务、宏观数据系统地收拢、清洗并存储为小雅的分析工作做好数据准备。下一篇预告第04讲小晴上岗——搭建本地数据管道与清洗流水线数据是量化交易的命脉。小晴将接手数据采集工作处理复权、停牌、缺失值等常见问题并利用大模型识别市场催化剂事件建立本地高质量数据库。
)
