量化交易不再是对冲基金的专利。随着Python生态和开源数据平台的成熟，一个有编程基础的个人投资者可以在周末搭建并测试自己的量化策略。本文提供一个完整的入门流程：从数据获取到策略回测，帮助你迈出量化的第一步。
数据获取：免费与付费方案
免费数据源：Yahoo Finance（yfinance Python库，获取美股、ETF日线数据）；Alpha Vantage（提供部分免费API额度，适合入门）；Stooq（欧美股市历史数据，yfinance支持）；Deutsche Börse数据（xetra，法兰克福交易所官方开放数据）。
付费数据源：Quandl/Nasdaq Data Link（高质量因子数据、期货数据）；Refinitiv（专业级数据，价格高）。对于初学者，yfinance获取的Yahoo数据完全够用。
import yfinance as yf
import pandas as pd
# 获取DAX指数成分股数据
dax_ticker = "^GDAXI"
data = yf.download(dax_ticker, start="2020-01-01", end="2024-12-31")
print(data.tail())一个简单的均线交叉策略
import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt
# 下载数据
df = yf.download("MSFT", start="2022-01-01", end="2024-12-31")["Close"]
df = df.to_frame(name="Close")
# 计算均线
df["SMA20"] = df["Close"].rolling(20).mean()
df["SMA50"] = df["Close"].rolling(50).mean()
# 信号生成
df["Signal"] = 0
df.loc[df["SMA20"] > df["SMA50"], "Signal"] = 1 # 买入信号
df.loc[df["SMA20"] < df["SMA50"], "Signal"] = -1 # 卖出信号
# 计算策略收益
df["Returns"] = df["Close"].pct_change()
df["Strategy"] = df["Signal"].shift(1) * df["Returns"]
df[["Returns", "Strategy"]].cumsum().apply(lambda x: x.exp()).plot(
title="Strategy vs Buy&Hold"
)
plt.show()回测框架选择
Backtrader：最成熟的Python回测框架，支持多标的、多时间周期、多种订单类型，社区活跃，适合复杂策略。学习曲线稍陡。
Vectorbt：基于NumPy的向量化回测框架，运行速度极快（比Backtrader快100倍以上），适合参数优化和大规模回测，代码更简洁但可读性略低。
Zipline（已停止官方维护）：曾是最主流的回测框架，Quantopian关闭后社区支持减少。
回测陷阱：必须避开的三大偏差
前视偏差（Look-ahead Bias）：用当天收盘价生成信号，却假设以当天收盘价成交——实际上你只能在隔天开盘才能交易。必须在信号计算后shift(1)才能计算收益。
过度拟合（Overfitting）：在历史数据上调参调到极致，策略在历史数据表现亮眼，但在真实市场完全失效。应对方法：只用部分历史数据优化参数（in-sample），剩余数据验证（out-of-sample）。
交易成本忽视：每次买卖都有手续费（德国市场约0.1-0.25%/次）、价差（Bid-Ask Spread）和滑点，高频交易策略的实际收益往往被成本大幅蚕食。
