小白快速入门量化交易的自学路径

今年已然过去一半了，年初立的flag都实现了吗？

据我多年来的观察，很多小白萌新开始学习量化，特别是年初的时候立下“宏图大志”，但有相当一部分最终没能"上岸"，从入门到放弃，从然后到没有然后，并不是因为他们不够聪明或不够努力，原因有很多，我觉得大部分只是方向或方法没对。

特别是对于没有编程基础的萌新，为了入门量化，先买了一本厚厚的Python编程书，看着看着就昏昏欲睡，这个很正常，这的确很无趣，因为这只是为了学习而学习，记住了很多知识，却感觉无法落地。

就跟很多国人从小学到大学学了十几年的英语一样，记住语法单词只是为了考试，觉得很无趣，要是说你附近有一群漂亮的外国妹子，你要用英语去勾搭她们，一个个是不是就来劲了。

一开始，你只能一个一个单词往外蹦，什么"hello"啊，什么"welcome"啊，什么"beautiful"啊，可能一个主谓宾的整句都说不了，加上肢体语言，不妨碍你们的大体沟通。

跟她们混久了，听着相互之间的沟通，慢慢就会短句了，再过久一些，不仅长句复合句会了，连口语发音味道儿都正了。

你瞧瞧，同样是学英语，为什么一个是无趣至极，一个是相当来劲呢，他们之间的差别主要在哪里？

我个人觉得主要是两点：一是目的动机，二是即时反馈。

高效率做事讲究"以终为始"，要紧扣目标，不要走弯路跑偏了，以考试为目的，not cool，因为大部分人感觉自己都是被动应付考试，勾搭妹子，very cool，因为你觉得自己在做一件自己认可且有趣的事情。

你以提高考试分数作为学习目标，但是努力学习到分数明显提高之间有非常大的时间间隔，也就是你要在这段长时间里面忍受无趣，而跟外国友人学英语，学了马上就能用，别人提了一个新词儿"pretty"，你转头就能对妹子说"you look so pretty today"，换来莞尔一笑，也就是这种即时反馈，将无趣碎片化了，从忍受变为享受。

用高大上的话来说就是"正向飞轮"，在这个学习的过程中，你学了一个知识点，然后学以致用完成了一件小事儿，完成这个行为给你带来了满足感和正反馈，激励你乐乐呵呵学新的知识点，如此反复循环，像滚雪球一样，滚着滚着你就不知不觉入门了。

那学量化交易也是如此，首先要想清楚自己为什么要学量化。

是看到媒体宣传量化对冲基金赚钱，自己也想从事该行业？

看到身边有人学习量化交易，自己也想学习一下？

自己有投资想法，想形成交易系统，并用量化分析方法验证其准确性？

自己已经有稳定的盈利系统，想解放双手和坚持纪律性，用程序化自动交易？

学量化的动机和目的是什么都可以，关键是看自己的渴望掌握这项技能的程度，为自己的学习赋予自己认可的意义。

比如说，你学量化纯粹是为了赚钱，入门量化需要学100个知识点，你预计将来可以提高交易胜率，多赚或少亏10w，这样一个知识点就相当于多赚或少亏1000块钱，这样一换算，是不是学习动力就足一点了。

学习量化，为了交易赚钱可以，为了谈资装X也可以，为了勾搭宽客也可以，只要自己足够认可足够渴求就可以了，这样咱就能保持着未来燎原的星星之火。

接下来，最重要的就是打造出能有即时正反馈的学习路径，形成正向飞轮，入门量化就跟滚雪球似的。

上面都是虚头巴脑的大道理，都是自己浅薄的想法，以下正式唠唠具体的学习路径：

交易想法 -> 量化基础 -> 量化平台 -> 量化策略

这是抽象的概括，下文会把每个步骤详细讲讲，这里需要确定快速入门的学习原则：适度学习，够用就行。

最新版《新华字典》中，收录了13000多个汉字，而日常生活中只需要用到其中3000多个，也就是说，不用啃完编程书籍等大部头才可以开始，按常用按需学习就行。

一、交易想法

很多人做量化，都是因为自己有初始的交易想法，想验证正确性提高交易胜率，或想解放双手追求效率，全自动程序化盯盘交易，量化跟人工智能AI一样，都是手段，用来实现自己想要的目的，不是为了量化或AI本身而学习。

有初始的投资想法，在开始学习的时候有一个好处，就是可以在学习量化时有的放矢，听到相关的知识点的时候，脑子就会在想，我想要的功能可不可以这样实现。比如，你想实现均线交易策略，那么你在学习pandas模块时，听到rolling和mean函数，就会有“确认过眼神，找到对的人”的赶脚。

如果在交易想法这边还是没有感觉，可以多看一些交易书籍和研报论文，这里我可以给大伙儿推荐一些，相信以下这3个交易策略合集类资料能给量化萌新一些交易思路方面的启发，粗粗算下来，这3份资料里面的策略/指标思路合计下来不少于1000个。

首先映入眼帘的是前NASA登月科学家、现量化先驱佩里•考夫曼的量化神作《交易系统与方法》，说起这老爷子，国人可能觉得很陌生，但在量化圈子里，或多或少都听说过“考夫曼均线”，学名为“自适应移动均线”（Adaptive Moving Average，简称AMA），这就是他的杰作之一。

《261个策略/指标，萌新Quant在这本量化神作中学到的》

在此书当中，披露了老爷子数百个交易策略和技术指标，而且全部都有对应的源代码，虽然用的是国外的TradeStation平台，但其编程方式非常口语化的，只要能认识简单的英文，不敢保证你能顺滑地编写策略，但是看懂策略的交易思想是铁定没问题的。

第二本也是一位量化大牛的神作，其中涵盖了股票、期货、期权、外汇、加密货币、ETF等投资领域的151个交易策略，那就是Zura Kakushadze的《151 Trading Strategies》，作者另外一本名著就是《101 Formulaic Alphas》（坊间俗称“Alpha101”）。

最初是2018年8月发表在SSRN上的同名论文，后来在同年年底整理成书，目前全网传播较多的是361页的论文版本，但个人感觉阅读效果较好的是480页的电子书版本，不仅标签完善，而且参考文献跳转非常顺滑。

《推荐一本量化宝藏书籍，内含151个量化交易策略》

书中内容的组织形式是，每一个小节对应一个量化策略，开头会三言两语引入策略，然后概括出核心规则/公式，最后给出策略的构建方法，其间会穿插很多参考文献，告诉你策略idea的来源和为什么这样设置，所以很多人说这本书只是一个目录，那2000个参考文献才是本体。

第三个就更厉害了，它是一个被称为量化神集的github项目，在这里面，策略数目直接就是696个，关键是通通都有高清源码，除此之外，还有量化书籍、量化库、视频课程、博客等。

这个github项目的贡献者/维护者是Edouard d'Archimbaud、James Munro和GrimyFishTank，所有的量化资源都被分门别类、整整齐齐码放在那里，静静地等待有缘人驻足观看，可惜的是，以前是统统免费，现在部分内容要付费订阅了，如果你依然感兴趣的话，可以去瞅瞅。

《分享一个量化交易神集：696个策略，55本书，97个库...》

二、量化基础

这里面主要包含两大部分，一个是量化通识，另一个是编程基础。

关于量化通识，看量化故事类的书籍都可以有所了解，以前我也列过一个书单，有时间的话可以挑自己感兴趣的慢慢看。

《量化投资书单推荐（20本）》

如果一开始没有那么多时间，想快速了解量化投资的方方面面，一开始只看《打开量化投资的黑箱(第二版)》（Inside the Black Box: A Simple Guide to Quantitative and High Frequency Trading，Second Edition）就够了，注意，这里特指的是第二版。

原书英文版是在2009年出版，2012年翻译成中文引入国内，第二版是在2013年出版，2016年翻译成中文引入国内，第二版除了对第一版错误进行修正外，关键是加入了『高频交易』这一部分的内容，内容也从原来的13章扩展到了17章。

《萌新量化投资入门的第一本书》

关于编程基础，因为不同量化平台的编程语言都不一样，这里只好拿在量化界广泛使用的Python举例。

对于Python的快速学习，墙裂推荐廖雪峰老师的Python教程，不仅免费写得非常简单易懂，而且每个小节之后，都有编程互动小题目给你即时反馈，非常有趣，不用再想着自己啃完编程大部头再去编写策略。

教程链接：

https://www.liaoxuefeng.com/wiki/1016959663602400

廖老师的教程非常详尽，连Web开发都讲了，但是再次重申咱的快速入门学习原则：不贪多，够用就行。对于量化基础而言，学到“错误、调试和测试”章节就可以了，后面等有时间再看。

因为写Python就跟写文案一样，都是写作，但也分为散文写作、小说写作、营销写作等，虽然基础一样，但不同领域用到的方法技巧各有侧重。廖老师的Python教程比较侧重于互联网开发方向，对于量化分析入门而言，后半部分初期的时候还用不上，等需要用到的时候再学习也不迟。

遗憾的是，里面没有讲到量化当中常用的numpy、pandas、matplotlib和sklearn等Python库，这个可以在学了廖老师课程之后，再单独度娘学习一下。

Numpy：它是Python的一个开源的数值计算库，计算当中常用的数组和矩阵等数据类型，以及它们之间的运算，都可以依靠这个库快速实现。

Pandas：它是基于Numpy 之上封装的数据分析库，它能让数据分析和量化分析任务变得更加简单，打个不恰当的比方，它就相当于是Python界的“Excel”，是Python量化当中最离不开的一个库。

Matplotlib：它是Python的一个绘图库，它能帮助你将价格序列、因子数据、净值曲线等数据快速可视化展示出来。

Sklearn：全称是scikit-learn，是Python当中的机器学习库，它涵盖了大部分机器学习常用的算法，并且还包含了样例数据、预处理、特征选择、模型验证等模块。

其实，Python量化当中涉及到的库非常多，这4个库是其中经常被用到或提及的，萌新可以快速浏览一下我之前的这3篇文章，感受一下它们之间的关系和作用。

《手把手教你，利用机器学习模型，构建量化择时策略》

《手把手教你用机器学习预测黄金ETF价格》

《量化交易领域10大高效机器学习算法盘点》

初学的话能学好前3个库就算不错了，一般的入门量化分析任务已经难不倒你了，Python量化当中其他可能涉及到的库还包括但不限于：scipy、statsmodel、talib、tushare、akshare、backtrader、quantstats、empyrical、pyfolio、tensorflow、pytorch、keras、tsfresh、qlib......不用急着都学，遇到的时候，或有需要的时候再学就可以了。

三、量化平台

对于量化初学者而言，不建议自己搭建量化框架/平台，应该以实现量化策略为主，把数据获取清洗、回测框架搭建和对接实盘接口等工作交给专业团队打理，因此强烈建议使用现成的第三方量化平台，这里给大伙儿推荐一些。

如果你打算做股票量化交易，可以选择以下6个量化平台，在他们的官网的“帮助中心”里面，可以找到对应的上手教程和策略模板。

聚宽JoinQuant：

https://www.joinquant.com

优矿Uqer：

https://uqer.datayes.com

米筐RiceQuant：

https://www.ricequant.com

掘金量化：

https://www.myquant.cn

迅投QMT：

http://www.thinktrader.net

在支持该量化平台的券商官网下载和开通

PTrade：

https://www.hs.net

在支持该量化平台的券商官网下载和开通

如果你打算做期货/期权/大饼的量化交易，可以选择以下5个量化平台。

交易开拓者TB：

http://www.tradeblazer.net

vn.py：

https://www.vnpy.com

文华：

https://www.wenhua.com.cn

金字塔：

https://www.weistock.com

MultiCharts：

https://www.multicharts.cn

TB研究策略和回测什么的都是免费，只有开启实盘时才会在基础手续费上加收一些，以个人观察，现存的很多系列源码，都是以TB居多。

vn.py是一款基于Python的开源量化交易系统开发框架，后来更名为VeighNa，不过大伙儿还是习惯地称之为vn.py。由知乎量化大V『用Python的交易员』开发，定位是量化交易平台，提供从交易API对接到策略自动交易的完整解决方案，对接了国内外诸多不同类型的金融市场：证券、期货、期权、外汇、数字货币等。

后面三个就都是收费的了，优点就是编程相对简单一些，缺点就是贵，大伙儿也可以去看看。

四、量化策略

有了编程基础，又选定了量化平台，恭喜你，你终于有能力实现自己最初的投资想法了，量化策略是交易想法的逻辑化和程序化展现。

由于每个人的交易想法不尽相同，只好举一个简单的双均线交易策略为例进行描述，因为“双均线”这是一个接触到投资交易，都基本会听过的词儿，“专家”告诉你在金叉的时候买，在死叉的时候卖，那实际效果到底是怎么样的呢？

在聚宽JoinQuant量化平台上，拿茅台作为交易标的，咱定义5日均线和20日均线在出现金叉的时候，第二天一开盘就全仓买入，出现死叉时，就把所有持仓全部卖出，策略代码如下。

# 导入函数库
from jqdata import *# 初始化函数，设定基准等等
def initialize(context):# 交易的股票g.stock = '600519.XSHG'# 长短均线参数g.short_len = 5g.long_len = 20# 设定沪深300作为基准set_benchmark('000300.XSHG')# 开启动态复权模式(真实价格)set_option('use_real_price', True)# 过滤掉order系列API产生的比error级别低的loglog.set_level('order', 'error')# 打开防未来函数set_option('avoid_future_data', True)# 股票类每笔交易时的手续费是：买入时佣金万分之三，卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')# 开盘时运行run_daily(stock_trade, time='open', reference_security='000300.XSHG')## 开盘时运行函数
def stock_trade(context):stock = g.stockshort_len = g.short_lenlong_len = g.long_len# 获取股票的收盘价# 当取日线数据时, 不包括当天的, 即使是在收盘后，没有未来data = attribute_history(stock, long_len+1, '1d', ['close'])# 计算双均线数据data['ma5'] = data['close'].rolling(short_len).mean()data['ma20'] = data['close'].rolling(long_len).mean()# 昨日MA5和MA20数值ma5 = data['ma5'].iloc[-1]ma20 = data['ma20'].iloc[-1]# 前日MA5和MA20数值pre_ma5 = data['ma5'].iloc[-2]pre_ma20 = data['ma20'].iloc[-2]# 取得当前的可使用的资金cash = context.portfolio.available_cash# 如果昨日出现金叉，则今日开盘买入if (pre_ma5 < pre_ma20) and (ma5 > ma20) and (cash > 0):# 用所有资金买入股票order_value(stock, cash)# 输出买入信息log.info(">>> %s 买入 %d 股 %s" % (str(context.current_dt), context.portfolio.positions[stock].today_amount, stock))# 如果昨日出现死叉，则今日开盘全部卖出elif (pre_ma5 > pre_ma20) and (ma5 < ma20) and (stock in context.portfolio.positions.keys()):# 输出卖出信息log.info("<<< %s 卖出 %d 股 %s" % (str(context.current_dt), context.portfolio.positions[stock].total_amount, stock))# 卖出所有股票,使这只股票的最终持有量为0order_target(stock, 0)

如果已经看完廖老师的前几章课程，这代码就大概能看懂七七八八了，剩下的再结合平台的API说明就能全部弄清楚了。

大概的实现流程就是，在初始化函数initialize中设置了交易标的、策略参数和交易费率，以及定义了一个每天在开盘运行的函数stock_trade，并且开启了“防未来函数”功能。在stock_trade函数里面，计算昨天和前天的5日均线和20日均线，如果金叉就买入，死叉就卖出。

运行策略，就会不断输出自定义的交易信息。

并且在运行过程中，收益率曲线也在不断地生成。

大伙儿觉得这个回测绩效怎么样？双均线策略算有效吗？你可以自己贴代码跑回测试试，同时再调整交易标的和双均线参数试一试，一般情况下回测很快，不需要一首歌的时间。

虽然我这里以JoinQuant策略为例，但所有量化平台的实现逻辑都是相通的，你只需要定义自己的函数，告诉系统“你要在什么时间？交易什么标的？交易数量是多少？”，你只要解决这3个“什么”的问题，所有的量化平台你都可以玩得转了。

如果你能完全理解并且复现出这个双均线策略，可以说明量化已经初步入门了，可以着手去实现你最初的交易策略了。如果此时还没有初始的交易想法，但又想量化练手，那就去复现金融工程研报吧，往往一篇研报至少包含一个量化策略，看看自己的复现水平能不能向“正规军”看齐，这一part可以参考一下我之前的手把手系列，全都有参考源码。

《复现网红阻力支撑指标RSRS，手把手教你构建大盘择时策略》

《(续)复现网红阻力支撑指标RSRS，手把手教你构建大盘择时策略》

《手把手教你构建与改进轮动策略（十年10倍）》

《手把手教你用机器学习预测黄金ETF价格》

《都怪自己手贱，非要复现这根ICU均线》

《手把手教你，利用机器学习模型，构建量化择时策略》

《私募奇葩要求，投资经理3周须开发4000个量化因子，手把手教你4行核心代码轻松应对》

如果你还想要实现更多的量化策略，可以䁖䁖下面的文章~

股票&ETF&指数相关策略：

《Barra太复杂，唠一个适合萌新Quant上手的量化基本面多因子模型F-Score》

《桥水基金全天候策略拆解，构建A股ETF躺平版策略》

《引入风险平价后，全天候策略持仓最大回撤直减半，但是...》