简介：这套Python股票量化系统源码及教程面向具备一定Python基础、希望入门量化投资的开发者与投资者，帮助其从零搭建可运行的量化策略框架。资源包共244个文件，以71个py源码与80个pyc编译文件为核心，辅以json配置、png/jpg图表、ui界面文件及css/html等前端资源，压缩包约3.53MB，结构完整便于按模块研读。系统需配合MySQL数据库与Python环境运行，通过requirement.txt批量安装依赖后执行win_main.py即可启动。教程内容覆盖市场数据获取、历史数据分析、策略编写、回测执行、结果评估与风险控制等环节，并对主脚本逻辑进行解读，帮助读者理解量化策略开发全过程。目前已有38人学习，适合作为量化投资入门与实战参考的学习素材。
1. 从一份 Python 股票量化系统源码说起：它到底能帮你解决什么
很多人第一次接触量化，是从下载一份「Python股票量化系统源码」开始的。下载完解压，看到一堆 .py 文件和 requirements.txt，跑起来报错，改两天环境，最后放弃——这是最常见的翻车路径。问题不在源码本身，而在于没人告诉你这套东西的边界在哪：它能做什么、不能做什么、哪些模块必须自己替换、哪些参数一动就废。
一套可用的 Python 股票量化系统，核心就四件事：数据获取与清洗、策略信号生成、回测与绩效评估、模拟或实盘下单。源码的价值不是让你直接赚钱，而是给你一个已经搭好骨架的工程结构，你只需要往里面填自己的策略逻辑。它适合两类人：一是已经会 Python 基础语法、想从「写脚本算指标」升级到「跑完整回测流程」的开发者；二是做主观交易多年、想把手上的经验翻译成可验证规则的老手。不适合连 pandas 都没写过、指望下载就能自动盈利的人。
这篇笔记按「先跑通最小闭环 → 再拆模块改参数 → 最后避坑和进阶」的顺序展开，所有命令和代码都可以直接抄。我一般会先把数据层和回测层跑通，再动策略层，这样出问题能快速定位是数据错了还是逻辑错了。
2. 把源码跑起来：环境、数据、回测三段式拆解
2.1 环境搭建：用 conda 隔离，别在系统 Python 里装
拿到源码第一步不是急着 pip install，而是先看 requirements.txt 里锁了哪些版本。量化系统最常见的翻车就是 pandas 和 numpy 版本冲突，导致回测结果和实盘对不上。我一般用 conda 建独立环境，Python 版本选 3.9 或 3.10，这两个版本对 ta-lib、backtrader 这类库兼容性最好。
# 创建独立环境，指定 Python 3.10 conda create -n quant python=3.10 -y conda activate quant # 先装科学计算基础包，锁定大版本 pip install numpy==1.24.3 pandas==2.0.3 # 再装量化常用库 pip install backtrader==1.9.78.123 pip install akshare==1.12.0 # 免费数据源，替代部分收费接口 pip install matplotlib==3.7.2 pip install pyfolio-reloaded==0.9.6 # 绩效分析 # 最后装源码自身的依赖 pip install -r requirements.txt逻辑说明：先装 numpy 和 pandas 并锁版本，是因为后面 backtrader、akshare 都会依赖它们，如果让 pip 自动解析，很可能装出一个和源码不兼容的组合。akshare 是常用的免费行情接口，能取 A 股日线、分钟线和部分基本面数据，适合回测阶段用。pyfolio-reloaded 是原 pyfolio 的维护分支，用来生成夏普比率、最大回撤这些绩效图。
参数说明：Python 版本不要选 3.12，部分量化库还没适配；numpy 不要超过 1.25，否则和旧版 pandas 的 C 扩展会冲突。如果 requirements.txt 里写的是pandas>=1.0这种模糊约束，建议手动改成固定版本，避免每次重建环境结果不一样。
提示：装完先跑
python -c "import pandas, numpy, backtrader; print('ok')"，确认三个核心库能同时导入，再往下走。
2.2 数据层：把行情拉下来存成统一格式
源码里的数据模块通常有两种写法：一种是实时调接口，一种是读本地 CSV。回测阶段我强烈建议先落本地，因为接口会限流、会改字段、会停服，每次回测都重新拉数据既慢又不可复现。
import akshare as ak import pandas as pd import os def fetch_daily(symbol: str, start: str, end: str, save_dir: str = "./data"): """ symbol: 6位股票代码，如 '600519' start/end: 'YYYYMMDD' 格式 输出: 统一列名后的 CSV，列顺序固定 """ os.makedirs(save_dir, exist_ok=True) # akshare 的 A 股日线接口，adjust='qfq' 表示前复权 df = ak.stock_zh_a_hist( symbol=symbol, period="daily", start_date=start, end_date=end, adjust="qfq" ) # 统一列名，源码里策略层通常按这个顺序读 df = df.rename(columns={ "日期": "date", "开盘": "open", "收盘": "close", "最高": "high", "最低": "low", "成交量": "volume", "成交额": "amount", "换手率": "turnover" }) df["date"] = pd.to_datetime(df["date"]) df = df[["date", "open", "high", "low", "close", "volume", "amount", "turnover"]] df.sort_values("date", inplace=True) df.to_csv(f"{save_dir}/{symbol}.csv", index=False) return df if __name__ == "__main__": fetch_daily("600519", "20200101", "20241231")逻辑说明：前复权（qfq）是回测必须的，因为除权除息会在 K 线上留下跳空缺口，不复权的话均线、收益率全错。统一列名是为了让策略层不依赖具体数据源的字段名，以后换数据源只改这一个函数。落 CSV 而不是数据库，是因为单机回测几千行数据用 CSV 足够快，且方便用 Excel 抽查。
参数说明：adjust可选qfq（前复权）、hfq（后复权）、""（不复权），回测统一用前复权。start_date和end_date要覆盖你回测区间再往前多取 250 个交易日，因为均线类指标需要预热期，否则前 250 天信号全是错的。
2.3 回测层：用 backtrader 跑通第一个策略
源码里如果自带回测引擎，先别急着改它，用最小策略验证数据管道是否通畅。下面这个双均线策略只做一件事：短均线上穿长均线买入，下穿卖出。
import backtrader as bt import pandas as pd class DualMA(bt.Strategy): params = (("fast", 5), ("slow", 20), ("size", 100)) def __init__(self): self.ma_fast = bt.indicators.SMA(self.data.close, period=self.p.fast) self.ma_slow = bt.indicators.SMA(self.data.close, period=self.p.slow) self.crossover = bt.indicators.CrossOver(self.ma_fast, self.ma_slow) def next(self): if not self.position: if self.crossover > 0: self.buy(size=self.p.size) else: if self.crossover < 0: self.close() def run_backtest(csv_path: str, cash: float = 100000.0): cerebro = bt.Cerebro() df = pd.read_csv(csv_path, parse_dates=["date"], index_col="date") data = bt.feeds.PandasData(dataname=df) cerebro.adddata(data) cerebro.addstrategy(DualMA) cerebro.broker.setcash(cash) cerebro.broker.setcommission(commission=0.0003) # 万三佣金 cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name="sharpe") cerebro.addanalyzer(bt.analyzers.DrawDown, _name="dd") result = cerebro.run() strat = result[0] print("夏普:", strat.analyzers.sharpe.get_analysis()) print("最大回撤:", strat.analyzers.dd.get_analysis()) cerebro.plot() if __name__ == "__main__": run_backtest("./data/600519.csv")逻辑说明：CrossOver是 backtrader 内置的交叉指标，返回 1 表示短均线上穿长均线，-1 表示下穿，0 表示无交叉。next()每个 bar 调用一次，先判断有没有持仓，再决定买或卖。setcommission必须设，否则回测收益会虚高，A 股实际佣金加印花税大约在万三到万五之间。
参数说明：fast=5, slow=20只是验证用，不是可交易参数。size=100表示每次买 100 股，A 股最小交易单位。cash=100000是初始资金，回测时按你的实际资金量设，否则仓位比例失真。夏普比率低于 1 的策略基本不用往下看，最大回撤超过 30% 的要检查是不是参数过拟合。
注意：如果
cerebro.plot()报错，通常是 matplotlib 后端问题，在脚本开头加import matplotlib; matplotlib.use("Agg")可以跳过绘图，先看数字结果。
3. 策略层怎么改：从指标公式到可回测信号
3.1 把通达信指标翻译成 Python 信号
很多人的策略灵感来自通达信的指标公式，比如「三步点金」「量能饱和度」这类。这些公式本质是价格和成交量的组合运算，翻译成 pandas 就是几行代码。关键是别直接照搬公式里的未来函数，否则回测收益会好得不真实。
import pandas as pd import numpy as np def signal_volume_saturation(df: pd.DataFrame, window: int = 20) -> pd.Series: """ 量能饱和度简化版：当前成交量 / N日平均成交量 返回值 > 1 表示放量，< 0.5 表示缩量 """ df = df.copy() df["vol_ma"] = df["volume"].rolling(window).mean() df["vol_ratio"] = df["volume"] / df["vol_ma"] # 信号：放量且收盘价高于前一日 df["signal"] = ((df["vol_ratio"] > 1.5) & (df["close"] > df["close"].shift(1))).astype(int) return df["signal"] def backtest_signal(df: pd.DataFrame, signal: pd.Series, cost: float = 0.0005) -> pd.Series: """ 简单信号回测：signal=1 次日开盘买入，signal=0 次日开盘卖出 返回每日净值曲线 """ df = df.copy() df["pos"] = signal.shift(1).fillna(0) # 次日生效，避免未来函数 df["ret"] = df["close"].pct_change() df["strategy_ret"] = df["pos"] * df["ret"] # 扣除交易成本：仓位变化时收一次 df["trade"] = df["pos"].diff().abs().fillna(0) df["strategy_ret"] -= df["trade"] * cost df["nav"] = (1 + df["strategy_ret"]).cumprod() return df["nav"]逻辑说明：signal.shift(1)是回测的生命线，它保证今天收盘产生的信号明天才生效，否则就是用未来数据交易。trade计算仓位变化，每次变化扣一次成本，双边万五。nav是净值曲线，从 1 开始累乘。
参数说明：window=20是量能均线周期，短线可以改 5 或 10，中线用 20 或 60。vol_ratio > 1.5是放量阈值，改到 2.0 信号会少很多但质量可能更高。cost=0.0005是单边成本，A 股实际约万三佣金加千一印花税（卖出），保守设万五。
3.2 参数怎么调：网格搜索和过拟合的边界
参数不是越优化越好。我一般把参数分成两类：一类是有逻辑支撑的（比如均线周期对应周线、月线），一类是纯拟合的（比如某个阈值 1.37 比 1.35 好）。后者一律不调。
import itertools import pandas as pd def grid_search(df: pd.DataFrame, fast_range, slow_range): results = [] for fast, slow in itertools.product(fast_range, slow_range): if fast >= slow: continue df = df.copy() df["ma_f"] = df["close"].rolling(fast).mean() df["ma_s"] = df["close"].rolling(slow).mean() df["signal"] = (df["ma_f"] > df["ma_s"]).astype(int) nav = backtest_signal(df, df["signal"]) total_ret = nav.iloc[-1] - 1 # 计算最大回撤 dd = (nav / nav.cummax() - 1).min() results.append({"fast": fast, "slow": slow, "ret": total_ret, "mdd": dd}) return pd.DataFrame(results).sort_values("ret", ascending=False) if __name__ == "__main__": df = pd.read_csv("./data/600519.csv", parse_dates=["date"]) res = grid_search(df, range(3, 15), range(15, 60)) print(res.head(10))逻辑说明：itertools.product生成所有参数组合，fast >= slow的跳过，因为短均线不可能比长均线还长。每个组合算一次净值和最大回撤，最后按收益排序。重点看前 10 名里参数是否集中，如果 fast 从 3 到 14 都上榜，说明策略对参数不敏感，相对稳健；如果只有某一组特别好，大概率是过拟合。
参数说明：fast_range和slow_range的范围要基于逻辑设定，比如短线 3-15、中线 15-60。不要用 1-100 这种大范围暴力搜，既慢又容易过拟合。最大回撤mdd是负数，越接近 0 越好，超过 -0.3 的要谨慎。
提示：网格搜索的结果必须用样本外数据验证。把数据按时间切成 70% 训练、30% 测试，训练集选出的参数在测试集上跑一遍，收益衰减超过一半就说明过拟合。
4. 避坑与排查：源码跑不通时先看这五条
4.1 现象：回测收益高得离谱，年化 200% 以上
原因：最常见的是用了未来函数。比如在next()里用当天收盘价判断信号又用当天收盘价成交，或者指标计算时rolling没加shift。另一个可能是数据没复权，除权日价格跳空被当成真实涨跌。
解决：检查所有信号是否shift(1)后才用于交易；检查数据是否前复权；把回测区间缩短到 1 年，手动抽查几笔交易的买卖点是否和 K 线对得上。
4.2 现象：pip install卡在 ta-lib 编译报错
原因：ta-lib 是 C 库，pip 直接装需要本地有编译环境，Windows 上尤其容易失败。
解决：不要硬装 ta-lib。大部分均线、MACD、RSI 用 pandas 的rolling和ewm就能实现，性能也够。如果源码强依赖 ta-lib，去 conda 装：conda install -c conda-forge ta-lib，conda 有预编译包。
4.3 现象：回测和实盘信号对不上，差一两天
原因：数据源的时间戳不一致。回测用的日线是当天收盘后的数据，实盘可能在盘中就取数据，导致最后一根 K 线是未完成的。
解决：实盘信号统一在收盘后计算，次日开盘执行。回测时把最后一根未完成 K 线去掉，或者用df.iloc[:-1]截断。数据源尽量回测和实盘用同一个，换源必须重新验证。
4.4 现象：策略在震荡市频繁交易，手续费吃光利润
原因：均线类策略在横盘时反复穿越，信号抖动。源码里如果没有过滤条件，就会每两天买卖一次。
解决：加过滤条件，比如要求均线斜率大于某个值，或者用 ATR 过滤低波动区间。也可以设最小持仓周期，比如买入后至少持有 5 个交易日才允许卖出。成本参数要设真实值，万三佣金加千一印花税，别设 0。
4.5 现象：源码里的实盘接口跑不通，报连接错误
原因：大部分开源量化系统的实盘接口对接的是特定券商或模拟平台，接口需要账号、密钥、特定客户端环境，不是装个库就能用。
解决：先用模拟盘接口验证策略逻辑，比如用 backtrader 的broker.set_slippage模拟滑点。实盘接口只在你确认策略在模拟盘跑满 3 个月、回撤可接受之后再接。接的时候先跑最小手数，确认下单、撤单、持仓查询都正常再放大。
5. 进阶：用 walk-forward 验证策略的真实边界
回测跑通、参数调完，最后一步是验证策略在不同市场环境下的表现。单次回测只能告诉你「这段时间行不行」，walk-forward 分析告诉你「换个时间段还行不行」。做法是把数据切成多个滚动窗口，每个窗口内用前一段优化参数、后一段验证，滚动前进。
import pandas as pd import numpy as np def walk_forward(df: pd.DataFrame, train_days: int = 500, test_days: int = 125): """ 滚动窗口：训练 500 天选参数，测试 125 天验证，每次前进 125 天 返回每个测试窗口的收益和回撤 """ results = [] start = 0 while start + train_days + test_days <= len(df): train = df.iloc[start:start + train_days] test = df.iloc[start + train_days:start + train_days + test_days] # 在训练集上选最优参数（简化：只试一组） best_fast, best_slow, best_ret = 5, 20, -999 for fast in range(3, 15): for slow in range(15, 60): if fast >= slow: continue train = train.copy() train["ma_f"] = train["close"].rolling(fast).mean() train["ma_s"] = train["close"].rolling(slow).mean() train["signal"] = (train["ma_f"] > train["ma_s"]).astype(int) nav = backtest_signal(train, train["signal"]) ret = nav.iloc[-1] - 1 if ret > best_ret: best_fast, best_slow, best_ret = fast, slow, ret # 用最优参数在测试集上跑 test = test.copy() test["ma_f"] = test["close"].rolling(best_fast).mean() test["ma_s"] = test["close"].rolling(best_slow).mean() test["signal"] = (test["ma_f"] > test["ma_s"]).astype(int) nav = backtest_signal(test, test["signal"]) test_ret = nav.iloc[-1] - 1 dd = (nav / nav.cummax() - 1).min() results.append({ "start": test["date"].iloc[0], "end": test["date"].iloc[-1], "fast": best_fast, "slow": best_slow, "test_ret": test_ret, "test_mdd": dd }) start += test_days return pd.DataFrame(results) if __name__ == "__main__": df = pd.read_csv("./data/600519.csv", parse_dates=["date"]) wf = walk_forward(df) print(wf) print("平均测试收益:", wf["test_ret"].mean()) print("收益为正的窗口占比:", (wf["test_ret"] > 0).mean())逻辑说明：每个窗口在训练集上选收益最高的参数，然后拿到紧接着的测试集上跑，模拟「用历史数据定参数、用未来数据交易」的真实流程。最后看两个指标：平均测试收益和正收益窗口占比。如果平均收益为正但占比只有 50%，说明策略靠少数几波大行情赚钱，震荡市会很难受。
参数说明：train_days=500约两年交易日，test_days=125约半年。A 股一轮牛熊约 3-5 年，训练窗口至少覆盖一轮完整波动。测试窗口太短（比如 20 天）噪声太大，太长（比如 250 天）滚动次数太少。125 天是我常用的折中值。
我自己的习惯是：任何策略在 walk-forward 里正收益窗口占比低于 60%，就不进入实盘候选。源码只是起点，真正决定能不能用的是你对策略边界的理解——知道它在什么行情下会亏、亏多少、亏多久。希望帮到你。
本文还有配套的精品资源，点击获取
