次方量化-技术博客

一文看懂QMT：量化不再是机构的专属

Mon, 01 Jun 2026 14:18:36 +0800

一提到”量化交易”，很多人第一反应是：那是机构、是私募、是程序员才玩得起的东西，跟我一个普通散户没关系。这其实是个误解。这几年随着工具的普及，个人投资者做量化的门槛已经大大降低，而其中绕不开的一个关键工具，就是 QMT。

什么是量化交易，它的优势在哪?

量化交易，简单说就是”用数据和规则代替主观感觉来做投资决策”。你把”什么时候买、买什么、买多少、什么时候卖”这些判断，全部写成明确的规则（策略），再用历史数据验证它有没有效，最后交给程序自动执行。

对比一下传统的”凭感觉炒股”，量化的优势很实在：

维度	主观交易	量化交易
决策依据	盘感、消息、情绪	数据、统计规律、明确规则
纪律性	容易追涨杀跌、拿不住、割肉	规则一旦设定，机械执行，不受情绪干扰
可验证性	赚了不知道为啥，亏了也说不清	策略能用历史数据回测，事先知道大概的收益和风险
效率	一个人盯不过来几只票	程序可同时监控成百上千只标的，秒级响应
可复制	高度依赖个人经验，难传承	策略是代码，可复用、可迭代、可批量运行

量化把投资从”艺术”变成了”工程”——它不保证一定赚钱，但它让你的每一笔交易都有据可依、可被检验、可被持续优化。这是主观交易很难做到的。

量化已不再是机构的专属！

过去量化确实是机构的”特权”，因为它需要三样东西：专业的数据、强大的算力、能直连交易所的下单通道——这些早年间动辄百万级投入，个人根本碰不起。

但现在情况完全变了：

数据：行情数据通过各类数据接口、第三方平台就能低成本获取，不再是机构垄断；
算力：一台普通电脑、甚至一个云服务器，就足够跑绝大多数个人级别的策略；
下单通道：这是过去最难的一环——个人怎么让程序自动下单？而 QMT 的出现，恰恰把这”最后一公里”打通了。

也就是说，今天一个有想法、愿意学习的个人投资者，完全可以搭起一套”研究策略 → 回测验证 → 自动实盘”的量化体系。门槛从”百万级机构投入”降到了”几乎人人可及”。而要让程序真正去券商账户里自动下单，你就需要 QMT 这样的工具。

做量化实盘，为什么绕不开 QMT

先理清一条完整的量化链路：

策略构思  →  数据获取  →  回测验证  →  模拟盘  →  实盘下单  →  风控监控
   思路     历史数据     "纸上"赚钱    验证     "真金白银"   盯着别翻车

前面几步——想策略、拉数据、跑回测——在自己电脑上就能完成。真正的卡点在”实盘下单”这一步：你的策略算出了”现在该买 1000 股沪深300ETF”，这个信号怎么变成券商账户里一笔真实的买单？

手动盯着信号自己点鼠标？跟不上、也违背了量化”自动化”的初衷。直连交易所？个人没有资格。这时就需要一个既合规、又能让程序自动下单的通道——这正是 QMT 的角色。它是目前个人投资者做 A 股程序化交易，最主流、最现实的下单通道。

QMT 到底是什么？

QMT 全称 Quantitative Multi-Trading，是由迅投科技（Thinktrader）开发的一套极速程序化交易终端。普通股民用的同花顺、通达信只能手动点买卖，而 QMT 在此基础上开放了程序化接口——让你可以通过编写代码直接发出买卖指令。

它的核心能力有三块：

能力	说明
极速行情	Level-1/Level-2 实时行情，逐笔成交、盘口数据，延迟远低于普通看盘软件
程序化下单	通过 Python 接口（xtquant）发单，支持限价、市价、条件单等
多品种覆盖	股票、ETF、LOF、可转债、期货、期权等，一套终端全搞定

需要特别注意的是，QMT本质上是一款只支持 Windows 平台的桌面端软件——必须安装并运行在 Windows 电脑上，官方不提供 macOS、Linux 或手机端版本。Mac / Linux 用户如果想用，只能通过 Windows 虚拟机或云端 Windows 服务器来跑。

讯投版 vs 券商版：区别与联系

很多新手会被”QMT 有好几个版本”搞晕，其实就两类，搞清楚关系就不乱了：

	讯投版（官方版）	券商版
来源	迅投科技官方直接提供	券商基于迅投内核定制后，发给自己的客户
费用	通常需付费订阅	多数券商免费提供给达标客户
功能	功能最全，数据权限完整，偏投研一体	功能可能被券商裁剪/定制，以满足交易为主
获取方式	向迅投购买	找你开户的券商开通
适合人群	对功能、数据要求高的专业用户/机构	绝大多数个人投资者

它们的联系是：底层是同一套迅投 QMT 内核，程序化接口（xtquant）基本一致。所以你写的策略代码，在两个版本之间是相通的、可迁移的。区别主要在费用、功能完整度、数据权限和获取渠道上。

两种形态及其使用场景

无论哪个版本，QMT 运行起来都有两种形态，这点直接决定你怎么用它：

完整客户端模式：打开一个带图形界面的交易终端，能看盘、看持仓、内置策略编辑器。适合想要可视化盯盘、在客户端里直接编写和运行简单策略的用户。
miniQMT（极简模式）：不带花哨界面，只在后台跑一个交易服务，纯粹通过 Python 库 xtquant 来对接（xtdata 取行情 + xttrader 下单）。适合做正经程序化交易、或要把 QMT 对接到第三方量化平台的用户。

用 QMT 有哪些条件限制

QMT 虽强，但不是装个软件就能用，有几个硬门槛：

必须通过券商开通：QMT 不是应用商店能下载的，得找你开户的券商申请”量化交易权限”。
资产门槛：多数券商要求账户资产 50 万元以上（具体随券商政策、活动有差异，部分可降低）。
适当性与协议：需完成投资者风险测评（等级达标），并签署程序化交易相关协议。
技术环境：xtquant 对 Python 版本/位数有要求，需要按券商文档配置好运行环境。

满足这些，券商才会给你 QMT 客户端的下载地址和专属账号。

对大多数个人投资者来说，直接找券商开通免费的券商版 QMT 就够用了，没必要一上来就买官方付费版。次方量化和多家券商都有合作，比较低的资产门槛（10万及以下）就可以开通QMT，有需求的朋友可以联系我们进行咨询了解。

开通了 QMT，只是拿到了”下单的钥匙”！

这是最多人忽略、却最关键的一点：

QMT 给你的，是一个”程序化下单的权限和通道”——它负责把单子准确、快速地打进市场。但它本身不替你思考”该买什么、什么时候买”。

换句话说，开通 QMT 之后，你手里拿到的是一根高质量的”下单管子”，但管子另一头连着的”策略大脑”，还得你自己造。而要自己从零搭一套能实盘的策略，你会立刻撞上一堆现实问题：

得会编程：xtquant 接口、行情订阅回调、Python 环境配置，对没有开发背景的人极不友好；
得自己搭回测：QMT 管下单，不管你的策略”对不对、回测靠不靠谱”，数据和回测体系要自己搭；
得啃工程化脏活：断线重连、订单状态管理、持仓对账、风控止损、异常监控……这些占了实盘开发的大半精力，且每个出错都可能是真金白银的损失。

于是大量有想法的投资者，卡在了”开通了 QMT，却搭不出能用的策略”这一步。

次方量化是一个专业的量化策略搭建和回测平台，使用了它，你便可以专注在策略思路本身，而不需要关心编程和工程化的脏活累活，次方量化主要提供了以下功能：

可视化创建策略：内置 ETF 动量轮动、全天候风险平价等成熟策略框架，参数化配置，不用从零写代码就能搭出自己的策略；
专业回测引擎：基于真实历史行情（含复权、分红拆分处理）回测，收益、回撤、夏普等指标一目了然，投真钱前先验证有没有效；
每日模拟跟踪：策略上线后自动跑模拟盘，每天给出买卖信号，让你先观察一段时间再决定；
一键接入 QMT 实盘：把验证过的策略与你的 QMT 账户对接，平台产生的交易信号直接驱动 QMT 下单，全程不需要写一行代码！

结语

量化交易不再是机构的专属，个人投资者完全有机会用上同一套思路和工具。在这条路上：QMT 打通了”程序化下单”这关键的最后一公里，但它只是通道，前面的策略研究、回测验证和工程化，仍是横在多数人面前的真实门槛。

如果你既想用上 QMT 的实盘能力，又不想被编程和工程细节拖住，次方量化平台值得一试：在平台上低门槛创建并回测你的策略，验证有效后一键接入 QMT 跑实盘，把精力真正留给”赚钱的策略思路”本身。

本文仅作科普与功能介绍，不构成任何投资建议。量化策略历史回测表现不代表未来收益，程序化交易存在技术故障、市场极端波动等风险，实盘前请充分评估自身风险承受能力。QMT 权限开通条件、版本功能及费用以迅投官方和各券商实际政策为准。

ETF动量轮动策略，年化60%回撤14%

Fri, 08 May 2026 13:58:11 +0800

在量化投资的百花园中，能够在六年回测中实现总收益率 1647%、年化收益率近 60%、最大回撤不足 15% 的策略，堪称凤毛麟角。

这就是大类资产对冲组合轮动策略交出的成绩单：

核心指标	数值
回测起始日期	2020-01-01
总收益率	1647.43%
年化收益率	59.94%
最大回撤	14.92%
夏普比率	2.20
卡玛比率	4.02
胜率	52.57%
盈亏比	2.38

值得特别关注的是卡玛比率（Calmar Ratio）高达 4.02——这一指标等于年化收益率除以最大回撤，代表每承受 1% 的最大回撤，能够换取 4% 的年化收益。这在各类量化策略中属于极为优秀的水平，充分说明该策略在追求高收益的同时，对风险的管控极为精准。

次方量化ETF动量轮动策略

策略的核心逻辑：跨境对冲 + 动量轮动

这个策略选择了6个产品做为轮动池，每日计算6个产品的过去25日加权斜率动量值，然后买入排名第一的品种

次方量化ETF动量轮动策略

策略本质是什么？

全球资产配置：标的池横跨中国 A 股成长（创业板 100ETF）、美国科技（纳指 ETF）、欧洲股市（德国 ETF）、日本股市（日经 ETF）、商品（豆粕 ETF）、避险资产（黄金 ETF）六大方向，实现真正的跨境、跨资产类别分散。
动量轮动机制：策略每日检查各标的的相对强弱，通过过去 25 日加权斜率这一动量因子对各 ETF 进行打分和排名，每次只持有排名第一的品种，集中火力押注当下最强势的资产。
对冲属性：六只 ETF 覆盖的资产之间天然存在低相关性甚至负相关性。当 A 股下跌时，黄金可能上涨；当全球风险偏好下降时，黄金和债券类资产往往逆势走强。这种内在的对冲结构，从根本上压制了组合的最大回撤。

为什么选这六只 ETF？

ETF	代码	代表的市场	在组合中的角色
创业板100ETF	159915	中国成长股	进攻核心，弹性最大
纳指ETF	159941	美国科技股	全球科技行情捕捉
德国ETF	513030	欧洲制造业	跨境分散，与A股低相关
日经ETF	513520	日本股市	亚太市场补充
豆粕ETF	159985	农产品商品	通胀对冲，与股市低相关
黄金ETF	518880	贵金属	终极避险，日均成交超2亿

动量因子：25 日加权斜率的妙用

相比传统动量策略常用的N 日涨幅排名，该策略采用了更为精细的过去 25 日加权斜率作为核心因子。

加权斜率与普通收益率排名的区别在哪里？

普通 N 日收益率只关注「起点」和「终点」，中间的走势路径完全被忽略。而加权斜率通过线性回归计算价格序列的斜率，同时赋予近期数据更高的权重，能够更准确地刻画一个 ETF「当下趋势的斜率和加速度」。

斜率大：说明该 ETF 近期上涨趋势强劲、线性度好，是真正的强势资产
斜率小甚至为负：说明趋势不明朗或已进入下行通道，规避

打分后阈值设定为 0 到 5 ，避免追高，每日更新，每日检查，确保策略始终持有当下得分在合理区间里最高的那只 ETF。

为什么选 25 日而非 21 日？

25 日接近一个自然月的交易日数量，既能捕捉中期趋势，又能有效过滤短期噪声。相比 21 日，25 日在 A+H 跨境组合中经过历史数据验证具有更好的信噪比，减少了因短期市场扰动导致的无效切换，从而降低交易成本。

ETF 资产池：低相关性是护城河

该策略仅用了 6 只 ETF，却实现了覆盖全球主要市场的资产配置。这并非偶然，背后遵循了严格的低相关性原则。

试想以下场景：

2022 年美联储激进加息：美股纳指重挫 35%，但黄金在初期因避险需求表现相对抗跌，而豆粕受俄乌冲突影响农产品供给紧张大幅上涨，策略可能全年持有豆粕 ETF
2024 年日本央行加息预期：日经因日元升值承压，但 A 股创业板可能因国内货币宽松而走强，策略自动切换至创业板
2025 年全球 AI 浪潮：纳指大幅跑赢，策略重仓纳指 ETF 捕捉科技牛市

正是因为这六个标的在不同宏观环境下的表现各不相同，策略通过动量轮动机制，总能找到「当下最对」的那个方向，这就是「对冲组合」中「对冲」二字的真正含义——不是同时持有多空来锁死收益，而是通过负相关资产的轮动来平滑整体权益曲线。

止盈止损机制：收益曲线优化的关键一环

该策略的参数配置中有一个值得重点解读的设计：高点回撤5%止损。

这乍看有些反常识——大多数人直觉上认为止损比止盈更重要。但这一设计背后有清晰的逻辑：

为什么不设固定止损？

在趋势跟踪策略中，过早止损是最常见的「亏损来源」之一。当一只 ETF 短期回调 2%-3%，触发止损后卖出，随后却继续大幅上涨，就会造成「被甩下车」的遗憾。由于策略每日检查动量打分，当趋势真正逆转时，排名下滑会自然触发切换信号，这本身就是一种「软止损」——无需硬性价格止损，动量因子已经承担了趋势跟踪的职责。

为什么要设止盈（高点回撤 5%）？

止盈的本质是防止「浮盈回吐」。当某只 ETF 出现极端性的快速上涨（例如 2024 年 9 月创业板数日内暴涨），往往意味着短期出现了严重的超买。此时设定「从最高点回撤 5% 即止盈离场」，能够在顶部附近锁定大部分收益，避免持仓随后的快速回落侵蚀利润。

止盈触发后，还设置了 5 个交易日的冷却期，防止策略在震荡顶部区域反复买入同一品种，进一步优化了交易的时机选择。

这样的止盈止损风控设计，正是该策略收益曲线能够如此平滑的重要原因之一。

回测表现解读：穿越牛熊的六年

从 2020 年 1 月至今，该策略经历了 A 股及全球市场的多轮重大考验：

2020 年（新冠冲击+复苏）：全球市场 V 型反弹，科技成长领涨。策略在暴跌后快速识别并切换至反弹最强的标的，充分捕捉了疫情后的反弹行情。
2021 年（结构性行情）：A 股分化，核心资产高位震荡。策略通过在创业板、纳指等成长赛道间的轮动，规避了价值股的调整。
2022 年（全球熊市）：美股、A 股双双大幅下跌。在 A 股和美股均处于弱势时，豆粕、黄金等商品和避险资产提供了相对收益的机会，策略得以保持正收益或小幅回撤。这一年最大回撤 14.92% 中，大部分回撤或正是来自这一阶段，但已控制在极低水平。
2023-2025 年：A 股震荡，但全球 AI 行情推升纳指，日经牛市延续，黄金创历史新高。策略在这几年中通过全球轮动，持续捕捉不同市场的结构性机会，推动收益曲线加速攀升。

从收益走势图可以清晰看出，蓝色曲线（策略）始终大幅跑赢橙色基准（沪深 300ETF），尤其是 2023 年后的加速上升段，体现了跨境配置策略在 A 股表现低迷时通过全球轮动实现的超额收益。

策略优势总结

1. 胜率不高，但盈亏比优异

胜率 52.57% 意味着策略略高于「抛硬币」，并非依靠频繁猜对方向赚钱。真正的优势在于盈亏比 2.38——每次赚钱的平均幅度是每次亏损平均幅度的 2.38 倍。这正是趋势跟踪策略的精髓：让利润奔跑，快速切断亏损。

2. 夏普比率 2.20，风险调整收益极优

夏普比率衡量每单位风险对应的超额收益。2.20 的数值意味着该策略在承担同等波动风险的情况下，能够获得远超无风险利率的回报，是机构级别量化策略的水准。

3. 全球配置，真正的「东方不亮西方亮」

这是该策略区别于大多数 A 股策略最本质的优势。当 A 股进入漫长熊市时，纳指、德国、日经或黄金往往能接棒，保持策略持续运转，避免长时间空仓等待。

4. 参数简洁，逻辑清晰

一个因子（25 日加权斜率），六只标的，单一持仓，每日检查。策略的复杂度极低，逻辑却极为通透，这反而是其稳健性的保障——越复杂的策略，过拟合的风险越高。

风险与局限性

任何策略都有其适用边界，保持清醒的认知同样重要：

1. 单一持仓的集中性风险

策略每次只持有一只 ETF，虽然提高了进攻性，但也意味着在判断失误时，组合会承受集中性的短期亏损。14.92% 的最大回撤已经相当优秀，但投资者仍需做好心理准备，接受策略在切换时点前后可能出现的短期浮亏。

2. 极端行情下的动量失效

2015 年 A 股股灾中的政策强干预，或 2020 年初新冠暴跌时的全球流动性危机，可能造成所有资产在极短时间内同步大幅下跌。此时动量因子可能来不及切换，策略会面临短期较大回撤。黄金作为资产池中的避险配置，能够在一定程度上缓解这一风险，但无法完全规避。

3. 标的流动性依赖

策略选取的六只 ETF 均为市场主流品种，黄金 ETF（518880）日均成交超 2 亿，流动性极佳。但若未来某只 ETF 规模萎缩，可能影响策略的执行效果，需要定期复审标的流动性状况。

4. 历史业绩不代表未来

2020 年以来的回测期间，全球量化宽松造就了较为有利的资产轮动环境。在利率中枢长期上行或全球化逆转的新范式下，各类资产的相关性可能发生结构性变化，策略需要保持持续的监控和迭代。

结语

「大类资产对冲组合轮动」策略用一个极为简洁的框架，实现了量化投资的终极目标——在可接受的风险范围内，获取远超市场平均水平的长期收益。

六年 1647%、年化近 60%、卡玛比率 4.02，这组数据的背后，是跨境资产低相关性、25 日加权斜率动量因子、止盈+冷却期机制三者协同的结果。没有哪一个因素是灵丹妙药，三者共同构成了这个策略的护城河。

当然，策略的历史表现无法保证未来，市场的唯一确定性就是不确定性。对于有意跟投的投资者，建议充分理解策略逻辑，合理配置仓位，保持足够的耐心和执行纪律——在量化投资的世界里，时间和纪律，永远是最稀缺的 alpha 来源。

2026年 QMT & miniQMT 券商支持清单

Wed, 15 Apr 2026 17:20:38 +0800

1分钟搞懂QMT vs miniQMT

完整版 QMT（大QMT）： 类似一个功能强大的综合交易终端，自带图形界面，集成了策略编写、回测分析、实盘交易和风险管理等完整功能。但它占用资源较多，对小白来说学习曲线可能稍陡。
miniQMT（极简/独立交易模式）： QMT的“轻量精简版”。启动时勾选“独立交易”或“极速交易”即可打开。它剥离了图形界面，只保留行情获取与交易执行两大核心。但它可以让你在PyCharm/VSCode等外部IDE中自由编写策略，灵活性和开发自由度更高，更适合喜欢纯代码操作的开发者。

完整版 QMT（大QMT）支持券商列表

序号	券商名称	资金门槛	备注/说明
1	国金证券	低 (约10万)	门槛亲民，支持QMT和miniQMT，对个人开发者友好
2	国信证券	低 (约10万)	提供“国信iquant精简版”，支持QMT，但miniQMT需额外确认
3	华西证券	低 (约10万)	支持低门槛开通，对策略调试指导友好
4	大同证券	低 (10万以下)	门槛很低，适合新手体验
5	德邦证券	低 (10万以下)	门槛很低，适合新手体验
6	第一创业证券	低 (10万以下)	门槛很低，适合新手体验
7	东亚前海证券	低 (10万以下)	门槛很低，适合新手体验
8	华金证券	低 (10万以下)	门槛很低，适合新手体验
9	华鑫证券	低 (10万以下)	提供TORA奇点柜台，支持量化接口
10	世纪证券	低 (10万以下)	门槛很低，适合新手体验
11	万和证券	低 (10万以下)	门槛很低，适合新手体验
12	万联证券	低 (10万以下)	门槛很低，适合新手体验
13	五矿证券	低 (10万以下)	门槛很低，适合新手体验
14	中邮证券	低 (10万以下)	门槛很低，适合新手体验
15	华泰证券	中等 (约30-50万)	头部券商，系统稳定，支持多品种交易
16	中金财富	中等 (约30-50万)	专业机构级服务，部分渠道支持低门槛
17	国泰君安	中等 (约30-50万)	头部券商，高速行情与极速交易执行
18	银河证券	中等 (约30-50万)	依托恒生极速柜台，系统稳定性强
19	中信建投	中等 (约30-50万)	策略工具丰富，提供极速交易通道
20	中信证券	中等 (约30-50万)	头部券商，但部分信息显示不支持miniQMT
21	广发证券	中等 (约30-50万)	头部券商，主流量化平台支持
22	招商证券	中等 (约30-50万)	支持QMT云端版与本地版
23	国投（安信）证券	中等 (约30-50万)	ACT核心客户极速策略交易终端
24	申万宏源	中等 (约30-50万)	头部综合券商
25	东北证券	中等 (约30万)	名称叫“NET专业版”，支持QMT和miniQMT
26	国海证券	中等 (约30万)	30万门槛开通全功能QMT，性价比高
27	财信证券	中等 (约30-50万)	官方采购QMT主动算法服务，支持完善
28	开源证券	中等 (约30-50万)	仅限特定客户使用
29	江海证券	中等 (约30-50万)	新兴支持QMT和miniQMT
30	长城证券	中等 (约30-50万)	支持完整版QMT
31	方正证券	中等 (约30-50万)	支持完整版QMT
32	南京证券	中等 (约30-50万)	提供NXT极速策略交易系统
33	西南证券	中等 (约30-50万)	采购迅投QMT算法服务项目
34	财通证券	高 (100万以上)	门槛较高
35	东方财富证券	高 (100万以上)	门槛较高

miniQMT支持券商列表

券商名称	资金门槛	亮点/优势
国金证券	低（约10万）	市场公认门槛低，支持线上全流程办理，对散户最友好，适合Python开发者
华西证券	低（约10万）	门槛低，适合小资金入门，支持策略调试指导
国信证券	低（约10万）	支持miniQMT，但需与客户经理明确说明需求
银河证券	中等（约50万）	系统稳定，部分渠道可10万开通，新手易上手
东北证券	中等（约30万）	特色券商，明确支持miniQMT，性价比不错
中金财富	中等（约50万）	头部券商服务，部分渠道门槛可能降低
华泰证券	中等（约50万）	头部券商系统稳定，支持多语言开发，但需确认具体营业部政策
国泰君安	中等（约50万）	支持迅投QMT平台，高速行情与极速交易执行

【次方量化】头部券商开户：超低手续费+低门槛QMT+赠送会员，扫下方二维码即可了解

年化191%的策略，我们拆解下，是否过拟合？

Mon, 05 Jan 2026 16:42:10 +0800

看的是这个收益最高的策略，年化这么高，我们稍微调整下，发布出来

【1】去掉日交易额小于2000万的ETF，这个盘子太小了，有几个人买就非常任意买爆。

【2】把一些能够替换成其他规模大的ETF就替换掉，替换成我们自己快捷选择的ETF。

【3】增加佣金万1，增加滑点千2，其他参数都不变

【4】直接回测，效果变化这么大

是不是我不应该换ETF，不过盘子太小的确实不应该要，我就只去掉交易额 300万和50万的两个基金，其他基本在2000万以上，

回测的结果差别不大

再增加滑点和手续费，其他不变。在非极端行情下，1 亿日成交额 ETF 的平均滑点约为万3 （豆包AI给的答案），手续费按照万1计算，很多券商都是这么收的。

好了，知道是高频策略，基本上每天都会调仓，所以滑点和手续费很关键，你需要有比较大规模的资金，减仓的时候需要分批减仓，一把梭哈任意拉高滑点。

现在我们继续整资金池里面的ETF，如果要保证滑点低，就需要保证你交易的ETF规模大，换成规模>2000万。另外把成立时间段的去掉，换成成立时间长的，看看效果怎么样，年化88%。

再优化下参数，看看能不能提高收益。现在年化95%了

赚钱基本上是前面和后面半段时间在赚钱，中间3年，没有赚钱，看你是否受得住。由于买了很多都是行业，所以符合牛市赚大钱的规律。

一年又250个交易日，其中170天都在交易，如果你的滑点控制不住的话，实际上比较难挣钱的。高频交易，滑点很重要。而且中间非牛市的时候也是需要手续费的，3年时间，还是会比较难熬。

如果真的实盘的话，可能达不到这个预期收益，要差一些，万2的滑点，需要qmt自动化交易，你手动肯定跟不上的。

美军直接抓人！委内瑞拉的石油，美国抢定了？

Mon, 05 Jan 2026 16:41:39 +0800

各位观众老爷，欢迎来到次方量化，我是陪你买股票的次方。

今天咱们聊一个把 “资源诅咒” 和 “大国博弈” 演绎到极致的国家 —— 委内瑞拉。这个攥着全球第一石油储量的南美国家，本该躺着数钱，却硬生生被美国逼到绝境。更炸裂的是，就在前不久，美军特种兵直接冲进总统府，把马杜罗夫妇连夜押往美国受审。

这事儿表面看是 “缉毒反恐”，实则是一场明火执仗的石油霸权争夺战。而要搞懂这一切，得先从委内瑞拉这个国家，以及马杜罗这个人说起。

一、先搞懂：委内瑞拉到底是个什么样的国家？

委内瑞拉坐落在南美洲北端，国土面积超 92 万平方公里，比法国和德国加起来还大，是世界第 32 大国家。它北临加勒比海，东接圭亚那，南邻巴西，西靠哥伦比亚，地理位置得天独厚。

这个国家有约 2860 万人口，人口结构偏年轻，官方语言是西班牙语，近 90% 的人信仰基督教，这都是西班牙殖民时期留下的文化印记。

它的核心标签就两个：一是 “石油王国”，已探明石油储量 3030 亿桶，占全球 17%，比沙特还多，奥里诺科重油带的重质原油刚好适配美国墨西哥湾炼厂；二是 “选美胜地”，累计拿过 23 次国际顶级选美冠军，选美产业年产值比渔业和林业加起来还高。

上世纪 70 年代石油国有化后，委内瑞拉靠石油发了财，人均 GDP 领跑南美，首都加拉加斯被誉为 “南美明珠”，免费医疗、免费教育、廉价汽油，曾是这里的日常。但过度依赖石油的单一经济结构，也为后来的危机埋下了隐患。

二、关键人：马杜罗，从巴士司机到国家总统

这场博弈的核心人物马杜罗，人生经历堪称传奇。

1962 年，他出生在加拉加斯的一个工人家庭，父亲是工会领袖，从小受左翼思想影响，12 岁就加入了地下左翼组织，中学时还是学生运动领袖，甚至组过摇滚乐队当贝斯手。高中辍学后，他当过巴士司机、业余棒球运动员，还做过政治家的保镖。

在地铁公司当司机时，他顶着禁令秘密成立了公司第一个工会，这份敢闯敢拼的劲头，让他后来结识了改变自己命运的人 —— 查韦斯。1992 年查韦斯政变未遂入狱，马杜罗积极参与营救活动，两人结下深厚的革命情谊，查韦斯也成了他的 “政治父亲”。

1998 年查韦斯当选总统后，马杜罗一路被委以重任，从国会议员、议会主席，做到外交部长，期间展现出老练的政治手腕，不仅强硬反美，还积极拓展外交关系。2012 年，查韦斯患癌后，直接指定马杜罗为接班人，次年查韦斯去世，马杜罗以微弱优势赢得大选，正式接任总统，之后又多次连任，始终坚定延续 “查韦斯主义” 和 “21 世纪社会主义” 路线。

查韦斯主义是查韦斯主导的以反新自由主义、追求社会公平、强化国家干预与拉美一体化为核心的政治思潮与实践体系，21 世纪社会主义是其在 2005 年后明确的转型方向与目标，二者高度关联、核心主张一致，前者是后者在委内瑞拉的本土化形态与实践载体。以下从概念、核心主张、关联与实践、影响与争议展开说明。

他上台后，一方面继续推进石油国有化，维护国家资源主权；另一方面尝试经济多元化，加大民生投入，试图摆脱对石油的过度依赖。但内有经济结构失衡的积弊，外有美国的步步紧逼，他的执政之路布满荆棘。

三、天选之子的命，反美就该死？

马杜罗的强硬立场，彻底打乱了美国的算盘。在老美眼里，委内瑞拉的石油就该归自己掌控，而马杜罗继承查韦斯的反美路线，收回美企石油特许权，把埃克森美孚、康菲等巨头踢出门外，就是 “以下犯上”。

要知道，委内瑞拉的石油对美国有多重要 —— 它的重质原油是美国炼厂的 “刚需”，一旦断供，美国的能源体系都会受影响。马杜罗坚持石油主权，拒绝做美国的 “能源附庸”，这就注定了他会成为美国的眼中钉。

四、美国的绞杀三部曲：制裁、封锁、抓人

从 2017 年开始，美国对委内瑞拉的绞杀，步步升级，招招致命。

金融绞杀：冻结委内瑞拉海外资产，禁止 PDVSA 在美交易，切断石油出口的美元结算通道。委内瑞拉的石油收入一夜腰斩，国家财政直接断血。
海上封锁：美军舰队开进加勒比海，扣押油轮、拦截运输船，甚至击沉所谓的 “运毒船”。委内瑞拉只能启用 342 艘老旧油轮，关掉定位、更换船旗，冒着被击沉的风险偷偷运油，石油出口量从每天 350 万桶暴跌到 50 万桶。
军事突袭：2026 年 1 月 3 日，代号 “绝对决心” 的行动打响。150 架战机贴着海面 30 米低空突防，炸开总统住所的钢门，3 个小时就把马杜罗夫妇生擒。

特朗普在海湖庄园实时围观，转头就放话：“要让美国石油巨头砸钱，把委内瑞拉石油彻底攥在手里。”

这操作，和 1989 年入侵巴拿马如出一辙 —— 师出有名是幌子，抢资源才是真。所谓的 “门罗主义”，本质就是 “我的后院我做主，你的资源归我用”。

五、中俄破局：美元结算？我们偏不

美国想独吞这块肥肉，没那么容易。早在美国动手之前，中俄就已经深度绑定委内瑞拉的石油产业，成了它的 “抗美后盾”。

中国的玩法很实在：中石油累计投资超 300 亿美元，运营多个核心油田。2025 年又砸 10 亿美元重启闲置油井，合作模式简单直接 —— 轻质油归委方，重质油供中国。更关键的是，我们不用美元结算，直接用人民币，彻底绕开美国的金融封锁。

俄罗斯更直接：俄企深度参与油田开发，改装专用油轮帮着运油，一签就是 15 年的长约，结算用卢布。这波操作，直接把美国的制裁体系干成了摆设 —— 你禁你的美元，我们玩我们的货币，石油照运，生意照做。

这也是美国急着动武的核心原因之一：再不动手，委内瑞拉的石油体系就彻底脱离美元掌控了。

六、石油有多香，命就有多苦

委内瑞拉的石油储量，是老天爷赏饭吃。

3030 亿桶已探明储量，占全球 17%，奥里诺科重油带的资源，够全世界用几十年。靠着石油，委内瑞拉曾是南美最富的国家之一 —— 免费医疗、免费教育、廉价汽油，日子过得比欧洲还滋润。

但成也石油，败也石油。

委内瑞拉的经济，是典型的 “单腿走路”—— 石油出口占总出口的 90% 以上，其他产业几乎为零。这种畸形结构，注定了它的命运：油价涨，全家吃肉；油价跌，全家喝粥。

2014 年，国际油价从 100 多美元暴跌到 30 美元，委内瑞拉的财政直接崩了。

更要命的是，查韦斯时代的高福利政策，早已掏空了国库。油价暴跌后，政府没钱了，只能疯狂印钞。结果就是，货币贬值百万倍，一包面粉的价格，能买下一栋楼；超市里的日用品，要靠排队摇号才能买到。

【通货膨胀率，最近月份，月度高达18%】

【通货膨胀率，最近月份，年度高达，172%】

七、选美冠军的荣光，救不了石油王国

在一片灰暗里，委内瑞拉还有一道光 —— 选美。

这个国家，累计拿了 23 次国际顶级选美冠军，其中 7 次环球小姐、8 次国际小姐。选美产业的年产值，高达 3.5-4.2 亿美元，比渔业和林业加起来还多。

为啥委内瑞拉盛产选美冠军？

印第安、欧洲、非洲的混血基因，让这里的姑娘们颜值爆表；更重要的是，选美是普通人改变命运的捷径 —— 一旦夺冠，就能名利双收，彻底摆脱贫困。

但选美冠军的荣光，救不了这个深陷泥潭的国家。当超市里连面包都买不到时，再美的脸蛋，也填不饱肚子；再耀眼的皇冠，也遮不住民生的疮痍。

量化第一课：backtrader实现双均线策略

Mon, 29 Dec 2025 15:24:13 +0800

我在自己的服务器上面，弄了一些主流的ETF数据，你们可以直接去取，具体可以取哪些，看第二篇文章。先看效果图，后面代码没有bug，可以直接放在一个文件夹下面运行。

【获取ETF数据：data_loader.py】平时我们如果通过爬虫获取数据，一些开源的akshare也会被封号，我给大家提供了T+1的数据，当做练习使用完全没问题。由于bt他对数据的要求不一样，需要转换成bt能够识别的数据集合，把df存到list中。

# -*- coding: utf-8 -*-
"""数据加载模块"""


import pandas as pd
import pymysql
from typing import Optional

# 数据库配置
DB_CONFIG = {
    "host": "223.109.142.60",
    "port": 3306,
    "user": "huayang",
    "password": "huayang555",
    "database": "etf",
    "charset": "utf8mb4"
}

#从数据库拿数据
def read_etf_data(code: str, start: Optional[str] = None, end: Optional[str] = None) -> pd.DataFrame:
    sql = "SELECT trade_date as date, open, high, low, close, volume FROM etf_hist_data WHERE code = %s"
    params = [code]
    
    if start:
        sql += " AND trade_date >= %s"
        params.append(start)
    if end:
        sql += " AND trade_date <= %s"
        params.append(end)
    
    sql += " ORDER BY trade_date ASC"

    try:
        conn = pymysql.connect(**DB_CONFIG)
        df = pd.read_sql(sql, conn, params=params)
        conn.close()
        return df
    except Exception as e:
        print(f"⚠️ 数据库读取失败 [{code}]: {e}")
        return pd.DataFrame()

#转化成bt格式
def load_etf(code: str, start: str, end: str):
    df = read_etf_data(code, start, end)
    if df.empty or len(df) < 10:
        print(f"⚠️ {code} 数据不足")
        return None
    
    df['date'] = pd.to_datetime(df['date'])
    df = df.dropna(subset=['open', 'high', 'low', 'close', 'volume'])
    df.set_index('date', inplace=True)
    
    return df

【主函数run.py】这里就是把数据拿过来做策略，双均线策略 (Demo)。买入: 短期均线上穿长期均线 (金叉)。卖出: 短期均线下穿长期均线 (死叉)。

# -*- coding: utf-8 -*-
"""
ETF择时策略回测 - 课程Demo
简单双均线策略：金叉买入，死叉卖出
"""

import backtrader as bt
import warnings
from typing import List
import show_plot
import data_loader
warnings.filterwarnings('ignore')

# ===================== 双均线策略 =====================
class DualMA_Strategy(bt.Strategy):
    params = dict(
        short_period=10,    # 短期均线周期
        long_period=30,     # 长期均线周期
    )

    def __init__(self):
        # 计算均线
        self.short_ma = bt.ind.SMA(self.data.close, period=self.p.short_period)
        self.long_ma = bt.ind.SMA(self.data.close, period=self.p.long_period)
        self.crossover = bt.ind.CrossOver(self.short_ma, self.long_ma)          # 金叉死叉信号
        
        self.holding = False  #默认空仓
        
        # 记录净值曲线
        self.nav_list: List[float] = []
        self.date_list: List[object] = []

    def log(self, txt):
        print(f'{self.datetime.date()}, {txt}')   #打印日期

    def next(self):
        self.nav_list.append(self.broker.getvalue() / 100000)  #初始净值1
        self.date_list.append(self.datetime.date())
        
        # 数据不足时跳过
        if len(self.data) < self.p.long_period:
            return
        
        close = self.data.close[0]  #以当天收盘价成交
        
        # 金叉买入
        if self.crossover[0] > 0 and not self.holding:
            size = int(self.broker.get_cash() * 0.95 / close)  #买入数量
            if size > 0:
                self.buy(size=size)
                self.holding = True
                self.log(f'买入 ￥ {close:.2f}')
        
        # 死叉卖出
        elif self.crossover[0] < 0 and self.holding:
            self.close()
            self.holding = False
            self.log(f'卖出 ￥ {close:.2f}')


# ===================== 配置 =====================
CONFIG = {
    'cash': 100000,              # 初始资金
    'commission': 0.0005,        # 手续费
    'etf': 'sz159915',           # ETF代码 (创业板)
    'benchmark': 'sh510300',     # 基准ETF (可设为None不显示基准)
    'start': '2020-01-01',       # 开始日期
    'end': '2025-12-31',         # 结束日期
}
PARAMS = {
    'short_period': 5,          # 短期均线
    'long_period': 30,           # 长期均线
}


# ===================== 主程序 =====================
if __name__ == '__main__':
    # 初始化
    cerebro = bt.Cerebro()
    cerebro.broker.setcash(CONFIG['cash'])
    cerebro.broker.setcommission(CONFIG['commission'])
    
    # 加载数据
    print("加载数据...")
    df = data_loader.load_etf(CONFIG['etf'], CONFIG['start'], CONFIG['end'])
    data = bt.feeds.PandasData(dataname=df, name=CONFIG['etf'])
    cerebro.adddata(data)
    
    # 添加策略
    cerebro.addstrategy(DualMA_Strategy, **PARAMS)
    
    # 添加分析器
    cerebro.addanalyzer(bt.analyzers.DrawDown, _name='dd')
    
    # 运行
    print("运行回测...")
    results = cerebro.run()
    strat = results[0]
    
    # 结果
    final = cerebro.broker.getvalue()  #最终资金
    ret = (final - CONFIG['cash']) / CONFIG['cash'] * 100
    dd = strat.analyzers.dd.get_analysis()['max']['drawdown']
    
    print("\n" + "=" * 40)
    print(f"策略收益: {ret:.2f}%")
    print(f"最大回撤: {dd:.2f}%")
    print("=" * 40)
    
    # 绘图 (自动加载成交量和基准数据)
    show_plot.plot_return_curve(strat, CONFIG['etf'], CONFIG['start'], CONFIG['end'], CONFIG['benchmark'])

【把数据结果可视化：show_plot.py】绘制收益率曲线的时候，也把成交量一起计算上，跟一个ETF做对比。

# -*- coding: utf-8 -*-
"""可视化模块"""

import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
import data_loader

matplotlib.use('TkAgg')
plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

def plot_return_curve(strategy, etf_code: str, start: str, end: str, bench_code: str = None):
    """
    绘制收益率曲线
    """
    # 策略数据
    df = pd.DataFrame({
        'date': pd.to_datetime(strategy.date_list),
        'nav': strategy.nav_list
    }).drop_duplicates(subset='date', keep='last')
    
    initial = df['nav'].iloc[0]
    df['strat_return'] = (df['nav'] - initial) / initial
    
    # 加载成交量
    vol_df = data_loader.read_etf_data(etf_code, start, end)
    if not vol_df.empty:
        vol_df['date'] = pd.to_datetime(vol_df['date'])
        df = pd.merge(df, vol_df[['date', 'volume']], on='date', how='left')
    
    # 加载基准数据
    if bench_code:
        bench_df = data_loader.read_etf_data(bench_code, start, end)
        if not bench_df.empty:
            bench_df['date'] = pd.to_datetime(bench_df['date'])
            bench_df = bench_df.dropna(subset=['close']).sort_values('date')
            bench_df['bench_return'] = bench_df['close'] / bench_df['close'].iloc[0] - 1
            df = pd.merge(df, bench_df[['date', 'bench_return']], on='date', how='left')
            df['bench_return'] = df['bench_return'] - df['bench_return'].iloc[0]
    
    # 绘图
    has_vol = 'volume' in df.columns
    has_bench = bench_code and 'bench_return' in df.columns
    
    if has_vol:
        fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8),  gridspec_kw={'height_ratios': [3, 1]}, sharex=True)
    else:
        fig, ax1 = plt.subplots(figsize=(12, 6))
    
    # 收益曲线
    ax1.plot(df['date'], df['strat_return'], label='策略收益', c='red', lw=2)
    if has_bench:
        ax1.plot(df['date'], df['bench_return'], label='基准收益', c='blue', lw=1.5, alpha=0.7)
    
    ax1.set_title('策略收益率曲线', fontsize=14)
    ax1.set_ylabel('累计收益率')
    ax1.legend()
    ax1.yaxis.set_major_formatter(plt.FuncFormatter(lambda x, _: f'{x*100:.0f}%'))
    ax1.grid(True, alpha=0.3)
    ax1.axhline(y=0, color='gray', lw=0.5)
    
    # 成交量
    if has_vol:
        ax2.bar(df['date'], df['volume'], color='gray', alpha=0.7)
        ax2.set_ylabel('成交量')
        ax2.yaxis.set_major_formatter(plt.FuncFormatter(lambda x, _: f'{x/1e8:.0f}亿'))
    
    fig.autofmt_xdate(rotation=45)
    plt.tight_layout()
    plt.show()

Backtrader 最流行的量化回测框架

Wed, 24 Dec 2025 12:26:20 +0800

目前基于Python的量化回测框架有很多，开源框架有zipline、vnpy、pyalgotrader和backtrader等，而量化平台有Quantopian（国外）、聚宽、万矿、优矿、米筐、掘金等，这些量化框架或平台各有优劣。就个人而言，比较偏好用backtrader，因为它功能十分完善，有完整的使用文档，安装相对简单（直接pip安装即可）。优点是运行速度快，支持pandas的矢量运算；支持参数自动寻优运算，内置了talib股票分析技术指标库；支持多品种、多策略、多周期的回测和交易；支持pyflio、empyrica分析模块库、alphalens多因子分析模块库等；扩展灵活，可以集成TensorFlow、PyTorch和Keras等机器学习、神经网络分析模块。而不足之处在于，backtrader学习起来相对复杂，编程过程中使用了大量的元编程（类class），如果Python编程基础不扎实（尤其是类的操作），学起来会感到吃力。本文作为backtrader的入门系列之一，对其运行框架进行简要介绍，并以实际案例展示量化回测的过程。

2 backtrader简介

如果将backtrader包分解为核心组件，主要包括以下组成部分：
（1）数据加载（Data Feed）：将交易策略的数据加载到回测框架中。

（2）交易策略（Strategy）：该模块是编程过程中最复杂的部分，需要设计交易决策，得出买入/卖出信号。
（3）回测框架设置（ Cerebro）：需要设置（i）初始资金（ii）佣金（iii）数据馈送（iv）交易策略（v）交易头寸大小。
（4）运行回测：运行Cerebro回测并打印出所有已执行的交易。
（5）评估性能（Analyzers）:以图形和风险收益等指标对交易策略的回测结果进行评价。

通过阿里源安装python的包

Tue, 23 Dec 2025 17:14:29 +0800

设置阿里源(推荐这个)

pip config set global.index-url https://mirrors.aliyun.com/pypi/simple
pip config set install.trusted-host mirrors.aliyun.com

设置清华大学的

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple/
pip config set install.trusted-host pypi.tuna.tsinghua.edu.cn

短线、龙头、趋势（AI战法）

Tue, 23 Dec 2025 11:58:02 +0800

短线龙头趋势战法，核心是聚焦市场主线题材的龙头股，抓主升浪趋势，以 “快准狠” 的交易节奏与严格纪律实现短期超额收益，同时靠精准风控规避情绪退潮风险。以下是完整体系与实操要点：

一、核心逻辑与龙头识别

核心逻辑：龙头是板块 / 市场情绪与资金合力的焦点，具备 “强者恒强” 的标杆效应，能带动后排补涨，其趋势持续性与板块强度高度绑定。

识别标准（3+1 验证）

维度	核心指标	判定要点
题材	正宗性 + 强度	直接受益政策 / 事件，无蹭热点嫌疑，题材具备持续性（如政策驱动、产业风口）
走势	领涨 + 抗跌	板块内首板 / 连板数领先，大盘调整时回撤小于跟风，不破 5 日线（趋势龙头）
资金	量价 + 龙虎	放量换手（换手率 10%-30%），主力净流入，龙虎榜一线游资 / 机构介入
带动性	板块联动	能带动龙二 / 龙三跟风涨停，形成梯队，龙头滞涨则板块易调整

二、最佳买点（按确定性排序）

首板 / 二板确认：题材爆发当日，率先封死涨停且板块跟风活跃，可排队介入；二板加速确认龙头地位，高开快速封板时打板，适合激进型。
分歧转一致（黄金买点）：连板后首阴 / 低开，板块情绪未崩，午后资金回流翻红或回封涨停时介入，适合稳健型（如首阴反包）。
趋势低吸：趋势龙头首次回调至 5 日线 / 10 日线或启动平台，缩量止跌后低吸，博弈二波或趋势延续。

三、卖点与风控铁律

止盈信号

高位放巨量滞涨、换手率超 50%（小盘）/70%（大盘）、长阴墓碑线。
板块后排掉队、龙头跌破 5 日线或关键支撑（如启动阳线低点）。
新龙头出现，老龙头失去号召力，果断切换。

止损规则

买入 3 日内无溢价或跌破启动阳线最低价，止损 3%-5%。
龙头断板且次日无反包，收盘前离场；趋势龙头 SAR 首次发出卖出信号即走。

仓位管理

单股不超 20%，总仓位不超 30%，“重仓龙头、轻仓跟风”，确认后逐步加仓。

四、实战流程（日复盘 + 盘中执行）

盘前：梳理政策 / 行业利好，预判当日热点题材。
盘中：盯首板 / 连板，看封单强度、板块联动、资金承接，按买点介入。
盘后：复盘龙头连板高度、量价、龙虎榜，跟踪板块持续性，更新次日计划。

五、常见陷阱与避坑要点

勿碰 “孤狼股”：无板块联动的独立涨停，易炸板无承接。
高位缩量加速后不追高：易成接盘侠，如高位一字板后放巨量开板。
情绪退潮期不恋战：跟风股跌停、龙头破位即离场，不博弈反弹。

六、趋势龙头与连板龙头差异

类型	持股周期	止损位	卖点核心
连板龙头	3-5 天	3%-5%	不涨停即卖
趋势龙头	5-10 天	5 日线	跌破 10 日线或 SAR 信号

七、执行纪律（成败关键）

聚焦唯一：只做第一板块、第一龙头，拒绝杂毛。
动态跟随：市场情绪退潮时降仓，主升浪时重仓，不主观预判顶部。
严格复盘：每日统计涨停题材、连板梯队，跟踪龙头强弱，避免错过切换时机。

比如今天最近流入最多的板块

其中贵金属板块，在高位放量的时候，就需要小心，现在大家的情绪还是比较高涨

看百度指数，情绪发酵到顶点的时候，黄金已经到头了

白银的关注者也多了起来，等大家套利套的差不了，溢价也可能消失。白银是全球新的商品，ETF 持续增持、期货空头交割压力大，触发逼空，推动银价创历史新高。

年化收益167.48%，夏普率4.90

Tue, 23 Dec 2025 11:57:11 +0800

如果这只买黄金，也能够获得不错的收益，回撤比只买黄金好得多。

富贵险中求，等这个策略跑一段时间，我也跟着买试试。现在跟的还是2个收益比较低的策略。

今日操作：

【LOF套利：赚30元，今天可以买500了，明天可能赚150元】

【量化策略：超额收益6%】跟着量化省心的地方在于，下跌了就不看账户，赚钱了，拿出来晒。

【主观交易：看好黄金+美股】买一点不动，等如果有了系统性的风险。比如黄金高估了，或者是美国经济走弱，再卖出，否则长期持有。

【做热点：做未来做龙头】昨天开通了一个模拟组合，专门做热点龙头企业，等他跑一段时间看效果。