基础概念¶

在开始使用 QKA 之前，了解一些基础概念将帮助您更好地理解和使用这个框架。

核心概念¶

策略 (Strategy)¶

策略是量化交易的核心，定义了买卖股票的逻辑规则。

from qka.core.backtest import Strategy

class MyStrategy(Strategy):
    def on_data(self, data):
        # 在这里实现您的交易逻辑
        pass

关键特点: - 策略继承自 Strategy 基类 - 通过重写回调方法实现交易逻辑 - 支持参数化配置

回测引擎 (Backtest Engine)¶

回测引擎模拟历史交易环境，验证策略的有效性。

from qka.core.backtest import BacktestEngine

engine = BacktestEngine(
    initial_cash=1000000,     # 初始资金
    start_date='2023-01-01',  # 开始日期
    end_date='2023-12-31',    # 结束日期
    commission_rate=0.0003    # 手续费率
)

主要功能: - 模拟真实的交易环境 - 计算手续费和滑点 - 生成详细的交易记录 - 计算各种性能指标

数据源 (Data Source)¶

数据源提供股票的历史和实时价格数据。

from qka.core.data import get_stock_data

# 获取股票数据
data = get_stock_data('000001.SZ', start='2023-01-01', end='2023-12-31')

支持的数据源: - AkShare: 免费的A股数据接口 - Tushare: 专业的金融数据接口 - QMT: 迅投QMT交易软件数据 - Wind: 万得金融数据库

交易客户端 (Trading Client)¶

交易客户端连接券商接口，执行实际的买卖操作。

from qka.brokers import QMTClient

client = TradingClient()
client.connect()  # 连接券商

# 下单买入
order = client.place_order(
    symbol='000001.SZ',
    side='BUY',
    volume=100,
    price=15.50
)

数据结构¶

股票代码格式¶

QKA 使用标准的股票代码格式：

交易所	代码格式	示例	说明
深交所	XXXXXX.SZ	000001.SZ	平安银行
上交所	XXXXXX.SH	600000.SH	浦发银行
科创板	688XXX.SH	688001.SH	华兴源创
创业板	300XXX.SZ	300001.SZ	特锐德

价格数据格式¶

标准的 OHLCV 格式：

# 数据示例
{
    'open': 15.20,     # 开盘价
    'high': 15.80,     # 最高价
    'low': 15.10,      # 最低价
    'close': 15.50,    # 收盘价
    'volume': 1000000, # 成交量
    'amount': 15500000 # 成交额
}

订单状态¶

状态	说明
`PENDING`	待提交
`SUBMITTED`	已提交
`FILLED`	已成交
`PARTIAL_FILLED`	部分成交
`CANCELLED`	已撤销
`REJECTED`	已拒绝

交易流程¶

1. 策略开发流程¶

graph TD
    A[策略想法] --> B[编写策略代码]
    B --> C[历史数据回测]
    C --> D{回测结果满意?}
    D -->|否| E[优化策略参数]
    E --> C
    D -->|是| F[模拟交易验证]
    F --> G[实盘小资金测试]
    G --> H[正式实盘交易]

2. 回测流程¶

graph LR
    A[准备数据] --> B[配置回测引擎]
    B --> C[加载策略]
    C --> D[运行回测]
    D --> E[分析结果]
    E --> F[生成报告]

3. 实盘交易流程¶

graph TD
    A[连接券商] --> B[订阅实时数据]
    B --> C[策略计算信号]
    C --> D[风险检查]
    D --> E[提交订单]
    E --> F[监控执行]
    F --> G[记录交易]

性能指标¶

收益率指标¶

总收益率: 投资期间的总收益百分比
年化收益率: 年化后的收益率
基准收益率: 相对于基准指数的收益率

total_return = (final_value - initial_value) / initial_value
annual_return = (1 + total_return) ** (365 / trading_days) - 1

风险指标¶

波动率: 收益率的标准差，衡量收益的不确定性
最大回撤: 从峰值到谷值的最大跌幅
VaR: 在一定置信水平下的潜在损失

volatility = returns.std() * np.sqrt(252)  # 年化波动率
max_drawdown = (peak_value - valley_value) / peak_value

风险调整收益指标¶

夏普比率: 超额收益与波动率的比值
索提诺比率: 超额收益与下行风险的比值
卡尔马比率: 年化收益率与最大回撤的比值

sharpe_ratio = (annual_return - risk_free_rate) / volatility
sortino_ratio = (annual_return - risk_free_rate) / downside_deviation
calmar_ratio = annual_return / max_drawdown

风险管理¶

仓位管理¶

控制单个股票和总体的仓位大小：

# 单股最大仓位不超过10%
max_position_ratio = 0.1
position_value = volume * price
max_volume = (total_value * max_position_ratio) / price

# 总仓位不超过90%
total_position_ratio = total_position_value / total_value
if total_position_ratio > 0.9:
    # 减仓操作
    pass

止损止盈¶

设置合理的止损止盈点：

def check_stop_loss_take_profit(position, current_price):
    cost_price = position.avg_price
    return_rate = (current_price - cost_price) / cost_price

    # 止损：亏损超过5%
    if return_rate <= -0.05:
        return 'STOP_LOSS'

    # 止盈：盈利超过15%
    elif return_rate >= 0.15:
        return 'TAKE_PROFIT'

    return 'HOLD'

风险分散¶

行业分散: 不要集中投资单一行业
时间分散: 分批建仓，避免一次性投入
策略分散: 使用多种不同类型的策略

常用交易策略类型¶

趋势跟踪策略¶

基于价格趋势进行交易：

移动平均线策略: 基于不同周期均线的交叉
突破策略: 基于价格突破重要阻力或支撑
动量策略: 基于价格动量指标

均值回归策略¶

基于价格会回归均值的假设：

布林带策略: 价格触及上下轨时交易
RSI策略: 基于相对强弱指标的超买超卖
配对交易: 利用相关股票的价格差异

套利策略¶

利用价格差异获得无风险收益：

统计套利: 基于统计关系的套利
事件驱动: 基于公司事件的套利
跨市场套利: 利用不同市场的价差

开发工具和环境¶

版本控制¶

# 初始化Git仓库
git init
git add .
git commit -m "初始化量化策略项目"

# 创建分支
git checkout -b feature/new-strategy

项目结构¶

推荐的项目目录结构：

my_quant_project/
├── strategies/          # 策略代码
│   ├── __init__.py
│   ├── ma_strategy.py
│   └── bollinger_strategy.py
├── data/               # 数据文件
│   ├── stocks/
│   └── index/
├── backtest/           # 回测结果
│   ├── reports/
│   └── logs/
├── config/             # 配置文件
│   ├── development.json
│   └── production.json
├── tests/              # 测试代码
│   └── test_strategies.py
├── requirements.txt    # 依赖列表
└── README.md          # 项目说明

学习路径¶

新手入门¶

理解基本概念 ← 您在这里
完成第一个策略 → 第一个策略
学习数据获取 → 数据获取
掌握回测分析 → 回测分析

进阶学习¶

策略优化技巧 → 策略开发
风险管理实践 → 风险管理
实盘交易部署 → 实盘交易

高级应用¶

多因子策略 → 多因子策略
机器学习集成 → 高级示例
系统架构设计 → 架构设计

常见术语¶

术语	英文	说明
多头	Long	买入并持有股票的仓位
空头	Short	卖出股票的仓位（A股不支持做空）
开仓	Open Position	建立新的交易仓位
平仓	Close Position	了结现有的交易仓位
滑点	Slippage	实际成交价与预期价格的差异
回撤	Drawdown	从峰值到谷值的损失
基准	Benchmark	用于比较策略表现的指数
因子	Factor	影响股票收益的特征变量
阿尔法	Alpha	策略相对于基准的超额收益
贝塔	Beta	策略相对于市场的敏感度

现在您已经了解了 QKA 的基础概念，可以开始创建您的第一个策略了！