手把手用 abupy 完成第一次量化策略回测

手把手用 abupy 完成第一次量化策略回测

开篇

你是不是也遇到过这种尴尬：看某个技术指标说"金叉买入、死叉卖出"觉得有道理，但真拿自己的钱去试又心虚？或者自己写了几十行回测代码，结果发现连手续费和滑点都没算，收益数据纯属自欺欺人？

量化交易听起来门槛很高，核心逻辑其实就三步：获取数据 → 定义规则 → 验证结果。今天带你用 18K+ 星的开源量化框架 abupy（GitHub: bbfamily/abu），30 分钟走完这个完整闭环，完成第一个真正有参考价值的策略回测。

前置条件

开始前确认满足以下条件：

• 已安装 Python 3.7+（强烈推荐用 Anaconda，量化依赖包它基本都能预编译好）
• 了解 Python 基础语法（变量、列表、函数、if/for）
• 对股票市场有基本认知（知道 K 线、均线、收盘价是什么即可）

没接触过量化完全没关系，跟着做就行，abupy 封装得很友好。

环境安装

量化项目依赖 numpy、pandas、scipy 等科学计算库，这些库经常有 C 扩展和版本冲突。conda 的二进制预编译方案能帮你省掉 90% 的环境折磨。

打开终端（Windows 用 Anaconda Prompt，Mac/Linux 用普通终端）：

## 1. 创建专属的量化环境（避免污染全局 Python）
conda create -n quant python=3.8
conda activate quant

## 2. 安装 abupy
pip install abupy

## 3. 验证安装
python -c "import abupy; print('abupy 安装成功')"

能正常打印就说明环境 OK 了。abupy 首次运行时会自动初始化本地缓存目录（通常在 ~/.abupy/ 或项目同级），耐心等几十秒完成数据目录创建。

第一步：获取历史行情数据

量化第一步永远是拿到干净的数据。abupy 内置了多个数据源，A 股、美股、港股、期货、加密货币都能拉。

历史数据清洗是个大坑：除权除息、停牌复牌、数据缺失时对齐到交易日…… abupy 已经帮你处理好了这些脏活，直接调用就能拿到规整的 DataFrame。

from abupy import ABuSymbolPd

## 获取腾讯控股（港股）近一年的日 K 线数据
symbol = 'hk00700'
kl_data = ABuSymbolPd.make_kl_df(symbol, n_folds=1)

if kl_data is not None:
    print(f'成功获取 {len(kl_data)} 条数据')
    print(kl_data.tail())

make_kl_df 是 abupy 最核心的数据接口。n_folds=1 表示 1 年数据，可按需改成 2、3、5。返回的是一个带时间索引的 pandas DataFrame，每行包含 open/close/high/low/volume 等字段——这就是后续所有分析的原材料。

第二步：编写你的第一个择时策略

光看数据没意义，我们要验证一个策略到底能不能赚钱。

今天做一个最经典的双均线策略：10 日均线向上突破 30 日均线（金叉）时买入，跌破时（死叉）卖出。

逻辑清晰、参数直观、容易理解失效原因。等你熟悉了回测框架，再换更复杂的因子就顺理成章了。

在 abupy 中，策略以因子（Factor）形式存在。买入因子继承 AbuFactorBuyXD，卖出因子继承 AbuFactorSellXD，框架会在每个交易日自动调用 fit_day 方法判断是否触发信号。

from abupy import AbuFactorBuyXD, AbuFactorSellXD
import numpy as np

class MaCrossBuy(AbuFactorBuyXD):
    """10日均线上穿30日均线时买入"""
    def fit_day(self, today, orders):
        short = self.kl_pd.close_price.rolling(10).mean().dropna()
        long = self.kl_pd.close_price.rolling(30).mean().dropna()
        # 取交集部分计算金叉
        common_idx = short.index.intersection(long.index)
        if len(common_idx) < 2:
            return False
        s_cur, s_pre = short.loc[common_idx[-1]], short.loc[common_idx[-2]]
        l_cur, l_pre = long.loc[common_idx[-1]], long.loc[common_idx[-2]]
        # 昨日短均线在下，今日在上 → 金叉
        if s_pre <= l_pre and s_cur > l_cur:
            self.buy_today = True
            return True
        return False

class MaCrossSell(AbuFactorSellXD):
    """10日均线下穿30日均线时卖出"""
    def fit_day(self, today, orders, pick_times):
        short = self.kl_pd.close_price.rolling(10).mean().dropna()
        long = self.kl_pd.close_price.rolling(30).mean().dropna()
        common_idx = short.index.intersection(long.index)
        if len(common_idx) < 2:
            return False
        s_cur, s_pre = short.loc[common_idx[-1]], short.loc[common_idx[-2]]
        l_cur, l_pre = long.loc[common_idx[-1]], long.loc[common_idx[-2]]
        if s_pre >= l_pre and s_cur < l_cur:
            return True
        return False

关键说明：

• fit_day 里的 self.kl_pd 是当前标的的完整 K 线数据，today 是当前交易日信息
• 金叉判断用前一日和当日的大小关系变化，避免用到未来数据
• 返回 True 即触发信号，框架会自动记录订单

第三步：配置并执行回测

因子写好了，接下来告诉 abupy 用什么标的、多少本金、回测多长时间。

from abupy import AbuPickTimeWorker, AbuBenchmark, AbuCapital, AbuMetricsBase

## 设定基准（用上证指数做对比）
benchmark = AbuBenchmark(benchmark='sz000001')

## 初始资金 100 万
capital = AbuCapital(1000000, benchmark)

## 组装因子
buy_factors = [{'class': MaCrossBuy}]
sell_factors = [{'class': MaCrossSell}]

## 执行回测
worker = AbuPickTimeWorker(
    capital=capital,
    benchmark=benchmark,
    buy_factors=buy_factors,
    sell_factors=sell_factors,
    choice_symbols=['hk00700']
)
worker.fit()

## 计算指标
metrics = AbuMetricsBase(worker.orders, worker.action_flags, benchmark, capital)
metrics.fit_metrics()
metrics.plot_returns_cmp(only_show_returns=True)

这段代码跑完后，你会看到一张对比图：策略收益曲线 vs 基准线。metrics.fit_metrics() 会自动算出年化收益率、最大回撤、夏普比率等核心数值。

几个关键参数的意义：

• AbuCapital(1000000, benchmark)：设定初始本金，abupy 会据此计算仓位大小
• choice_symbols：可传入多只标的，框架会自动并行回测
• plot_returns_cmp()：可视化对比，一眼看出策略是否跑赢大盘

第四步：读懂回测指标

回测跑完不是结束，而是开始。你需要判断这个策略到底靠不靠谱。

• 年化收益率：折算成一年的平均收益。单纯看这个数字没用，必须对比同时期大盘。
• 最大回撤：策略运行期间从最高点到最低点的最大跌幅。这代表你心理最难受的时候能亏多少，直接决定你能否拿得住。
• 夏普比率：收益与风险的比值。低于 1 说明性价比不高，超过 1.5 才算优秀。
• 胜率：赚钱交易次数占比。但高胜率不等于赚钱，关键还要看盈亏比。

警惕过拟合： 如果某一组参数回测收益极高，但在另一只股票或另一时间段就崩盘，说明策略只是凑巧拟合了历史数据，不具备泛化能力。真正好的策略应该在多个标的、多段时间上表现稳定。

常见问题与踩坑提醒

首次运行卡住或下载慢

abupy 初始化时会创建缓存目录并下载历史数据，可能需要几分钟。网络不好时可设置代理，耐心等待进度完成，不要强制中断。

回测结果好得不像真的

很多新手会犯的错误：未来函数。比如买入信号用到了当天的收盘价，但实盘开盘时你根本拿不到。abupy 的 fit_day 机制在设计时已尽量避免此问题，但自定义因子时务必严格只用已发生数据。

手续费和滑点没算

默认回测可能不计交易成本，这会严重虚高收益。实际部署前务必在配置中开启佣金（A 股通常万分之三加印花税）和滑点模拟。

总结与下一步

今天我们完整过了一遍量化交易的闭环：

1. 搭建 Python + abupy 环境
2. 用 make_kl_df 拉取历史 K 线
3. 编写均线交叉因子并执行回测
4. 读取核心指标判断策略有效性

接下来建议你：

• 换标的验证：把港股换成 A 股（如 sz000001）或美股（usTSLA），看策略在不同市场的稳定性
• 加过滤条件：在买入信号中叠加成交量阈值，比如只有放量突破时才进场
• 阅读官方教程：abupy 的 abupy_lecture 目录有完整的 Jupyter Notebook，从止损策略、仓位管理到机器学习选股都有，跟着敲一遍就能进阶

量化不是写个神奇代码就能稳赚，它的真正价值在于让你的交易决策有据可依、有数据可查。先用 abupy 把流程跑通，再慢慢打磨策略，这才是正确的姿势。有问题随时在评论区交流，我看到都会回。