很多人第一次学量化，会卡在一个非常朴素的问题上：数据到底从哪里来？

教程里经常一上来就讲均线、因子、回测框架、夏普比率，但真正开始写代码时，第一步往往是最烦的：股票代码格式不统一，日 K 线字段不稳定，复权方式说不清，实时行情和历史行情又来自不同接口。结果策略还没开始，时间先耗在了“修数据”上。

AlphaFeed 想解决的正是这件事：把 A 股、美股、港股等市场的行情数据，用一个统一的 Python SDK 暴露出来。你只需要会一点 Python，就可以把数据拉成 pandas DataFrame，然后开始写自己的策略逻辑。

这篇文章不讲玄学，也不讲“稳赚模型”。我们只做一件实际的事：用 AlphaFeed 获取股票 K 线，写一个最基础的均线趋势策略，并做一个轻量回测。代码可以作为你后续研究更复杂策略的起点。

## 1. 先准备数据源

安装 SDK：

```bash
pip install alphafeed pandas matplotlib
```

初始化：

```python
from alphafeed import AlphaFeed

af = AlphaFeed(api_key="your-api-key")
```

也可以把 key 放到环境变量里：

```bash
export ALPHAFEED_API_KEY="your-api-key"
```

然后代码里直接写：

```python
from alphafeed import AlphaFeed

af = AlphaFeed()
```

AlphaFeed 的标的代码格式比较直接：

| 市场 | 示例 |
| --- | --- |
| A 股上交所 | `600519.SH` |
| A 股深交所 | `000001.SZ` |
| 美股 | `AAPL.US` |
| 港股 | `00700.HK` |

这对写策略很重要。因为策略代码最怕“同一只股票在不同数据源里长得不一样”：有的用 `sh600519`，有的用 `600519`，有的用 `600519.SH`。格式不统一，后面批量回测、组合管理、日志记录都会变麻烦。

## 2. 获取一只股票的日 K 线

先拉贵州茅台最近 300 根日 K：

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

df = af.klines.get(
    "600519.SH",
    period="1d",
    count=300,
    adjust="forward",
    to_dataframe=True,
)

df = df.sort_values("trade_date").reset_index(drop=True)
print(df.tail())
```

返回的 DataFrame 里常用字段包括：

| 字段 | 含义 |
| --- | --- |
| `trade_date` | 交易日期 |
| `open` | 开盘价 |
| `high` | 最高价 |
| `low` | 最低价 |
| `close` | 收盘价 |
| `volume` | 成交量 |
| `amount` | 成交额 |

这里我使用了 `adjust="forward"`，也就是前复权。做中长期股票策略时，复权方式会影响收益率计算和均线位置。AlphaFeed 支持多种复权方式：

```python
df = af.klines.get("600519.SH", adjust="forward", to_dataframe=True)
df = af.klines.get("600519.SH", adjust="backward", to_dataframe=True)
df = af.klines.get("600519.SH", adjust="forward_additive", to_dataframe=True)
df = af.klines.get("600519.SH", adjust="backward_additive", to_dataframe=True)
df = af.klines.get("600519.SH", adjust="none", to_dataframe=True)
```

新手阶段建议先固定一种复权方式，不要一会儿用前复权，一会儿用不复权。否则你看到的策略结果可能只是数据处理方式变化带来的错觉。

## 3. 写一个最基础的双均线策略

策略规则：

1. 计算 20 日均线和 60 日均线。
2. 当 20 日均线高于 60 日均线时，认为趋势偏强，持有。
3. 当 20 日均线低于 60 日均线时，空仓。
4. 为避免未来函数，今天产生的信号，明天才用于计算收益。

代码如下：

```python
import pandas as pd
from alphafeed import AlphaFeed

af = AlphaFeed()

symbol = "600519.SH"

df = af.klines.get(
    symbol,
    period="1d",
    count=800,
    adjust="forward",
    to_dataframe=True,
)

df = df.sort_values("trade_date").reset_index(drop=True)

df["ma20"] = df["close"].rolling(20).mean()
df["ma60"] = df["close"].rolling(60).mean()

# 原始信号：短均线在长均线上方则持有
df["signal"] = (df["ma20"] > df["ma60"]).astype(int)

# 关键：信号后移一天，避免用今天收盘价决定今天是否持仓
df["position"] = df["signal"].shift(1).fillna(0)

df["ret"] = df["close"].pct_change().fillna(0)
df["strategy_ret"] = df["position"] * df["ret"]

df["equity"] = (1 + df["strategy_ret"]).cumprod()
df["buy_and_hold"] = (1 + df["ret"]).cumprod()

print(df[["trade_date", "close", "ma20", "ma60", "position", "equity"]].tail())
print("策略累计收益:", df["equity"].iloc[-1] - 1)
print("买入持有收益:", df["buy_and_hold"].iloc[-1] - 1)
```

这个策略很简单，但它已经包含了策略研究最核心的几个动作：

| 动作 | 为什么重要 |
| --- | --- |
| 获取稳定数据 | 策略研究必须先保证输入可靠 |
| 明确复权方式 | 避免分红送转造成价格序列断裂 |
| 构造交易信号 | 把想法变成可执行规则 |
| 信号延迟一日 | 避免未来函数 |
| 计算净值曲线 | 用结果检验策略，而不是用感觉判断 |

## 4. 加上最大回撤和年化指标

只看累计收益不够。一个策略赚了 50%，但中间最大回撤 45%，大多数人是拿不住的。

我们继续补几个指标：

```python
import numpy as np

def annual_return(equity: pd.Series, periods_per_year: int = 252) -> float:
    total_return = equity.iloc[-1] / equity.iloc[0] - 1
    years = len(equity) / periods_per_year
    return (1 + total_return) ** (1 / years) - 1

def max_drawdown(equity: pd.Series) -> float:
    peak = equity.cummax()
    drawdown = equity / peak - 1
    return drawdown.min()

def sharpe_ratio(returns: pd.Series, periods_per_year: int = 252) -> float:
    if returns.std() == 0:
        return 0
    return returns.mean() / returns.std() * np.sqrt(periods_per_year)

print("年化收益:", annual_return(df["equity"]))
print("最大回撤:", max_drawdown(df["equity"]))
print("夏普比率:", sharpe_ratio(df["strategy_ret"]))
```

这一步开始，你就不再只是“看图炒股”，而是在建立一个可复现、可比较的研究流程。

## 5. 扩展到多只股票

单只股票的策略表现，很容易被个股特性影响。下一步应该做批量测试。

AlphaFeed 支持批量获取 K 线：

```python
from alphafeed import AlphaFeed

af = AlphaFeed()

symbols = ["600519.SH", "000001.SZ", "601318.SH", "AAPL.US", "00700.HK"]

dfs = af.klines.batch(
    symbols,
    period="1d",
    count=800,
    adjust="forward",
    to_dataframe=True,
    show_progress=True,
)

print(dfs.keys())
```

可以把刚才的策略封装成函数：

```python
def run_ma_strategy(df: pd.DataFrame, short_window=20, long_window=60) -> dict:
    df = df.sort_values("trade_date").reset_index(drop=True).copy()
    df["ma_short"] = df["close"].rolling(short_window).mean()
    df["ma_long"] = df["close"].rolling(long_window).mean()
    df["signal"] = (df["ma_short"] > df["ma_long"]).astype(int)
    df["position"] = df["signal"].shift(1).fillna(0)
    df["ret"] = df["close"].pct_change().fillna(0)
    df["strategy_ret"] = df["position"] * df["ret"]
    df["equity"] = (1 + df["strategy_ret"]).cumprod()

    return {
        "total_return": df["equity"].iloc[-1] - 1,
        "annual_return": annual_return(df["equity"]),
        "max_drawdown": max_drawdown(df["equity"]),
        "sharpe": sharpe_ratio(df["strategy_ret"]),
    }

results = []
for symbol, one_df in dfs.items():
    metrics = run_ma_strategy(one_df)
    metrics["symbol"] = symbol
    results.append(metrics)

result_df = pd.DataFrame(results).sort_values("sharpe", ascending=False)
print(result_df)
```

这样你就可以回答更具体的问题：

1. 这个策略只对某只股票有效，还是在一组股票上都有一定稳定性？
2. A 股、美股、港股里的表现差异是什么？
3. 均线参数换成 10/30、20/120 后，结果是否仍然合理？
4. 策略收益来自趋势跟随，还是来自某段行情的偶然上涨？

## 6. 用实时行情做一个盘中观察列表

历史回测之外，实盘观察也需要实时行情。比如我们想看几只股票当前涨跌幅：

```python
from alphafeed import AlphaFeed

af = AlphaFeed()

watchlist = ["600519.SH", "000001.SZ", "601318.SH", "AAPL.US", "00700.HK"]

quotes = af.quotes.get(symbols=watchlist, to_dataframe=True)

quotes["change_pct_calc"] = (
    quotes["last_price"] - quotes["prev_close"]
) / quotes["prev_close"]

cols = ["symbol", "last_price", "prev_close", "change_pct_calc", "volume", "trade_time"]
print(quotes[cols].sort_values("change_pct_calc", ascending=False))
```

如果你订阅了相应权限，也可以直接获取某个市场的全量行情池：

```python
all_cn = af.quotes.get(universes="CN_Stock", to_dataframe=True)
print("A 股数量:", len(all_cn))
print(all_cn[["symbol", "last_price", "volume", "trade_time"]].head())
```

这时，你可以进一步做盘中筛选：

```python
active = all_cn[
    (all_cn["volume"] > all_cn["volume"].quantile(0.8)) &
    (all_cn["last_price"] > all_cn["prev_close"])
]

print(active[["symbol", "last_price", "prev_close", "volume"]].head(20))
```

## 7. 新手最容易犯的 5 个错误

第一，直接用当天信号计算当天收益。

如果你用收盘价计算均线，又用同一天的收盘价计算收益，本质上就是提前知道了收盘结果。解决方法是把 `signal` 后移一天。

第二，只在一只股票上调参数。

你把 20/60 调到 17/43，可能只是刚好适配了某只股票的历史走势。真正要看的是一组股票、多段行情、不同市场里的稳定性。

第三，忽略复权。

股票分红、送转、拆股会改变价格序列。做历史回测时，复权方式必须固定并写进研究记录。

第四，只看收益，不看回撤。

策略的第一任务不是“历史上最高赚多少”，而是“在可承受波动下是否有稳定优势”。

第五，把数据清洗当成策略能力。

很多人在数据源之间来回搬运、改字段、补异常值，最后误以为自己在做策略研究。真正的研究时间应该花在假设、验证、归因和风险控制上，而不是每天修接口。

## 8. 一个更实用的学习路线

如果你是普通人，想从零开始做量化，不建议先啃厚书，也不建议一上来写高频系统。可以按这个顺序来：

1. 用 AlphaFeed 拉一只股票的 K 线，画出收盘价。
2. 写一个均线策略，理解信号、持仓、收益、回撤。
3. 扩展到 20 只股票，观察策略是否稳定。
4. 加入交易成本和滑点。
5. 把策略拆成数据层、信号层、回测层。
6. 再学习因子、组合、风险预算和参数检验。

这条路线的关键是：每一步都有代码、有数据、有结果。你不需要先成为金融工程专家，才开始做第一轮实验。

## 结语

量化不是神秘学，它更像一套可复现的研究流程。

AlphaFeed 的价值在于，把最容易消耗耐心的数据接入问题，压缩成几行 Python 代码。你可以更快地进入真正重要的部分：提出假设、写出规则、跑出结果、检查风险，然后继续迭代。

从这个角度看，第一篇量化代码不需要复杂。只要它能稳定获取数据、能避免未来函数、能输出收益和回撤，它就已经是一个合格的起点。

相关链接：

- AlphaFeed 官网：https://alphafeed.org/
- Python SDK 快速开始：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart


教程里经常一上来就讲均线、因子、回测框架、夏普比率，但真正开始写代码时，第一步往往是最烦的：股票代码格式不统一，日 K 线字段不稳定，复权方式说不清，实时行情和历史行情又来自不同接口。结果策略还没开始，时间先耗在了“修数据”上。

如何从 0 到 1 跑一个可复现的量化策略

后端

职业发展

算法

AlphaFeed提供统一Python接口获取A股、美股、港股行情数据，解决量化投资中数据格式混乱问题。本文演示如何用AlphaFeed获取股票K线，构建双均线策略并进行回测，包含数据获取、复权处理、信号生成、收益计算等完整流程，适合量化新手快速入门。

数据策略

数据清洗

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

如何从 0 到 1 跑一个可复现的量化策略-腾讯云开发者社区-腾讯云

如何从 0 到 1 跑一个可复现的量化策略

如何从 0 到 1 跑一个可复现的量化策略

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐