A 股量化交易实战路线图：从数据到实盘的七个环节

远思为径，码动价值。欢迎来到远思码技术实验室的最新技术实践记录。

经常有人问我：“想做量化，从哪开始？” 我的回答一直是同一句：从回测开始，而不是从策略开始。因为不能证伪的策略，连讨论的资格都没有。

这篇文章是实验室量化系列的总入口，把七个环节的顺序、选型、踩坑优先级一次讲清，每个环节都链接到对应的实战长文。

一、全景：七个环节

①数据  →  ②因子  →  ③回测  →  ④策略  →  ⑤机器学习  →  ⑥深度模型
   ↘                                                    ↗
           ⑦实盘自动化（调度 + 推送 + 监控）────────────────┘

二、顺序很重要，顺序错了就是浪费时间

实验室的推荐顺序，是从"能证伪的东西“往”不确定的东西“推进：

1. 先把回测引擎写对（环节③）。很多人一上来就研究因子，结果跑出来的超额收益全部来自成本假设太乐观、停牌没剔除、T+1 没做。引擎不对，后面所有结论都要重做。
2. 再做因子（环节②）。有了可信的尺子，才能判断因子死活。
3. 然后才是策略组合（环节④）。单因子跑通后再谈多因子加权、行业约束。
4. 机器学习放在第五步（环节⑤⑥）。它建立在因子池之上，跳过前两步直接用 GBDT 喂原始价量，几乎必然过拟合。
5. 最后接自动化（环节⑦）。它不难，但前提是前面每一步都能被脚本调用——notebook 里的代码是没法定时跑的。

如果你只有两周时间，我建议的分配是：引擎 1 周、因子 4 天、策略 3 天，其余都可以往后放。

三、硬件与环境清单

实验室跑这套流程的真实配置（2026 年）：

一个反直觉的结论：日频 A 股量化对硬件的要求低得惊人。5000 只股票 × 250 天 × 20 个因子，约 2500 万个浮点数，普通笔记本都能跑。真正的瓶颈是数据质量与流程严谨性，不是算力。

四、技术栈选型表

五、免费数据能走多远？说实话

这是被问得最多的问题。实验室的观点：

• 日频价量 + 财务数据，免费数据完全够用。Akshare、Tushare 免费档、交易所官网，能覆盖 95% 的日频研究需求。
• 分钟线也能凑，但质量参差。免费分钟线常见问题：停牌期缺失、集合竞价缺失、复权因子不全。
• 付费数据的价值在"非价格信息”：龙虎榜、资金流、公告文本、行业分类。这些才是 2026 年之后超额收益的主要来源。
• 不要为了数据花钱，先花时间把流程做对。我见过太多人买了 3 万的数据，却用着含未来函数的回测。

六、五个最常见的误区

1. “我的策略年化 80%” —— 先查三件事：有没有用未来数据、有没有扣成本、有没有剔除 ST 与停牌。
2. “参数调一调就好了” —— 参数热力图上的深坑才是真实分布，单点最优是拟合结果。
3. “加个止损就能提高收益” —— 止损降低波动，但通常也降低收益，它改善的是持有体验而非期望。
4. “机器学习不需要因子” —— 模型只能组合信息，不能创造信息。喂原始价量的 GBDT 通常打不过十个手工因子。
5. “跑通就能实盘” —— 从回测到实盘，中间还隔着滑点、流动性、涨跌停、ETF 溢价与自己的心理。

七、一条完整的执行清单

如果你打算按这条路走下去，可以直接抄这份清单：

• 环境就绪：Python 3.12+、pandas 2.x、TimescaleDB 跑通
• 行情落库：日线全市场，含复权因子，幂等增量更新
• 回测引擎：三个单元测试通过，成本/涨跌停/T+1 全部显式建模
• 因子库：至少 10 个因子，写清定义与 IC 记录
• 基准策略：双均线择时 + 动量轮动，作为后续对比基线
• 模型：LightGBM 跑通，purged 时序切分，分年度 IC 稳定
• 深度模型：TFT 作为风格因子叠加，验证与 GBDT 的低相关性
• 自动化：systemd timer + 幂等落库 + 推送 + 心跳告警
• 小资金实盘：跑满 3 个月，对比回测与实盘的偏差

最后一条最重要：小资金实盘三个月，比对回测曲线与真实净值。那三个月的偏差，会告诉你前面所有环节哪里在骗你。

结语

量化不是一场关于"找到圣杯"的竞赛，而是一场关于减少自欺的工程。数据要干净、回测要老实、成本要算足、上线要可监控——把这些做到位，年化个位数的稳定收益并不难；做不到，年化三位数的曲线也只是纸面上的。

远思为径，码动价值。愿你跑出的每一条曲线，都经得起自己的审问。

本文系列中所有数据、参数与回测结果均为实验室内部示例，用于说明方法论，不构成任何投资建议。市场有风险，决策需谨慎。