量化交易实战：从策略构建到多平台协同执行

• 学习数学库（NumPy, Pandas）与可视化库（Seaborn, Matplotlib）
• 掌握聚宽平台API
• 在Jupyter环境中完成面板数据回测
• 熟练使用技术指标库（TA-Lib）
• 实现实盘下单接入（Trader/XT）
• 完成100个策略原型开发

量化交易的阶段演进

工具体系规划

• Bible项目（手动交易辅助）

  • 核心：基于Next.js构建策略看板，支持实时指标展示与手动下单决策
  • 衍生：使用Reveal.js + TradingView制作策略教学视频体系

• Trader项目（半自动执行）

  • 待启动：集成信号触发、仓位管理与风控逻辑

Bible核心目标：为手动交易者提供清晰、可复用的决策框架，降低情绪干扰。

决策时间与市场视角

执行频率决定决策次数，K线周期决定分析维度，二者可自由组合：

• 关键决策时点：

  • 9:45 — 开盘15分钟，确认早盘方向
  • 10:30 — 开盘1小时，验证趋势持续性
  • 11:15 — 收盘前，评估日内动能
  • 13:15 — 午盘开盘，捕捉隔夜情绪延续
  • 14:00 — 欧洲市场开盘，观察联动效应
  • 14:45 — 尾盘阶段，识别资金流向

• 可视化辅助：

  • 板块热度图
  • 行业涨跌分布图

参考架构：量化策略从伪数据转向真实ETF轮动的架构设计

策略开发方法论

目标

系统化收集、分类并实现全球主流策略，构建可复用的策略库。

核心研究方向

• OHLCV特征工程

  • 将单根K线抽象为多维数值特征（开盘价、最高价、收盘价、最低价、成交量）
  • 识别经典K线形态（锤子线、吞没、十字星等）

• 多周期融合策略

  • 日线定趋势方向
  • 小时线择时入场

• ETF轮动体系

  • 国内板块轮动：石油 / 消费 / 黄金 / 科技；机器人 / 银行
  • 海外资产配置：美股ETF、黄金ETF、债券ETF
  • 动态仓位权重：基于波动率与相关性动态调整

---

策略1：冲浪模型（趋势扫描与动态筛选）

核心逻辑

识别正在形成“低噪声、持续性上升波段”的资产，动态选出Top N。

指标定义

• 趋势强度：20日均线斜率 > 0.02
• 波动性过滤：10日ATR < 历史均值（避免极端波动）

执行流程

1. 扫描全市场ETF，计算每个标的的：
   • 20日趋势斜率
   • 10日ATR波动率
2. 构建综合评分：TrendScore / VolatilityScore
3. 输出Top 3“正在冲浪”资产
4. 策略规则：
   • 买入条件：趋势斜率 > 0.02 且 ATR < 历史均值
   • 卖出条件：价格跌破20日均线

✅ 优势：高胜率、低换手、适合震荡市中的趋势捕捉

---

策略2：纳指轮动（策略实验室）

• 纳指（QQQ）是策略验证的黄金样本：

  • 测试均线交叉、布林带突破、动量突破等经典策略
  • 验证风控机制：波动率过滤、最大回撤控制、仓位衰减

• 核心训练目标：

  • 提升信号识别能力，过滤市场噪音
  • 建立“趋势确认→入场→退出”的标准化流程

---

多平台协同架构

目标

构建“研究-可视化-执行-运维”一体化工作流，避免重复造轮子。

平台	角色	优势
TradingView	图表可视化 + 策略记录	界面优雅、社区活跃、支持Pine脚本
聚宽	策略回测与托管	数据丰富、回测稳定、支持多因子
miniqmt	实盘执行	低延迟、对接券商、支持自动化

核心认知：量化 ≠ 编程，本质是“策略设计与验证”。
使用三大平台分工协作，可每日聚焦“策略优化”主线，同时保留探索乐趣（如图表点评、社区交流）。