企业官网建设流程全解析

10万块钱做量化，到底行不行？这个问题我被问了不下几十次。答案其实不复杂：行，但你得先接受一个现实——10万块的策略和大资金的策略，从来就不是一回事。大资金要讲容量、讲冲击成本，10万块要的是灵活和狠准。今天我想聊的是一套我自己跑了大半年的ETF短线实战策略，以10万元初始资金为基准，核心目标是把收益风险比稳稳控制在2:1以上——每一块钱的亏损风险背后，至少预期赚回两块钱。

这套策略的本质很简单：做趋势跟随，不做预测。用均线系统判断方向，用MACD和成交量做入场确认，用ATR动态止损控制风险，然后把仓位计算交给数学而不是交给感觉。整个过程我用Python实现了完整回测，也经历过实盘打脸，踩过的坑我会一个一个说清楚。如果你手里正好有5到20万资金，想系统性地把ETF短线交易做成一件事、而不是靠盘感瞎买瞎卖，这篇文章应该能帮你省下不少学费。

1. 10万元本金做量化的真实处境：为什么我押注ETF短线

1.1 10万在A股的选择题：股票、期货、ETF怎么选

10万元放在今天的A股市场里，是个很微妙的体量。说少吧，能做的品种其实挺多；说多吧，又处处受限制。科创板需要50万门槛，期权更不用说，北交所虽然门槛低但流动性和标的质量参差不齐。股票倒是可以买，但10万块钱挖到一只财报爆雷的个股，一次闷杀可能就是30%起步，本金恢复起来需要很久。再加上个股的涨跌停制度、T+1限制、印花税和冲击成本，10万块做股票短线，实际上是在跟信息优势远强于你的资金同场竞技，胜率天然不利。

期货呢？10万确实可以开户，商品期货的保证金门槛并不高。但期货自带杠杆，即使你只使用三成仓位，一次反向波动打穿止损都是常有的事。对于没有全职盯盘条件的人来说，日内强平、跳空高开低开这些事会把心态搞得非常乱。我见过不止一个人用10万做商品期货，三个月后账户只剩下六成，问题不在技术，在于杠杆放大了人性的弱点。

再看ETF，情况就完全不一样了。ETF跟踪指数或行业板块，没有个股爆雷风险，规则透明，手续费极低。最关键的是一手只要几百块，10万资金买卖起来完全不存在冲击成本的问题。ETF场内交易不收印花税，佣金普遍能谈到万分之一左右，这比股票的交易成本低了一个量级。也就是说，同样的短线策略，交易频次越高，ETF在成本上的优势就越明显。10万做ETF，恰好是资金量、品种特性和交易成本三者最匹配的组合。

1.2 为什么短线趋势跟随在这个体量上反而好做

很多人一听"短线"就觉得是天天盯盘、频繁交易。其实我所说的短线，持仓周期是3到15天，属于波段级别。这个周期和趋势跟随策略是高度匹配的。大资金做趋势，往往被流动性限制，不敢快进快出；10万块则完全没有这个问题，看准了买进去，信号变差立刻走得掉。

更关键的在于，ETF的短期波动具有明显的"趋势延续"特征。指数或板块一旦形成趋势，很少会在三五天内立刻反转，尤其是经过均线系统确认过的趋势。这就给了短线趋势跟随策略一个有利的战场：不需要预测顶底，只需要在趋势启动初期进场、在趋势衰竭时离场，就能吃到中间的利润段。反过来说，如果去做逆势抄底或猜顶，ETF的波动弹性并不支持，做错了还有损耗。所以这个策略从一开始就定了一个基调：只做顺势，不做逆向。

1.3 策略的边界：什么行情下这套打法会失效

任何策略都有失效期，提前知道边界比提前知道收益更重要。这套策略最大的天敌是低波动的震荡市。当ETF价格在一个区间里来回横盘，均线反复交叉，信号会频繁假突破，连续小亏会让净值慢慢阴跌。我统计过回测数据，在2021年下半年的宽幅震荡行情中，这套策略连续12次交易里只有3次盈利，全靠最后两波趋势行情才把净值拉回来。

另一个弱点是急跌行情。如果ETF受突发利空影响单日暴跌超过5%，止损单会以远低于止损价的价格成交，也就是滑点放大。这种情况下，策略的单笔亏损会超出预期。想对冲这种风险，就得在标的池选择阶段就把波动率过大的品种排除掉，并且保持足够低的仓位上限。后面我会详细讲这两个问题怎么处理。

2. 高收益风险比是设计出来的：策略框架与参数逻辑

2.1 收益风险比的数学定义和我设的目标

做交易之前，先把收益风险比这件事用数学讲清楚。我常用两个口径。第一个是单笔盈亏比，平均盈利除以平均亏损，这个值至少要大于1.5，最好在2以上。第二个是账户层面的Sharpe比率，每承担一单位波动能换来多少超额收益，我给自己定的标准是年化Sharpe不低于1.2。这两个指标，一个管单次交易质量，一个管整体资金曲线平滑度。

为什么强调收益风险比而不是单纯追求胜率？因为趋势跟随策略的胜率天然不高，通常在30%到45%之间。但趋势行情一旦抓到，单笔盈利往往是止损金额的2到5倍，靠的就是"小亏大赚"。如果只盯着胜率不放，很容易变成赚一点就跑、亏了就死扛，结果胜率看着有七八成，账户资金却在慢慢缩水，这就是典型的收益风险比倒挂。

我给自己定的目标是：平均单笔盈利不低于平均单笔亏损的2倍，账户最大回撤控制在15%以内，年化收益预期放在15%到25%这个区间。这里要强调一句，这个数字是我在特定标的历史回测中观察到的水平，不代表未来一定能复制，更不构成任何收益承诺。策略的作用是提高概率优势，而不是消除不确定性。

2.2 双均线、MACD、ATR的组合逻辑：每个指标都在干自己的活

很多新手一见量化策略就以为参数越复杂越好，堆一大堆指标进去。我早期也干过这事，指标一多，信号互相矛盾，复盘时根本分不清哪笔交易是哪个逻辑触发的。后来我做了减法，最终只留下三类指标，分工非常明确。

第一类是均线，负责回答"趋势方向是什么"。我用EMA5和EMA20判断短期动能，用EMA120判断大方向。EMA（指数移动平均）比SMA对近期的价格变化更敏感，短线交易用EMA更合适。第二类是MACD，负责回答"趋势力度够不够"。MACD的DIF线在零轴上方说明多头动能占优，这个条件用来过滤掉均线假交叉的信号。第三类是ATR，负责回答"今天的波动有多大"。ATR不直接产生买卖信号，它决定止损距离和仓位大小，是整个风控体系的基石。

这三个指标各干各的事，互不干扰。方向不对，后面的信号一律不认；方向对了但动能不足，也不进场；真正进场时能买多少，由ATR算出来的止损距离决定。逻辑链条是完整且自洽的。

2.3 交易池构建：宽基与行业ETF的筛选标准

标的池决定了策略的天花板。我目前的池子里有8只ETF，分两类。第一类是宽基，包括沪深300ETF（510300）、中证500ETF（510500）、创业板ETF（159915）、科创50ETF（588000），这类品种代表整体市场风格，趋势相对稳定。第二类是行业或主题ETF，包括证券ETF（512880）、半导体ETF（512480）、医药ETF（512010）、酒ETF（512690），这类品种波动弹性大，趋势一旦启动，利润空间很可观。

筛选标准我给了三条硬性条件。第一，日均成交额不低于1亿元，保证流动性足够，买卖价差小。第二，场内份额规模不低于50亿份，避免清盘风险。第三，近20日平均真实波幅ATR大于某个阈值但不过高，太安静的趋势走不动，太吵的止损会被反复打掉。这几条标准看着简单，实际上能过滤掉大部分不适合做短线的品种。我一开始用的是冷门行业ETF，比如煤炭、钢铁之类，虽然有过大行情，但平时交易太冷清，滑点严重，后来果断放弃，只保留成交活跃的品种。

3. 精准择时的落地：入场信号与离场信号的完整规则

3.1 趋势过滤：先用EMA120把多空方向定死

择时的第一步不是找买点，而是先看方向。我规定：只有在收盘价站上EMA120的前提下，才允许做多，否则一律空仓等待。这等于给整个策略加了一个总开关。

为什么用EMA120而不是更短的均线？因为EMA120代表的是过去半年左右的市场平均成本。当价格在它上方运行时，说明持仓成本在抬升，多头结构没有被破坏；跌破它，则说明中期趋势已经转弱，此时任何短线买入都是逆势。这一条规则不追求买在最低点，而是保证每笔交易都处在中期趋势还算健康的环境中。

过滤效果我举个例子。2024年一季度创业板ETF有一波反弹，EMA20和EMA5频繁金叉，但如果只看双均线不加上层过滤，会在下跌中继的反弹里连续吃止损。而加了EMA120过滤之后，那段时间根本不会出现任何买入信号。震荡行情里不交易，本身就赢了一半。

3.2 入场信号的四维共振条件

当EMA120方向过滤通过后，入场信号需要同时满足四个条件，缺一不可。

第一，EMA5上穿EMA20，形成金叉，这是短期动能转向的最直接证据。第二，MACD的DIF值大于零，说明多头力度已经进入强势区间。第三，当日成交量大于5日均量的1.2倍，放量是资金真金白银参与的信号，缩量上涨的可靠性要打折。第四，前一日收盘价站在EMA120之上，确保进场时点处在大方向内的首次或者二次确认阶段，而不是已经离均线太远。

这四个条件同时满足的概率并不高，有时候一周才出现一两次。但这样做的好处是过滤掉了绝大多数低质量信号。宁可错过，不可做错。我统计过，加上共振条件后，月度交易次数大约在4到8次，跟纯双均线系统相比减少了一半左右，但每笔交易的平均盈利有明显提升。

3.3 离场逻辑：死叉离场与跟踪止损的联动

入场决定盈亏比的上限，离场才决定实际能赚多少。我的离场规则分两套，一套是主动的，一套是被动的。

主动离场看信号：EMA5下穿EMA20形成死叉，当天收盘前清仓离场。这个规则不掺杂任何主观判断，信号出现就执行。被动离场看价格：入场后设定初始止损价，初始止损价等于入场价减去2倍ATR。随着价格朝有利方向移动，止损线不是固定不动的，而是采用"回撤跟踪"的方式：每日收盘后，如果最新收盘价减2倍ATR大于当前止损价，就向上移动止损；如果价格回落触发止损，无条件离场。

这种双重离场设计的好处是，一轮强势上涨中，主动死叉信号往往迟迟不出现，而跟踪止损会不断上移，最终在价格从高点回落2倍ATR的位置锁定利润。不管是急跌还是慢跌，总有至少一道防线在起作用。

4. 严格风控的具体推演：仓位、熔断与回撤预案

4.1 单笔风险1%的仓位反推计算

风控不是喊口号，而是一套可以落地的规则。我的第一原则是：单笔交易的最大亏损不能超过总资金的1%。10万本金，也就是单笔最多亏1000元。这个额度看起来不大，但连续亏损20次，账户也才回撤18%，还有翻身的资本。

仓位怎么算？用止损距离反推。假设现在沪深300ETF价格4元，ATR（14日）为0.10元，初始止损距离是2倍ATR，也就是0.20元。此时买入数量 = 单笔风险金额 ÷ 止损价差 = 1000 ÷ 0.20 = 5000份，市值约2万元，占总资金20%。如果ATR扩大到0.15元，止损距离变成0.30元，同样1000元风险预算，就只能买3333份，仓位降到13%。

这个公式的逻辑很清晰：波动越大的品种，仓位越小；止损越近的入场点，仓位可以越重。它把风险和仓位之间的关系变成了一道简单的算术题，而不是靠盘感拍脑袋。实际执行时我会再预留一点缓冲，买入金额不超过总资金的30%，即使多个信号同时触发，也能保证账户不会瞬间顶着满仓。

4.2 组合层面的熔断机制：连续亏损怎么办

单笔风控守住了下限，但账户层面的回撤还要另设防线。我的熔断规则有三层。第一层，当日账户亏损超过2%，第二天强制空仓一天，不管出现什么信号都不交易，让情绪降温。第二层，账户净值从最高点回撤8%，暂停开新仓，只保留持仓离场权限，直到净值重新回到止损线以上。第三层，回撤达到12%，清仓所有持仓，休息一到两周，重新审视策略逻辑和市场环境，确认没有根本性变化再重启。

这三层机制每一层我都在实盘中触发过。印象最深的是有一次连续一周的震荡行情里，策略一周连亏四次，净值回撤到5%附近。我当时看过回测数据，知道这种连亏在震荡期正常，但真金白银的亏损还是让人焦虑。熔断机制的好处就是它自动帮你在情绪失控前踩住刹车。空仓几天之后，果然等到了一波像样的趋势，账户净值很快就修复了。

4.3 一张表把交易计划写到执行前

风控的最后一道关卡是交易记录。我每做一笔交易之前都会先填一张表，把入场理由、止损价、目标价、仓位数量全部写清楚。这张表不复杂，但能有效防止临时起意的乱操作。

列名包括：标的代码、买入日期、买入价格、止损价（入场价减2倍ATR）、买入数量、单笔风险金额、预期盈利目标（2倍风险距离）、当前EMA120状态、信号类型。每次填完这张表，如果任何一项填不出来，说明这笔交易根本不符合策略要求，就该放弃。交易结束后，再把实际结果填进去。几个月下来，这张记录表就是调整策略参数的重要依据。我见过太多人过于依赖回测报告，却从不记录实盘中的真实执行质量，这是很可惜的。

5. Python实现整套策略：数据获取、指标计算与回测

5.1 数据源与回测框架的选型

策略有了，剩下的就是把它写成代码跑起来。数据源我用的是akshare，免费、无需Token、接口稳定，对个人研究完全够用。如果你熟悉的tushare或baostock也可以，逻辑是一样的。

回测框架我不建议一上来就上backtrader这类重型框架，它功能强大但要写一堆模板代码，对新手不友好。我更推荐用pandas自己搭一个简化的回测循环。原因很简单：策略逻辑本身不复杂，自己写回测循环能让每一步都清清楚楚，知道净值是怎么算出来的，避免框架里的隐藏逻辑干扰判断。等到策略逐渐稳定、需要更精细的模拟撮合时，再迁移到专业框架也不迟。

先看数据获取部分：

import pandas as pd import numpy as np import akshare as ak # 获取沪深300ETF（510300）的日线数据 df = ak.fund_etf_hist_em( symbol="510300", period="daily", start_date="20200101", end_date="20250101", adjust="qfq" ) # 重命名列名并提取需要的字段 df = df.rename(columns={ "日期": "date", "开盘": "open", "收盘": "close", "最高": "high", "最低": "low", "成交量": "volume" }) df = df[["date", "open", "high", "low", "close", "volume"]] df["date"] = pd.to_datetime(df["date"]) df = df.sort_values("date").reset_index(drop=True)

注意adjust="qfq"表示前复权。ETF分红除息虽然影响不大，但长周期回测里前复权能保证价格连续性，避免跳空导致的假信号。

5.2 策略核心代码的逐段拆解

接下来是技术指标的计算。EMA、MACD、ATR这些指标用pandas和numpy实现都很直接，一批代码全部算好：

def calc_ema(series, period): return series.ewm(span=period, adjust=False).mean() def calc_macd(close, fast=12, slow=26, signal=9): ema_fast = calc_ema(close, fast) ema_slow = calc_ema(close, slow) dif = ema_fast - ema_slow dea = dif.ewm(span=signal, adjust=False).mean() macd = (dif - dea) * 2 return dif, dea, macd def calc_atr(df, period=14): high_low = df["high"] - df["low"] high_close = np.abs(df["high"] - df["close"].shift()) low_close = np.abs(df["low"] - df["close"].shift()) tr = np.maximum(high_low, np.maximum(high_close, low_close)) atr = tr.rolling(period).mean() return atr df["ema5"] = calc_ema(df["close"], 5) df["ema20"] = calc_ema(df["close"], 20) df["ema120"] = calc_ema(df["close"], 120) df["dif"], df["dea"], df["macd"] = calc_macd(df["close"]) df["atr"] = calc_atr(df, 14) df["vol_ma5"] = df["volume"].rolling(5).mean()

信号生成的部分也简单，把上一节的四维共振条件直接翻译成布尔列：

# 方向过滤 df["trend_up"] = df["close"] > df["ema120"] # EMA5上穿EMA20（金叉） df["golden_cross"] = (df["ema5"] > df["ema20"]) & (df["ema5"].shift(1) <= df["ema20"].shift(1)) # MACD确认 df["macd_ok"] = df["dif"] > 0 # 成交量放大 df["vol_ok"] = df["volume"] > df["vol_ma5"] * 1.2 # 入场信号 df["buy_signal"] = df["trend_up"] & df["golden_cross"] & df["macd_ok"] & df["vol_ok"] # EMA5下穿EMA20（死叉）离场 df["sell_signal"] = (df["ema5"] < df["ema20"]) & (df["ema5"].shift(1) >= df["ema20"].shift(1))

回测主循环是核心，逻辑是：先处理持仓离场，再判断空仓入场。为了避免"用当天收盘价信号当天成交"的前视偏差，我按实际可执行的逻辑处理：当日收盘后产生信号，次日开盘价成交。这里简化处理，用次日的开盘价作为成交价来模拟。

5.3 回测结果怎么读：别只看年化收益

回测跑完，很多人第一眼只看年化收益，这是最大的误区。年化收益再高，如果最大回撤同样高，资金曲线坐过山车，实盘根本拿不住。我自己的回测报告主要看五个指标：年化收益、最大回撤、收益风险比（年化收益除以最大回撤）、交易次数、胜率。

以510300在2021到2024年的日线数据回测为例，策略的交易次数大约160次，胜率在38%左右，平均单笔盈利约为平均单笔亏损的2.3倍，年化收益大概17%至22%区间，最大回撤在10%至14%区间。注意这是不计算手续费和滑点的理想回测，实际执行还要打折扣。但我更看重的是收益风险比能稳定站在1.5以上，这比单纯的高年化更让我安心。

另外我强烈建议做样本外验证：把回测期分成两段，前70%调参，后30%不动参数直接跑。如果后30%的收益风险比明显下降，说明参数大概率过拟合了。

6. 回测和实盘之间差了多远：踩坑记录与调整方向

6.1 滑点、手续费和T+1规则对收益的侵蚀

回测看着很美，实盘跑起来才明白差距在哪。第一刀砍在成本上。ETF虽然不收印花税，但佣金和滑点躲不掉。我实际交易下来，滑点平均在0.1%到0.3%之间，佣金按万1算，单次买卖合计成本约0.05%。以每年60次交易、单次平均持仓金额3万元计算，一年总摩擦成本大概在5000到8000元，占10万本金的5%到8%。这笔钱在回测里很容易被忽略，但实盘里它是真金白银在消耗。所以后来我把回测代码里加了一个成本模型：买入价乘以1.001，卖出价乘以0.999，作为对滑点和佣金的综合保守估计。

第二刀来自T+1制度。ETF当日买入不能当日卖出，我设计的持仓周期最短3天，正常情况下不存在冲突。但有一次盘中出现强烈的卖出信号，我手里刚好有昨天买入的仓位可以卖，另一笔今天上午刚买的却动不了，两个信号处理方式完全不同。这提醒我：实盘要有两套执行清单，一套是可卖持仓，一套是当日不可卖的持仓，别混在一起。

6.2 参数过拟合的自我检查方法

回测阶段最容易犯的错就是反复调整参数直到历史数据好看。EMA5/20/120、1.2倍的成交量阈值、2倍ATR的止损系数，每一个参数都有优化空间，但如果每次都往历史最优靠，策略就变成了在拟合已经发生的行情。

我的应对办法有两个。第一个，参数尽量用"常规值"。5日、20日、120日均线，14日ATR，这些都是技术分析里的经典参数，不是专门为某段行情调出来的。经典参数的优势是普适性相对好，即使不是历史最优，也不会差到哪去。第二个，优化后必须做分布测试。我把止损系数从1.5倍ATR到3倍ATR每隔0.1跑一遍，观察收益和回撤的连续性。如果某个参数值附近表现突然暴涨，旁边一点就大幅恶化，这种尖峰状的参数大概率是过拟合，直接放弃。真正值得保留的参数，应该在一个较宽的区间内表现都相对稳定。

6.3 实盘执行中最难的不是模型，是纪律

程序化回测可以做到百分之百严格执行，但人不行。我记得刚开始实盘的时候，有一次入场后两天浮盈了6%，按照策略规则，第三天的跟踪止损已经上移到成本线上方，这笔交易至少保本没问题。结果盘中看到分时线跳水，没触发止损价我就手贱平仓了。平完仓当天下午价格又拉回去，一路涨了10%以上。这笔操作不但少赚了钱，更重要的是破坏了整个策略的统计基础——你随机离场的次数多了，回测里那些2:1盈亏比的前提就全失效了。

所以我现在坚持做两件事。第一，重要参数和信号条件全部打印成表格贴在屏幕上，信号没触发就什么都不做，手痒就去看书。第二，每笔交易不管盈亏都在记录表里写下是一致性执行还是临时改动。月底复盘时，临时改动的次数比亏损笔数更能说明问题。说实话，量化交易到最后拼的不是模型优劣，而是你能不能像机器一样执行自己的逻辑。

这套策略写到这儿，核心的东西基本都摊开说了。策略本身不复杂，复杂的是每个环节都要有纪律地执行。我在实盘里最大的体会是：10万资金做ETF短线，最大的敌人从来不是市场，而是自己那颗想赚更快、想躲回撤、想赌一把的心。把仓位算术算清楚，把信号规则写到代码里，剩下的就是重复执行、定期复盘。如果你正在配置自己的第一套量化策略，不妨先用小仓位跑一跑这套框架，跑顺了再加资金。