量化交易
XtradingTime交易内训 量化交易 分类文章，系统学习量化交易相关知识。
共 19 篇文章
回测要用多长时间的数据：先算笔数不算年数，日线策略一年只有 25 笔
「回测一年还是五年」这个问题问错了对象。真正决定回测有没有说服力的是两个数：样本笔数和覆盖的市场状态数。日线策略一年约 250 根 K 线，若平均每 10 根出一个信号，一年只有 25 笔，离 208 笔的显著性门槛差 8.3 年。这篇给出信号密度与所需年数的换算表、五档周期的年信号数对照、市场状态覆盖的三条硬要求，以及数据不够时的三条替代路径。
10 分钟阅读
回测胜率多少才算及格：孤立的胜率没有及格线，及格的是期望值 0.2R 加样本 208 笔
回测跑出 55% 胜率就当系统能用，是这批参数里最贵的误判。胜率的及格线完全由盈亏比决定：盈亏比 1:1 时及格线是 60%，1:3 时只要 30%。更要命的是第二个条件，及格线越低的系统越难被证明，盈亏比 1:3 需要 323 笔样本而 1:2 只要 208 笔。这篇给出按盈亏比查的及格胜率表、对应的样本量表，以及回测及格之外必须同时满足的三条。
8 分钟阅读
不写代码能不能做回测：四条路径的能力边界，加六个选型维度
新手不写代码也能做回测，四条路径各有各的天花板：手工翻图样本上不去、表格法卡在盘中触发顺序、平台内置测试器要写几行脚本、无代码平台上手最快但黑盒最大。这篇给出四条路径的能力对照、六个选型维度（数据与复权、成本设置、出场表达力、能不能导出逐笔明细、样本外支持、可复现性），以及一条和写不写代码无关的硬边界。
9 分钟阅读
用 Excel 做最简回测：十二列公式跑通一套系统，以及它做不到的三件事
Excel 能做回测，前提是你接受它的边界。这篇给出一个十二列的完整框架，信号、持仓状态、入场价、出场价、R 倍数、累计 R 全部用公式自动算，可以直接粘贴，没有循环引用也不需要宏。同时说清楚 Excel 回测做不到的三件事：盘中触发顺序、滑点与流动性建模、多品种共享资金，以及出现哪四个信号时必须换工具。
11 分钟阅读
Pine Script 入门：三行出一条均线，四条执行规则决定你写的对不对
写一个能在图上画出均线的指标，Pine Script 只需要三行，本文第一段就能直接粘贴运行。但真正决定你写出来的东西准不准的，是四条执行规则：脚本按每根 K 线执行一遍、所有变量都是序列、未收盘的那根 K 线会被反复重算、脚本跑在 TradingView 服务器上而不是你的电脑上。这篇给出三段可直接粘贴的完整代码（均线、放量金叉信号、策略骨架），讲透四条执行规则，并列出 Pine 做不到的五件事。
12 分钟阅读
Python 拉 A 股历史数据：两个现行免费接口的可运行代码，和复权口径差 1.42% 的实测
这篇给的是 2026 年 9 月 12 日实际跑通过的代码，不是从文档抄的。两个免费接口都不需要注册和 token，装上就能用。实测中发现一件值得警惕的事：同一只股票同一天、两个接口都标注为前复权，开盘价却差了 1.42%，成交量单位还差 100 倍。文中给出两段完整可运行代码、一张接口限制对照表、复权三种口径对回测的具体影响，以及一次真实的接口停运事件带来的教训。
14 分钟阅读
通达信公式函数按用途分五类：写一个放量选股，从头到尾就用这些
通达信的函数文档有好几百条，真正写选股要用的不到三十个。这篇把它们按用途分成取数、回溯、统计、逻辑、形态五类，每类只留常用的，再讲清三种公式类型（技术指标、条件选股、五彩K线）输出要求的区别和三个赋值符号的用法，然后给出放量的四种定义各自算什么，以及一个可直接粘贴的完整放量选股公式和三个最容易写错的地方。
10 分钟阅读
年化 300% 的策略靠不靠谱：五个能在十分钟内做完的检验，过拟合通常倒在第二个
年化 300% 这个数字本身就带着一个可以当场验证的矛盾：连续跑五年就是 1024 倍，十万块变一亿。这篇先用复利算一遍它的容量边界，再给五个不需要拿到源码就能做的检验：样本外切分、参数敏感性、成本代入、收益回撤比、资金容量。每个检验有明确的判死标准，其中参数敏感性这一关能刷掉大部分过拟合出来的曲线。附三种最常见的美化手法。
13 分钟阅读
AI量化是不是骗局：六个骗局特征，四个自己就能做的验证
打着AI和大模型旗号的量化产品这两年特别多，其中真做量化的和纯粹套壳收钱的混在一起，光看宣传页分不出来。这篇不评价任何具体产品，只给判据：六个骗局产品身上高频出现的特征，每个都配一个你自己能核对的动作；再给四个动手验证的方法，包括逐笔记录抽查、小额实测、主体资质查询和资金权限检查。另附真做量化的团队通常长什么样。
11 分钟阅读
一个交易系统需要回测多少笔才算有效：公式 n ≥ (1.96σ/E)²，附四档期望值对照表
回测五十笔就下结论是自欺，一百笔也远远不够。所需样本量有一个可以直接算的公式，它只依赖两个数：单笔期望值和单笔标准差。这篇给出公式的来源、标准差怎么算、以及期望值 0.1R 到 0.5R 四档下所需笔数的完整对照表。核心结论是平方关系：期望值降一半，样本量需求变四倍。文末给出样本量之外必须同时满足的四个条件。
11 分钟阅读
夏普多少算好，回撤多少可接受：四档基准，超过 5 的夏普该怀疑，超过 10 基本可判负
夏普比率不是越高越好，这是关于它最反直觉也最有用的一条。公开可查的顶级量化基金长期年化夏普大多落在 2 到 4 这个区间，一份声称夏普 8 的回测，最可能的解释不是策略优秀而是前视偏差或过拟合。这篇给出年化夏普的完整算法与一个可以照抄的算例、四档基准与各档对应的真实体感、回撤的分档阈值与回本难度表，以及夏普失灵的三种情况。
9 分钟阅读
同花顺选股公式怎么写：六个可直接粘贴的公式，附函数速查
同花顺选股公式的核心只有七个函数：C收盘、V成交量、MA均线、REF引用N天前、CROSS上穿、COUNT计数、EVERY全部满足。这篇给出六个能直接粘贴使用的公式（放量突破、均线多头、缩量回调、连续放量、创新高回踩、涨停后首阴），以及三个新手最常写错的地方。
9 分钟阅读
我让DeepSeek设计一套交易策略，回测结果全线阵亡：一次AI量化策略翻车实录
抖音上一位有11年经验的职业期货交易员，用DeepSeek设计了一套'波段反转'交易策略，逐条写成代码做真实历史回测，结果发现AI给出的三个入场条件几乎不会同时触发，放宽参数后测出的信号又是持续亏损的负期望。他反问AI'你自己的策略能赚钱吗'，AI依然一本正经回复'已测试，确实具备正期望'，验证后发现完全是编造。这篇文章记录了这次AI交易策略回测翻车的完整过程，以及背后的技术原因。
18 分钟阅读
为什么文艺复兴科技赢了LTCM：归纳式模型和演绎式模型的根本区别
同样是数学家做基金、同样靠模型加杠杆交易、同样极度低调，LTCM被一次俄罗斯违约打到几乎清零，Medallion却成了金融史上回报率最高的基金。两者最根本的区别不在杠杆倍数，也不在团队智商，而在模型的底层结构：一个是先有理论再找偏差的演绎式模型，一个是只认数据不判断对错的归纳式模型。这篇拆开讲清楚这条分界线，并提炼出一套用来检查任何交易系统脆弱性的具体方法。
17 分钟阅读
别人递给你一套策略时，先问这五个问题：夏普比率大于5基本就是过拟合
面对越来越多的AI交易架构、量化带单、策略产品，这是一份可以直接照着问的尽调清单：要长期实盘曲线而不是短期妖币战绩、夏普比率大于5基本能确定是过拟合或前视偏差、看交易标的集中度、看资金进出记录是否干净、看最大回撤是自己量出来的还是平台给的。五条硬标准，附一个可以打印的检查表，站在被推销方的角度，教你怎么不被一份好看的成绩单骗。
13 分钟阅读
AI 辅助交易工具：让 ChatGPT/Claude 成为你的“交易副驾
AI 大模型已经能做基础的市场分析、策略代码生成、复盘日志整理。但 90% 的散户还在用 AI 做“翻译”和“问问题”，错过了 AI 在交易里最强大的 5 个用法。本文拆透 AI 在交易里的 5 大场景（市场分析/策略编程/复盘整理/新闻摘要/心态教练）、推荐工具组合、以及散户用 AI 必须避开的 4 个坑。
7 分钟阅读
回测的 7 个致命陷阱：为什么回测好的策略实盘亏钱
回测是量化交易最重要的环节，也是最容易被自己骗的环节。90% 的散户量化策略“回测亮眼实盘亏损”，原因都在这 7 个回测陷阱里：过拟合、生存偏差、前视偏差、数据窥探、不真实的执行、忽略成本、样本不足。本文逐一拆透每个陷阱的本质 + 散户能用的检测方法。读完你会成为“会看回测”的少数人。
9 分钟阅读
EA 策略开发完整指南：从想法到实盘的 5 个阶段
EA（Expert Advisor）是 MT4/MT5 平台的自动化交易程序，是外汇量化交易的标准工具。但 90% 的散户买现成 EA 都亏钱，因为他们不懂“看 EA 是怎么做出来的”。本文从 0 到 1 拆透 EA 开发的 5 个阶段（想法/编程/回测/优化/实盘），以及散户买卖 EA 必踩的 5 个坑。读完你会拥有判断 EA 好坏的眼光。
8 分钟阅读
量化交易入门：散户也能用的 4 大策略框架
量化交易听起来高大上，但 90% 的散户对它的理解还停留在“用程序自动下单”。真正的量化是用数学模型寻找市场规律，把“凭感觉”变成“凭数据”。本文从 0 到 1 拆透量化交易：4 大核心策略框架（趋势跟随/均值回归/统计套利/事件驱动）、散户能用的 5 个量化工具、以及量化 vs 主观交易的本质差异。读完你会知道：量化不是机构专利，散户也能上手。
8 分钟阅读