从回测到实盘

回测里赚 100% 不代表实盘能赚 100%。这一篇我们讨论从纸上策略到真金白银交易的所有坑。

回测 vs 实盘的本质区别

维度	回测	实盘
数据	完整、整理过	实时、可能延迟、可能错误
成交	假设按收盘价成交	滑点、流动性、撮合规则
资金	无限假设	真实资金，有承受底线
心理	看历史无压力	真亏钱时手抖
时间	几秒跑完	实时等待

很多回测看起来很美的策略，实盘第一天就挂了。原因往往是：

未来函数 — 用了回测时才能看到的数据
滑点过乐观 — 实际成交价 ≠ 信号价
流动性陷阱 — 小盘股根本买不到那么多
手续费没算够 — 高频策略尤其敏感
心理崩溃 — 第一笔大亏就割肉了

实盘前必做的检查

1. 走纸上交易（Paper Trading）

策略上线前，先用实时数据 + 假账户跑一段时间。富途 OpenAPI 支持模拟交易：

python
from futu import OpenSecTradeContext, TrdEnv, TrdMarket

# SIMULATE 表示模拟环境
trd_ctx = OpenSecTradeContext(
    filter_trdmarket=TrdMarket.US,
    host='127.0.0.1',
    port=11111
)

# 解锁交易（模拟环境也需要）
ret, data = trd_ctx.unlock_trade(password_md5='your_password_md5')

模拟跑 1-2 个月，看看：

信号触发是否符合预期
成交价和信号价的偏差
系统稳定性（断网怎么办？程序挂了怎么办？）

2. 小资金试水

模拟 OK 后，不要立刻全仓。先用 1-5% 的资金跑一个月，确认没有 bug 再加仓。

3. 准备应急方案

提前想清楚：

程序崩了怎么手动平仓？
网络断了仓位怎么处理？
策略亏到 X% 时强制停止？

富途 API 下单实战

解锁交易

python
from futu import OpenSecTradeContext, TrdEnv, TrdMarket
import hashlib

# 你的交易密码 MD5
password = '123456'  # 替换为你的密码
password_md5 = hashlib.md5(password.encode()).hexdigest()

trd_ctx = OpenSecTradeContext(
    filter_trdmarket=TrdMarket.US,
    host='127.0.0.1',
    port=11111
)

# 解锁交易
ret, data = trd_ctx.unlock_trade(password_md5=password_md5)
if ret != 0:
    print('解锁失败:', data)

查询账户

python
# 查询账户资金
ret, data = trd_ctx.accinfo_query(trd_env=TrdEnv.SIMULATE)
print(data)

# 查询持仓
ret, data = trd_ctx.position_list_query(trd_env=TrdEnv.SIMULATE)
print(data)

下单

python
from futu import OrderType, TrdSide

# 限价买入
ret, data = trd_ctx.place_order(
    price=180.0,
    qty=10,
    code='US.AAPL',
    trd_side=TrdSide.BUY,
    order_type=OrderType.NORMAL,
    trd_env=TrdEnv.SIMULATE,
)

if ret == 0:
    order_id = data['order_id'].iloc[0]
    print(f'下单成功，订单ID: {order_id}')
else:
    print('下单失败:', data)

查询订单状态

python
ret, data = trd_ctx.order_list_query(trd_env=TrdEnv.SIMULATE)
print(data)

撤单

python
from futu import ModifyOrderOp

ret, data = trd_ctx.modify_order(
    modify_order_op=ModifyOrderOp.CANCEL,
    order_id=order_id,
    qty=0, price=0,
    trd_env=TrdEnv.SIMULATE,
)

一个完整的实盘策略框架

把所有部分整合起来：

python
import time
from futu import (
    OpenQuoteContext, OpenSecTradeContext,
    RET_OK, KLType, AuType, TrdMarket, TrdEnv,
    OrderType, TrdSide, ModifyOrderOp
)

class DualMALiveStrategy:
    def __init__(self, code, fast=5, slow=20, env=TrdEnv.SIMULATE):
        self.code = code
        self.fast = fast
        self.slow = slow
        self.env = env

        self.quote_ctx = OpenQuoteContext(host='127.0.0.1', port=11111)
        self.trd_ctx = OpenSecTradeContext(
            filter_trdmarket=TrdMarket.US,
            host='127.0.0.1',
            port=11111
        )

    def get_signal(self):
        """获取最新信号"""
        ret, df, _ = self.quote_ctx.request_history_kline(
            code=self.code,
            ktype=KLType.K_DAY,
            autype=AuType.QFQ,
            max_count=self.slow + 5,
        )
        if ret != RET_OK:
            return None

        df['ma_fast'] = df['close'].rolling(self.fast).mean()
        df['ma_slow'] = df['close'].rolling(self.slow).mean()

        latest = df.iloc[-1]
        prev = df.iloc[-2]

        # 金叉
        if prev['ma_fast'] <= prev['ma_slow'] and latest['ma_fast'] > latest['ma_slow']:
            return 'BUY'
        # 死叉
        if prev['ma_fast'] >= prev['ma_slow'] and latest['ma_fast'] < latest['ma_slow']:
            return 'SELL'
        return None

    def get_position(self):
        """获取当前持仓数量"""
        ret, data = self.trd_ctx.position_list_query(trd_env=self.env)
        if ret != RET_OK or len(data) == 0:
            return 0
        pos = data[data['code'] == self.code]
        return int(pos['qty'].sum()) if len(pos) > 0 else 0

    def execute(self, signal, qty=10):
        """执行交易"""
        side = TrdSide.BUY if signal == 'BUY' else TrdSide.SELL
        ret, data = self.trd_ctx.place_order(
            price=0,                           # 市价单
            qty=qty,
            code=self.code,
            trd_side=side,
            order_type=OrderType.MARKET,
            trd_env=self.env,
        )
        if ret == 0:
            print(f'{signal} 下单成功')
        else:
            print(f'下单失败: {data}')

    def run_once(self):
        """跑一次策略"""
        signal = self.get_signal()
        position = self.get_position()

        if signal == 'BUY' and position == 0:
            self.execute('BUY', qty=10)
        elif signal == 'SELL' and position > 0:
            self.execute('SELL', qty=position)

    def close(self):
        self.quote_ctx.close()
        self.trd_ctx.close()


# 主循环
if __name__ == '__main__':
    strategy = DualMALiveStrategy('US.AAPL', fast=5, slow=20)

    try:
        while True:
            strategy.run_once()
            time.sleep(300)  # 每 5 分钟检查一次
    except KeyboardInterrupt:
        print('策略停止')
    finally:
        strategy.close()

上线前 Checklist

□ 在模拟环境跑通了完整流程
□ 模拟运行至少 2 周
□ 盈亏符合回测预期
□ 异常处理完备（断网、API 错误、数据缺失）
□ 有止损止盈机制
□ 有手动停止开关
□ 有日志记录每次决策
□ 准备了应急平仓方案
□ 用小资金（≤5%）真实跑了 1 周
□ 想清楚最坏情况能承受多少损失

每一条都通过了，再考虑加大资金。

实盘心态建设

代码完成只是开始。真正的挑战是心理：

第一次大亏不要慌 — 任何策略都有回撤期，看看回测里历史最大回撤多少天
不要在亏损时改策略 — 这是过拟合的开始
不要随便加仓 — 牛市追加仓位、熊市死扛是散户最容易犯的错
定期评估，但不要天天看 — 日内波动会扰乱判断

持续学习的方向

走完这 10 篇，你已经入门了。下一步可以：

读经典书：《Quantitative Trading》（Ernie Chan）、《Active Portfolio Management》
关注社区：聚宽、米筐、QuantStart 等
参加竞赛：Kaggle、聚宽算法大赛
研究论文：SSRN 上的金融工程论文
关注因子：MSCI Barra 模型、Fama-French 五因子

小结

到这里整个 Python 量化入门系列就结束了。你已经会：

✅ 搭建 Python 量化环境
✅ 获取行情数据（富途 + 免费源）
✅ 用 Pandas 处理金融时间序列
✅ 数据可视化
✅ 实现常用技术指标
✅ 写完整的策略
✅ 用 backtrader / vectorbt 回测
✅ 评估策略风险与绩效
✅ 多因子选股入门
✅ 部署实盘

📌 最重要的一句话

不要相信你的策略会一直赚钱。

量化的本质是用数据和纪律对抗自己的情绪偏差。能在市场上长期生存的人，不是因为找到了圣杯策略，而是因为他们：

严格执行规则

控制下行风险

持续学习改进

接受随机性

祝你在量化的路上玩得开心。