# a_share_quant

**Repository Path**: cglcoder/a_share_quant

## Basic Information

- **Project Name**: a_share_quant
- **Description**: a_share_quant
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-07
- **Last Updated**: 2026-05-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 中国 A 股量化交易系统 · 实操落地指南 v2.0

## 摘要

本指南旨在为有量化基础的个人或小团队提供一套**可长期维护、真实落地、逐步迭代、可接入实盘且可控制风险**的中国 A 股中低频量化交易系统构建方案。本指南整合了专业理论与实操经验，从核心原则、实施路线图、环境准备、数据系统、因子系统、回测系统、策略构建、风控体系、实盘对接、监控运维以及常见陷阱与避坑等多个维度，提供了一份全面、系统且务实的指导。本方案的核心思想是“不预测市场，只寻找统计学长期有效的 Alpha”，并强调**数据质量、回测真实性、风控稳定性**以及 **Alpha 生命周期管理**是实现长期稳健盈利的关键。

## 一、核心原则与心态

### 1.1 指导原则

构建量化交易系统应遵循以下核心指导原则，以确保项目的可持续性和成功率：

| 原则 | 说明 |
|---|---|
| **先跑通，再优化** | 第一个阶段的目标是让系统“能动起来”，而不是追求完美无缺。在实际运行中发现问题并逐步迭代优化，是更高效的开发路径。 |
| **风控大于收益** | 宁可少赚 10%，也不要承受 20% 的回撤。严格的风险控制是量化交易长期生存的基石，尤其在 A 股市场。 |
| **拒绝炫技** | 简单、可解释的线性模型配合少量基础因子，其稳定性和鲁棒性往往优于复杂的深度学习模型。避免过度追求复杂技术而忽视实际落地和风险控制。 |
| **保留退路** | 任何时候都应具备手动接管交易的能力，以应对系统异常或市场极端情况。 |
| **日志即证据** | 详细记录所有交易、系统运行和告警日志，这不仅是排查问题的依据，也是验证策略有效性的重要数据。 |

### 1.2 目标设定（务实版）

考虑到 A 股市场的特点和系统从零开始构建的实际情况，建议采用分阶段的务实目标：

| 指标 | 第一阶段（0~6个月） | 第二阶段（稳定后） |
|---|---|---|
| 年化收益 | 5% ~ 10% | 8% ~ 15% |
| 最大回撤 | < 15% | < 12% |
| 持仓周期 | 5 ~ 10 个交易日 | 3 ~ 15 个交易日 |
| 初始资金 | 2 ~ 5 万元 | 10 万元以上 |
| 交易频率 | 中低频（月换手 2~4 次） | 中频（月换手 3~6 次） |

### 1.3 心态准备

量化交易并非“印钞机”，需要正确的认知和坚定的心态：

-   年化 15% 的收益在投资领域已属非常优秀。不要盲目追求过高的收益目标。
-   连续跑输指数是正常的市场波动，不要轻易推翻经过验证的系统。
-   回测结果再好看，也可能与实盘表现存在差异，滑点和冲击成本会显著影响实际收益。
-   **长期活下来比短期暴利重要得多。** 稳健和持续性是量化交易的终极目标。

## 二、实施路线图（12-16 周规划）

以下是一个分阶段的实施路线图，建议每个阶段预留 1 周缓冲，总时长按 16 周规划更稳妥：

| 周次 | 阶段 | 核心任务 | 验收标准 |
|---|---|---|---|
| 第 1 周 | 环境准备 | 安装 Python、创建项目目录、配置虚拟环境 | 能导入 pandas、akshare |
| 第 2-3 周 | 数据系统 | 实现日线/财务数据下载、存储、每日更新 | 能获取 2018 年至今完整数据 |
| 第 4-5 周 | 因子系统 | 计算 10 个基础因子，做去极值、标准化、中性化 | 至少 3 个因子 IC > 0.02 |
| 第 6 周 | 回测系统 | 搭建回测框架，实现 T+1、涨跌停、手续费 | 能回测 2019-2023 年 |
| 第 7-8 周 | 策略实现 | 线性打分、选前 N 只等权持仓 | 回测年化 > 8%，回撤 < 15% |
| 第 9 周 | 风控系统 | 加入止损、仓位限制、系统择时 | 回测回撤降低 20% 以上 |
| 第 10-11 周 | 实盘对接 | QMT 接口调试，模拟交易 | 能成功下模拟单 |
| 第 12 周 | 监控 + 小资金 | 每日自动运行，2 万元实盘测试 | 连续 5 天稳定运行 |

## 三、环境准备阶段

### 3.1 硬件最低要求

| 部件 | 要求 | 原因 |
|---|---|---|
| CPU | 4 核 | 并行计算因子，提升处理速度 |
| 内存 | 8GB | 加载全市场数据，避免内存溢出 |
| 硬盘 | 256GB SSD | 存储 5 年以上历史数据，提高读写速度 |
| 网络 | 普通宽带 | 每日数据下载量不大，普通网络即可满足 |

### 3.2 软件选型（推荐）

| 组件 | 选择 | 理由 |
|---|---|---|
| 编程语言 | Python 3.11+ | 量化生态最完善，AI/ML 支持最好，回测框架成熟，数据处理能力强 |
| 数据存储 | DuckDB + Parquet | 本地 OLAP，SQL 分析速度极快，无需服务端；Parquet 压缩率高，读取速度快，与 Pandas/Polars 兼容优秀 |
| 回测框架 | Backtrader 或 VectorBT | 功能全面，灵活性高，或向量化回测，速度快，适合大规模数据和参数优化 |
| 数据源 | AKShare (免费) + Tushare Pro (付费) | AKShare 提供免费行情数据，Tushare Pro 补充财务/资金流数据 |
| 定时任务 | Crontab / 任务计划器 | 实现每日自动运行数据更新和策略执行 |

### 3.3 项目目录结构（推荐逻辑视图）

```text
量化系统/
├── data/               # 原始数据（不手动修改）
├── src/                # 核心代码
│   ├── data_pipeline/  # 数据采集、清洗、更新逻辑
│   ├── factors/        # 因子计算、预处理、中性化逻辑
│   ├── backtest/       # 回测引擎、费用和组合管理
│   ├── strategy/       # 策略逻辑（模型打分、组合构建）
│   ├── risk/           # 风控模块
│   ├── execution/      # 实盘接口与订单管理
│   └── monitor/        # 监控告警模块
├── config/             # 配置文件（参数、账户信息等）
├── logs/               # 所有运行日志
└── run.py              # 每日入口脚本
```

### 3.4 注意事项

-   **代码分离：** 严格区分回测代码和实盘代码，避免因误操作导致实盘风险。
-   **安全配置：** 账户密码等敏感信息应通过环境变量或配置文件管理，切勿硬编码在代码中。
-   **虚拟环境：** 必须使用虚拟环境管理项目依赖，避免不同项目间的库版本冲突。
-   **版本控制：** 引入 Git 等版本控制工具，每日提交代码，确保代码可追溯和团队协作。

## 四、数据系统搭建

### 4.1 需要的数据类型与来源

| 类型 | 内容 | 来源 | 优先级 |
|---|---|---|---|
| 日线行情 | OCHL、成交量、成交额 | AKShare | 必须 |
| 复权因子 | 前复权/后复权因子 | AKShare | 必须 |
| 股票列表 | 代码、名称、上市日期、是否 ST | AKShare | 必须 |
| 财务数据 | PE、PB、ROE、营收增速 | Tushare Pro | 必须 |
| 资金流 | 北向资金、主力净流入 | Tushare Pro | 建议 |
| 行业分类 | 申万一级/二级行业 | Tushare | 建议 |

**不建议 Playwright 做主数据源：** 维护成本高、浏览器资源消耗大、页面结构容易变化、不适合大规模日线更新。

### 4.2 核心数据字段规范

-   **K 线数据：** 至少包含 `trade_date`, `open`, `high`, `low`, `close`, `volume`, `amount`, `adj_factor`, `limit_up`, `limit_down`, `is_st`, `is_suspended`。
-   **财务数据：** 至少包含 `ts_code`, `ann_date`, `pe_ttm`, `pb`, `roe_ttm`, `rev_yoy`。

### 4.3 必须处理的 A 股特有问题

| 问题 | 正确做法 | 错误做法 |
|---|---|---|
| **复权** | 存储原始价 + 复权因子，回测时动态前复权 | 直接存储不复权价格 |
| **幸存者偏差** | 保留已退市股票的历史数据 | 只存储当前交易股票 |
| **未来函数** | 财务数据使用 `ann_date` (公告日) | 使用 `report_date` (报告期) |
| **涨跌停** | 回测时检查是否一字停牌，模拟无法买卖 | 忽略涨跌停限制 |
| **T+1** | 今天买入的股票，第二天才能卖出 | 同一天买卖 |

### 4.4 数据更新的自动化

-   **全量初始化：** 只执行一次，下载 2010 年至今所有历史数据。
-   **每日增量更新：** 每日收盘后（例如下午 6 点后）运行，补充当天数据。
-   **每周全量校验：** 定期检测数据完整性，补充缺失值、异常值，确保数据质量。

### 4.5 注意事项

-   **数据源稳定性：** 免费数据源接口可能随时变更，需编写重试和容错逻辑。
-   **财务数据延迟：** 财务数据通常在公告后几天才能稳定，回测时需留出缓冲期。
-   **数据校验：** 存储数据前进行基础校验，如价格 > 0、日期连续、涨跌幅 < 15%。
-   **访问频率：** 避免在生产环境频繁全量下载数据，以免 IP 被封。

## 五、因子系统设计

### 5.1 第一阶段推荐因子（10 个）

以下是第一阶段推荐的 10 个实用因子，涵盖技术、资金和基本面维度：

| 类别 | 因子 | 计算逻辑 | 预期方向 |
|---|---|---|---|
| 技术 | 20 日动量 | 当前价 / 20 日前价 - 1 | 正 |
| 技术 | 60 日动量 | 当前价 / 60 日前价 - 1 | 正 |
| 技术 | 20 日波动率 | 日收益率的滚动标准差 | 负 |
| 技术 | RSI(14) | 经典 RSI 公式 | 中性（极值时反转） |
| 资金 | 换手率变化 | 换手率 / 5 日前换手率 - 1 | 正 |
| 资金 | 北向资金持仓占比 | 北向持股 / 流通股本 | 正 |
| 基本面 | PE_TTM | 市盈率（取倒数或负权重） | 负 |
| 基本面 | PB | 市净率（取倒数或负权重） | 负 |
| 基本面 | ROE_TTM | 净资产收益率 | 正 |
| 基本面 | 净利润同比增速 | (本期 - 去年同期) / 去年同期 | 正 |

### 5.2 因子预处理三步（必须做）

因子预处理是提升因子质量和有效性的关键步骤：

| 步骤 | 方法 | 目的 |
|---|---|---|
| **去极值** | MAD 法（中位数绝对偏差） | 消除异常值对因子分布的影响，提高因子稳定性 |
| **标准化** | Z-Score | 消除因子量纲影响，使不同因子之间具有可比性 |
| **中性化** | 市值 + 行业回归取残差 | 剥离因子中非 Alpha 的系统性风险暴露，提取纯粹的 Alpha 收益。这是多因子系统核心步骤。 |

### 5.3 因子有效性检验（判断标准）

-   **IC 均值 > 0.03：** 表示因子具有一定的预测能力。
-   **ICIR > 0.5：** 表示因子稳定性较好（信息系数均值 / 标准差）。
-   **分层回测：** 将股票按因子值分为 5 组，多空收益应呈现单调性。
-   **换手率：** 因子换手率过高会显著增加交易成本，侵蚀利润。

### 5.4 注意事项

-   **因子组合：** 不要简单平均技术因子和基本面因子，应先各自中性化后再进行组合。
-   **因子衰减与轮动：** 因子有效性会随时间衰减和轮动，建议每季度重新评估因子有效性。
-   **避免未来函数：** 确保所有因子计算仅使用历史数据，避免使用未来信息。
-   **组合效应：** 单个因子 IC 较低，但组合后可能提升整体表现。

## 六、回测系统实现

### 6.1 回测必须模拟的 A 股规则

为确保回测结果的真实性，必须严格模拟 A 股市场的以下规则：

| 规则 | 模拟方式 |
|---|---|
| **T+1** | 买入信号当天记录，但持仓从次日开始生效 |
| **涨跌停** | 涨停无法买入，跌停无法卖出（一字板） |
| **ST 股票** | 不能买入，已持有的可卖出 |
| **停牌** | 无法交易，持仓冻结 |
| **印花税** | 卖出时收取 0.1% |
| **佣金** | 通常 0.03%，最低 5 元 |
| **滑点** | 至少按 0.1% 的成本估算 |

### 6.2 回测流程（逻辑）

```text
每日循环：
  1. 获取当日可用股票（排除停牌、ST、涨跌停）
  2. 计算各股票因子得分
  3. 根据得分产生目标仓位
  4. 对比当前持仓，生成买卖订单
  5. 考虑涨跌停和流动性，模拟成交
  6. 扣除手续费、滑点，更新持仓和净值
  7. 记录当日收益和风险指标
```

### 6.3 必须输出的回测指标

| 指标 | 说明 |
|---|---|
| 年化收益率 | 衡量策略赚钱能力 |
| 最大回撤 | 衡量策略在最差情况下的亏损 |
| 夏普比率 | 风险调整后收益（>1 可接受） |
| 胜率 | 盈利交易日占比 |
| 盈亏比 | 平均盈利 / 平均亏损 |
| 换手率 | 月换手率过高需警惕交易成本 |
| 基准对比 | 相对沪深 300 的超额收益 |

### 6.4 注意事项

-   **避免未来数据：** 严禁在回测中使用未来数据，例如当天收盘价作为买入条件。
-   **冲击成本：** 考虑大资金量下，小盘股交易可能导致的冲击成本。
-   **样本外测试：** 必须进行样本外测试，例如用 2018-2020 年数据训练，2021-2023 年数据验证，以评估模型的泛化能力。
-   **参数敏感性：** 进行参数敏感性分析，如果微调参数导致结果剧烈变化，则可能存在过拟合。
-   **收益警惕：** 回测年化收益过高（如 > 50%）通常不可信，需仔细检查是否存在逻辑错误。

## 七、策略构建流程

### 7.1 按复杂度递进的路线

建议从简单策略开始，逐步提升复杂度：

| 阶段 | 策略类型 | 说明 |
|---|---|---|
| **1** | 单因子 | 选择一个 IC 最高的因子，选取排名前 N 的股票 |
| **2** | 线性多因子 | 给多个因子固定权重，进行线性打分 |
| **3** | 动态权重 | 根据市场波动率等指标动态调整因子权重 |
| **4** | 非线性模型 | 引入 LightGBM 等模型捕捉因子间的非线性交互作用 |
| **不建议一开始做** | 深度学习、高频、强化学习 | 这些模型极易过拟合，工程复杂度高，不适合初期阶段 |

### 7.2 组合构建方法（推荐 Top N 等权）

Top N 排名法是多因子策略中最常用且有效的组合构建方法之一：

```text
步骤：
  1. 得到每只股票的综合因子得分
  2. 剔除得分最低的 50%（可选，进一步聚焦优质股票）
  3. 选取排名前 N 名的股票（例如 20 只）
  4. 对选中的每只股票分配 1/N 的仓位（等权持仓）
  5. 每日或每 N 日进行一次调仓
```

### 7.3 基准策略（第一版）

-   **持仓周期：** 5 ~ 10 天
-   **选股数量：** 20 只
-   **加权方式：** 等权
-   **风控：** 单股 < 10%，单行业 < 30%
-   **调仓频率：** 每天（只调出得分掉出前 30 的股票，买入新进的股票）

### 7.4 注意事项

-   **策略简洁：** 策略不宜过于复杂，10 个因子 + 线性模型已能跑赢大多数市场参与者。
-   **调仓频率：** 中低频策略交易成本较低，更容易存活。避免频繁调仓。
-   **滑点压力测试：** 假设滑点增加到 0.2%，测试策略是否仍能盈利，以评估其鲁棒性。
-   **回测与实盘差异：** 回测中表现最好的参数，实盘往往不是最优，需警惕过度拟合。

## 八、风控体系设计

风控是量化交易系统最关键的组成部分，应构建三层风控架构：

### 8.1 三层风控架构

| 层级 | 控制对象 | 措施 | 阈值示例 |
|---|---|---|---|
| **个股级** | 单只股票 | 硬止损、移动止盈 | 亏损 -8% 止损，从高点回撤 5% 止盈 |
| **组合级** | 整体持仓 | 单股上限、行业上限 | 单股 ≤ 10%，单行业 ≤ 30% |
| **系统级** | 市场环境 | 均线择时、波动率调节 | 沪深 300 跌破 200 日线，总仓位减半 |

### 8.2 每日风控检查清单

-   是否有股票触及止损/止盈线 → 立即平仓
-   单只股票仓位是否超过 10% → 减持
-   单行业仓位是否超过 30% → 减持该行业股票
-   当日亏损是否超过 -5% → 停止开新仓
-   自高点回撤是否超过 -12% → 清仓观望
-   沪深 300 是否在 200 日均线下方 → 总仓位 × 50%

### 8.3 风险参数设置（初始推荐）

| 参数 | 值 | 说明 |
|---|---|---|
| 单股最大仓位 | 10% | 避免“黑天鹅”事件对组合造成过大冲击 |
| 单行业最大仓位 | 30% | 分散行业风险，避免集中度过高 |
| 硬止损线 | -8% | 单只股票亏损超过此值立即卖出 |
| 移动止盈回撤 | 5% | 从最高点回撤 5% 时卖出，锁定部分利润 |
| 单日最大亏损 | -5% | 超过此值则暂停当日交易 |
| 最大回撤红线 | -15% | 触发此值则清仓休息，重新评估策略 |

### 8.4 注意事项

-   **优先级：** 风控代码的优先级应高于策略代码，即使策略信号很好，风控触发也必须执行。
-   **止损设置：** 止损线不宜设置过窄（如 -3%），以免被市场随机波动频繁打掉。
-   **熊市应对：** 熊市时降低总仓位比频繁换股更重要。
-   **风控模拟：** 实盘前至少进行 1 个月的风控模拟，确保逻辑无 bug。

## 九、实盘对接方案

### 9.1 选择 QMT 的理由

| 对比项 | QMT | PTrade | 手动交易 |
|---|---|---|---|
| 自动化 | 支持 | 支持 | 否 |
| 券商覆盖 | 广（国泰君安、华泰等） | 较广 | - |
| 稳定性 | 高 | 中 | - |
| 学习成本 | 中 | 中 | - |
| 适合策略 | 中低频到高频 | 中低频 | - |

### 9.2 实盘接入步骤

1.  **开通常用券商账户：** 联系客户经理开通 QMT 权限。
2.  **申请测试环境：** 获取 API 文档和模拟账号。
3.  **模拟交易验证：** 至少运行 2 周，确保无异常。
4.  **小资金实盘：** 2 万元起步，运行 1 个月，验证系统稳定性。
5.  **逐步加仓：** 每季度盈利稳定后，逐步增加实盘资金。

### 9.3 执行模式：目标仓位同步（核心）

系统不直接发送“买入 100 股”等固定数量指令，而是根据策略输出的期望持仓比例，对比当前实际持仓，自动生成买卖指令。

**优点：**

-   自动处理加减仓，无需人工干预。
-   避免重复发单，提高交易效率。
-   支持部分成交后的后续调整。

**每日调仓流程：**

```text
1. 获取当前持仓（股票 + 现金）
2. 计算目标持仓比例（由策略模块输出）
3. 对比当前持仓与目标持仓 → 生成需要调整的股份数
4. 考虑流动性，按批次发送下单指令
5. 收盘后核对是否完全执行到位
```

### 9.4 注意事项

-   **初次实盘：** 绝对不要在实盘第一天全仓运行，应先手动启动，观察几笔交易。
-   **异常处理：** 网络断线、券商接口故障等情况时有发生，必须有重试机制。
-   **熔断机制：** 设置“熔断”机制，例如单日亏损超过 5% 时，系统自动暂停并通知。
-   **紧急脚本：** 准备一个紧急清仓脚本，以应对极端情况。
-   **回测与实盘差异：** 实盘和回测的资金曲线肯定不同，只要逻辑未变，应坚持执行。

## 十、监控与运维体系

### 10.1 每日必看指标

| 指标 | 正常范围 | 异常处理 |
|---|---|---|
| 程序是否正常运行 | 是 | 查看错误日志，排查问题 |
| 今日盈亏率 | -3% ~ +3% | 超过 -5% 触发告警 |
| 当前回撤 | < 10% | 超过 12% 考虑减持 |
| 持仓股票数 | 15 ~ 25 只 | 过少可能集中风险，过多可能管理困难 |
| QMT 连接状态 | 正常 | 尝试重连或通知人工干预 |

### 10.2 告警方式（从简单到高级）

| 方式 | 成本 | 可靠性 |
|---|---|---|
| 写入日志文件 | 免费 | 需主动查看 |
| 发送邮件 | 免费 | 中 |
| 钉钉/飞书机器人 | 免费 | 高 |
| 短信 | 付费 | 最高 |

建议至少实现日志 + 邮件告警，关键告警可考虑使用钉钉机器人或短信。

### 10.3 日常运维任务

| 频率 | 任务 |
|---|---|
| 每日 | 检查昨日成交是否完全执行，查看日志是否有报错 |
| 每周 | 检查数据完整性，补充缺失数据 |
| 每月 | 重新评估因子有效性 |
| 每季 | 回测最近 3 个月数据，对比实盘差异 |
| 每年 | 调整风控参数、优化因子权重 |

### 10.4 注意事项

-   **监控的监控：** 监控系统本身也需要被监控，防止监控系统失效。
-   **日志管理：** 定期清理日志文件，避免占用过多硬盘空间。
-   **禁止手动干预：** 在交易时段严禁手动修改数据库或配置文件。

## 十一、常见陷阱与避坑

### 11.1 数据处理陷阱

| 陷阱 | 后果 | 解决方案 |
|---|---|---|
| **复权错误** | 回测收益虚高，实盘表现不佳 | 统一前复权，回测前检验价格连续性 |
| **幸存者偏差** | 回测结果过于乐观，实盘表现很差 | 保留退市股票的历史数据 |
| **财报未来函数** | 使用了未公开的财务数据，导致回测失真 | 财务数据按 `ann_date` (公告日) 对齐 |
| **前向数据泄露** | 用当天数据预测当天信号，导致回测结果虚假 | 确保所有信号仅使用历史数据计算 |

### 11.2 回测陷阱

| 陷阱 | 后果 | 解决方案 |
|---|---|---|
| **忽略涨跌停** | 高估成交能力，实盘无法成交 | 回测时精确模拟一字板涨跌停 |
| **无滑点** | 实盘收益大幅降低，甚至亏损 | 回测中至少加入 0.1% 的滑点 |
| **无印花税/佣金** | 高频策略收益虚高 | 按规定扣除印花税和佣金 |
| **过拟合** | 策略在样本外失效，实盘表现差 | 减少参数，进行交叉验证和样本外测试 |

### 11.3 实盘陷阱

| 陷阱 | 后果 | 解决方案 |
|---|---|---|
| **冲击成本** | 小盘股买入推高价格，卖出压低价格 | 计算预期滑点，避免小市值股票集中持仓 |
| **交易延迟** | 信号发出后价格变化，导致成交价不理想 | 使用限价单，或接受一定的滑点 |
| **流动性不足** | 无法成交或成交价差大 | 过滤日均成交额 < 1000 万的股票 |
| **接口故障** | 下单失败，错过交易机会 | 编写重试机制，并准备人工干预方案 |

### 11.4 心理陷阱

| 陷阱 | 表现 | 应对 |
|---|---|---|
| **厌恶止损** | “再扛一下可能回来” → 越亏越多 | 无条件执行止损纪律 |
| **过度优化** | 反复调参让回测曲线完美，但实盘失效 | 固定参数，用样本外数据验证 |
| **追逐热点** | 看哪个策略最近赚钱就用哪个，频繁更换 | 坚持一套逻辑至少 3 个月，不轻易动摇 |
| **恐慌清仓** | 连续回撤就全卖了，错过反弹 | 相信风控系统，不乱干预 |

## 十二、检查清单

### 12.1 数据系统验收

-   能下载 2005 年至今所有 A 股日线数据。
-   每日增量更新正常运行超过 1 周。
-   异常值、缺失值有自动处理逻辑。
-   退市股票数据仍保留。
-   财务数据使用了公告日期 (`ann_date`)。

### 12.2 回测系统验收

-   回测考虑了 T+1、涨跌停、手续费、滑点。
-   能输出年化收益率、最大回撤、夏普比率、换手率等关键指标。
-   样本外测试结果没有显著变差。
-   参数微调不会导致结果剧烈变化。

### 12.3 策略系统验收

-   至少 3 个因子 IC 均值 > 0.03。
-   组合后年化收益 > 8% (回测)。
-   最大回撤 < 15% (回测)。
-   月换手率 < 200% (中低频)。
-   有完整的一年以上样本外回测。

### 12.4 风控系统验收

-   止损逻辑已测试（手动模拟触发）。
-   仓位限制已实现（不会超过单股 10%）。
-   系统级择时已实现（根据大盘调整仓位）。
-   熔断机制存在（单日亏损超 5% 暂停）。

### 12.5 实盘上线前

-   模拟盘运行超过 2 周，无异常。
-   已有紧急清仓脚本。
-   告警通知已配置（至少日志 + 邮箱）。
-   资金为可接受全部亏损的闲钱。
-   第一周手动观察，不自动运行。

## 写在最后

量化交易不是一场短跑，而是一场马拉松。前 6 个月你可能跑输大盘，这很正常。每年能稳定赚 10%，已经超过 90% 的股民。不要羡慕别人年化 50%，背后可能是你承受不起的回撤。**坚持执行纪律，比任何聪明策略都重要。** 祝你系统稳定，曲线向上！