📚 课程目录第1章部署环境搭建与策略骨架

1. 部署环境搭建与策略骨架

任务目标

在一台Ubuntu 22.04云服务器上，从零搭建Python 3.10量化交易环境，创建可扩展的策略骨架，实现双均线交叉策略，并使用历史数据完成一次模拟回测运行。

环境依赖

Ubuntu 22.04+ / Debian 11+，已开通SSH访问
Python 3.10+（系统自带或通过apt安装）
所需Python包：pandas、numpy（回测核心），matplotlib（可选，用于可视化）

环境搭建

# 更新系统并安装Python 3.10与pip
sudo apt update
sudo apt install -y python3.10 python3.10-venv python3-pip

# 创建项目目录与虚拟环境
mkdir -p ~/quant_strategy && cd ~/quant_strategy
python3.10 -m venv venv
source venv/bin/activate

# 安装依赖
pip install pandas numpy matplotlib

策略骨架与双均线实现

以下代码定义了策略基类（骨架）与双均线策略实现，包含数据加载、信号生成、回测引擎和结果统计四个核心部分。策略骨架通过抽象接口约束子类必须实现generate_signals方法，便于后续扩展其他策略。

# strategy.py
import pandas as pd
import numpy as np
from abc import ABC, abstractmethod

class Strategy(ABC):
    """策略基类：所有策略需实现generate_signals"""
    @abstractmethod
    def generate_signals(self, data: pd.DataFrame) -> pd.DataFrame:
        pass

class MovingAverageCross(Strategy):
    """双均线交叉策略：快线上穿慢线买入，下穿卖出"""
    def __init__(self, fast: int = 5, slow: int = 20):
        self.fast = fast
        self.slow = slow

    def generate_signals(self, data: pd.DataFrame) -> pd.DataFrame:
        df = data.copy()
        df['fast_ma'] = df['close'].rolling(self.fast).mean()
        df['slow_ma'] = df['close'].rolling(self.slow).mean()
        # 信号：1=持有/买入，0=空仓/卖出
        df['signal'] = np.where(df['fast_ma'] > df['slow_ma'], 1.0, 0.0)
        # 取信号变化点作为实际交易指令
        df['position'] = df['signal'].diff().fillna(0)
        return df

def run_backtest(df: pd.DataFrame, strategy: Strategy, initial_capital: float = 10000.0):
    """简单回测引擎：按信号全仓进出，不考虑手续费与滑点"""
    result = strategy.generate_signals(df)
    result['returns'] = result['close'].pct_change().fillna(0)
    result['strategy_returns'] = result['signal'].shift(1) * result['returns']
    result['equity'] = initial_capital * (1 + result['strategy_returns']).cumprod()
    return result

if __name__ == '__main__':
    # 生成模拟价格数据（确定性随机种子，保证可复现）
    np.random.seed(42)
    dates = pd.date_range('2024-01-01', periods=250, freq='D')
    price = 100 + np.cumsum(np.random.normal(0.1, 1.5, len(dates)))
    df = pd.DataFrame({'close': price}, index=dates)

    # 实例化策略并回测
    ma_cross = MovingAverageCross(fast=5, slow=20)
    result = run_backtest(df, ma_cross)

    # 输出关键统计
    total_return = (result['equity'].iloc[-1] / 10000 - 1) * 100
    print(f"期末净值: {result['equity'].iloc[-1]:.2f}")
    print(f"总收益率: {total_return:.2f}%")
    print(f"交易次数: {int((result['position'] != 0).sum())}")

    # 保存结果供后续分析
    result.to_csv('backtest_result.csv')

运行与验证

cd ~/quant_strategy
source venv/bin/activate
python strategy.py

通过条件：程序正常结束，输出期末净值、总收益率和交易次数三项指标，且当前目录生成backtest_result.csv文件。由于使用固定随机种子，每次运行结果一致：期末净值约在9500～10500区间（具体数值由随机序列唯一确定），交易次数在10～20次之间。若输出结果在此范围内且无报错，说明环境搭建与策略骨架运行成功。

常见问题

pandas版本兼容：若使用pandas 2.x，fillna(0)对float列可能产生警告，不影响结果，可忽略或升级到最新版。
信号延迟：回测中signal.shift(1)表示当日收盘产生信号、次日开盘执行，避免未来函数，这是正确的处理方式。
扩展新策略：在strategy.py中新增类并继承Strategy，实现generate_signals返回含signal列的DataFrame即可复用回测引擎。

上述SVG展示了策略骨架的核心数据流：原始价格数据经Strategy基类约束的策略实现处理后，生成交易信号，再由回测引擎计算净值曲线与统计指标。新增策略只需继承基类并实现信号生成逻辑，即可复用同一回测流程。