陈陈读书1. 为什么一个交易了八年的老手把“道法术器势”挂嘴边
先交代一下背景，我从15年开始接触A股，前几年基本是纯手工做，中间交过不少学费，也踩过那种“看对了方向但拿不住单”的经典大坑。后来转量化，一开始就是写点简单的均线策略，用Excel复盘，用网上找的tushare接口拉数据，再后来上了聚宽、掘金这类平台，最后因为要走更复杂的机器学习模型和更自定义的回测逻辑，我逐渐把整个研究环境迁移到了纯Python本地，并重度使用微软开源的qlib框架做因子和模型训练。所以这篇文章想聊的东西，不是教科书式的量化教程，而是我这么多年在A股实战里，把“道法术器势”这个框架套到量化交易上之后，突然觉得很多之前零散的经验都能对号入座了。
为什么要用“道法术器势”来说量化交易？因为做量化的人特别容易陷入一个误区——今天学了个新因子，明天调了个新参数，后天看到知乎上说某个模型能跑出年化50%，于是整天忙着堆料。但真正的实战，不是靠一两个花哨指标就能活下来的，它是一套从理念到执行再到迭代的完整体系。用“道法术器势”来拆，刚好能把顶层认知、中层方法论、底层工具、落地招式、市场时势这五个维度串起来。任何一个环节掉链子，资金曲线都会给你脸色看。
这篇文章适合谁看？我觉得适合两类人。一类是刚开始做量化、被各种广告和课程忽悠得有点上头的新手，我希望帮你把“量化交易到底在做什么”这件事想清楚，少走弯路。另一类是已经有一套策略在跑、但是收益不稳定、回撤经常突破心理底线的实践者，你可以对照“道法术器势”的每个层面检查一下，看自己的体系到底哪里漏了风。
下面正式进入正题。我按照“道、法、术、器、势”五个层级逐个拆，每个部分都会结合A股的实际行情规则、Python代码实践，以及我这几年踩过的坑来讲。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 道与法：先搞清楚A股市场里钱从哪来，再谈策略体系
2.1 道的层面：量化交易赚的是谁的钱，凭什么赚
“道”这个东西听起来玄，但落到交易上就一个问题：你的策略凭什么赚钱？如果这个问题答不上来，后面所有参数调优都是无根之木。
A股市场里，钱的来源无非几个方向。第一，赚公司业绩增长和估值修复的钱，这是基本面投资的逻辑，量化里对应的就是基本面因子，比如盈利质量、ROE改善、分析师预期调整。第二，赚其他市场参与者非理性行为的钱，比如散户追涨杀跌、过度反应、处置效应，量化里对应的是反转因子、情绪因子、资金流因子。第三，赚流动性和制度摩擦的钱，比如T+1制度下的隔夜收益、涨跌停板附近的动量效应、打新和套利策略，这些都是A股相对别的市场更特殊的地方。
我见过很多新手的认知误区是，以为量化就是一劳永逸的印钞机，跑个回测年化就稳了。但实际上，每一块钱的超额收益背后，都有某个对手盘的错误在买单。你赚的是别人因为情绪、因为信息滞后、因为执行粗糙而错配的钱。所以做任何因子之前，先问问自己：这个信号捕捉的是哪一类市场无效性？如果说不清楚，那大概率是数据挖掘中的偶然，不是真alpha。
还有一个特别重要的道层面问题，就是你对收益来源的选择决定了你能容纳的资金量和策略寿命。高频做市可以赚微观结构钱，但容量极小且设备门槛高；基本面量化可以赚中长线定价错误，容量大但周期长、回撤看着憋屈。A股散户占比高、换手率大，行为金融类的因子在一定阶段表现极其亮眼，但随着量化私募规模增大、同质化交易增多，这类因子的拥挤度也在快速上升。所以我现在的观点是，道层面的正确姿势不是找到一个永远有效的圣杯，而是“多策略、多频率、多收益来源”的组合，每一个子策略的资金容量和逻辑前提都必须清晰。
2.2 法的层面：从研究假设到回测验证，搭建策略闭环
“法”是方法论，是把道落到地面的中间层。在量化交易里，法就是一套严谨的策略开发流程。我建议所有人都建立下面这个闭环，可以少采很多坑。
第一步，提出可证伪的假设。比如你观察到一个现象：“A股市场上，前期跌幅巨大的股票，在接下来一个月内有反弹倾向。”这就可以成为一个反转因子的候选假设。注意，这个假设需要包含明确的时间周期、股票池、预测目标和逻辑依据。
第二步，数据清洗和因子计算。用Python的pandas、numpy对行情数据和财务数据进行对齐，剔除ST、次新股和停牌股票，计算你定义的因子值。举个例子，20日反转因子就是过去20天的累计收益率，代码可以这样写：
python复制import pandas as pd
def momentum_factor(close: pd.DataFrame, window: int = 20) -> pd.DataFrame:
# close是股票收盘价DataFrame，行是日期，列是股票代码
return close