30天量化入门路线图：用Python跑通选股引擎+composite加权投票+模拟盘复盘（附完整代码）

Captain_Data

277人浏览 · 2026-07-18 22:50:01

Captain_Data · 2026-07-18 22:50:01 发布

本文仅为个人方法研究与经验分享，不构成任何投资建议或职业指导，无任何标的推荐。市场有风险，决策请结合自身情况独立判断。文中代码均为示意版（模拟数据），非实盘交易建议，请结合自身情况独立判断后使用。

为什么大多数人量化入门卡在第一步

很多人以为入门量化要先啃完数学和Python，于是收藏夹里躺着十几篇《量化入门》，一篇都没真正开始。我做了5年量化，陪过十几个零基础读者跑完30天，结论是：入门最大的敌人不是难度，是"不知道顺序"。

船长自研量化系统的用法可以拆成一张30天路线图：前10天当观众看懂系统，中间10天跑通自己的第一份盘后报告，最后10天开模拟盘用虚拟资金试错。这篇文章不聊玄学，直接把路线图背后的三块核心逻辑拆开，并附上三段能直接跑的 Python（选股引擎、composite 加权投票、模拟盘复盘），帮你把"看报告"变成"用报告"。

第一块：盘后选股引擎（10种模式）

盘后选股不是"预测明天涨谁"，而是按多种思路给全市场打分，输出候选池。系统的选股引擎内置 10 种模式：动量、反转、价值、红利、低波、质量、小盘、龙头、资金流、事件。每种模式独立评分，再汇总去重。下面这段代码就是 15:30 触发的入口逻辑（示意版，数据为模拟），你可以直接复制运行，感受"候选"是怎么来的。

Python · 盘后选股引擎调用（示意版）

# 公重号：船长Talk

# 第11天起：调用选股引擎，输出当日候选（模拟数据）

MODES = ["动量","反转","价值","红利","低波","质量","小盘","龙头","资金流","事件"]



def run_after_close(date, top_n=5, keep=10):

    """盘后15:30自动触发：遍历选股引擎10种模式，输出当日候选。"""

    picks = []

    for mode in MODES:  # 每种模式独立打分，取前 top_n 名候选

        ranked = engine.score(mode, date, top_n=top_n)

        for code, score in ranked:

            picks.append((mode, code, round(score, 3)))

    # 按综合分排序、去重、取前 keep——这只是"候选"，不是"指令"

    return sorted(set(picks), key=lambda x: -x[2])[:keep]



if __name__ == "__main__":

    cands = run_after_close("2026-07-14")

    for mode, code, s in cands[:3]:

        print(f"{mode:>4} {code} 分={s}")  # 演示用，非投资建议

    print(f"共 {len(cands)} 只候选，下一步看信号复盘")

关键点：候选只是"可能值得看"的标的，绝不能直接当买卖指令。真正决定要不要跟的，是下一块——信号复盘。很多人亏，就是卡在只扫这段代码输出的"候选"几行，其余全跳过。

第二块：信号复盘（composite 加权投票）

系统的策略池有 10 个策略，每个策略独立产出信号，再由 composite 做"市场自适应加权投票"——权重不是写死的，而是用每个策略近期的样本外命中率动态调整。命中率稳的策略，说话更算数；近期拉胯的，自动降权。下面这段代码就是投票核心，注意它返回的不只是分数，还有"谁在说话"，复盘时一定要拆开看。

Python · composite 加权投票（示意版）

# 策略池10策略 + composite 市场自适应加权投票

STRATS = ["动量","反转","价值","红利","低波","质量","小盘","龙头","资金流","事件"]



def composite_vote(signals, hit_rate):

    """signals: 各策略今日是否有信号；hit_rate: 各策略样本外命中率。"""

    total, weighted = 0.0, 0.0

    contrib = []

    for s in STRATS:

        w = hit_rate.get(s, 0.0)  # 样本外命中率即权重

        if signals.get(s):  # 该策略今日有信号才参与投票

            weighted += w

            contrib.append((s, round(w, 3)))

        total += w

    score = weighted / total if total else 0.0  # 0~1 之间

    top = sorted(contrib, key=lambda x: -x[1])[:2]  # 谁在说话，要拆开看

    return score, top  # 演示数据，非投资建议



sig = {"动量":1, "资金流":1, "低波":1}

hr = {"动量":0.62, "资金流":0.55, "低波":0.40}

score, top = composite_vote(sig, hr)

print(f"加权分={score:.3f} 主要贡献={top}")  # (0.524, [('动量',0.62),('资金流',0.55)])

复盘时千万别只看 composite 总分。上面例子总分 0.524 看着还行，但点开一看，贡献最大的是"动量"和"资金流"——如果这两个策略近期样本外其实在走低，这个分数就别太当真。权重分散、样本外稳定，才值得跟。这套投票逻辑，是量化里"让数据自己说话"的典型做法。

第三块：模拟盘复盘（paper_broker / order_manager / signal_mode）

信号再漂亮，也得看模拟盘真金白银（虽然是纸面）的反馈。系统的模拟盘由 paper_broker 管理持仓、order_manager 执行委托、signal_mode 决定信号如何落地。每日复盘就是读这些模块的真实记录，算盈亏、算信号命中，而不是盯着纸面数字自我感动。下面这段代码读 paper_broker 当日持仓，计算模拟盘日盈亏与信号命中，并把"盘中临时异动"挡在计划外。

Python · 模拟盘每日复盘 + 纪律开关（示意版）

# 读取 paper_broker 当日持仓，计算模拟盘日盈亏与信号命中

def daily_review(positions, signals):

    pnl, hit = 0.0, 0

    for code, pos in positions.items():

        sig = signals.get(code, "hold")  # signal_mode 决定落地方式

        if sig == "buy" and not pos.open:

            order_manager.open(code, size=pos.plan)

        if sig == "close" and pos.open:

            order_manager.close(code)

        pnl += pos.daily_pnl  # 用模拟盘真实盈亏，而非纸面信号

        hit += 1 if sig == pos.actual else 0

    print(f"当日盈亏={pnl:.2f} 命中={hit}/{len(positions)}")

    return pnl  # 演示数据，非实盘



# signal_mode：盘中只认盘后计划，临时异动一律不认

def in_session_trade(plan, live_signal):

    if live_signal not in plan:

        print("盘中异动，非计划信号，跳过")  # 关掉临场发挥

        return None

    return order_manager.open(live_signal.code, size=plan.size)

把这三块连起来，你就拥有了一份"能复盘"的盘后报告：选股给候选、投票给信号、模拟盘给反馈。剩下要做的，只是对照仓位建议，写下明天的计划。模拟盘的全部意义，就是让你在亏得起的时候看清"信号到底灵不灵"。