如何量化一个主观策略思路

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

在从人工主观交易向程序化量化交易跨越的征途中，绝大多数交易者面临的第一道天堑是语言与思维范式的转换。主观交易者习惯使用”放巨量”、“底部横盘突破”、“主力资金强势介入”或”质地优良的白马股”等充满主观色彩的描述。然而，在量化系统的世界里，计算机不理解模糊的形容词，也不存在虚无缥缈的盘感，代码的世界里只允许存在严格的定量数值、关系比较运算符（$>$, $\ge$, $<$, $\le$, $==$）与布尔逻辑组合（AND / OR / NOT）。本讲系统阐述如何将主观模糊经验彻底转化为可验证、无歧义、严谨的量化算法模型。

💡 核心导读

• 量化思维第一铁律：彻底消灭”形容词”与”模糊感觉”：
  • 主观形容词 $\to$ 定量关系运算符：
    • “放巨量” $\implies Volume_t \ge 2.0 \times VMA_{20}(Volume)$；
    • “低位窄幅横盘” $\implies \frac{\max_{20}(High) - \min_{20}(Low)}{\min_{20}(Low)} < 15\%$；
    • “大阳线强势突破” $\implies Close_t > \max_{20}(High) \text{ 且 } \frac{Close_t - Open_t}{Open_t} \ge 3.5\%$；
  • 主观感觉 $\to$ 统计学概率与因子度量：
    • “市场情绪高涨” $\implies$ 全市场换手率处于近 1 年 80% 分位以上且上涨家数占比 $> 70\%$；
    • “公司质地优良” $\implies ROE > 15\%$ 且 扣非净利润连续 3 年增速 $> 10\%$ 且 资产负债率 $< 50\%$。
• 主观交易系统量化转化的四大标准构件：
  1. 市场状态定义（Market Regime）：通过波动率与均线斜率切分当前属于牛市、熊市或震荡市；
  2. 触发事件与入场判定（Entry Triggers）：严密的时间戳与一阶差分金叉/突破判断；
  3. 退出矩阵（Exit Matrix）：明确硬性止损线、跟踪止盈线与持仓时间上限（Time Stop）；
  4. 头寸与风险预算（Position Sizing）：根据 ATR 动态风险分配资金，坚决杜绝固定手数。

┌─────────────────────────────────────────────────────────────┐
│                    主观交易向定量算法转化四阶模型           │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌───────────────┬─────────────┼─────────────┬───────────────┐
 ▼               ▼             ▼             ▼               ▼
┌─────────────┐ ┌───────────┐ ┌───────────┐ ┌───────────┐ ┌─────────────┐
│ 1. 状态定义 │ │2. 触发条件│ │3. 仓位管理│ │4. 退出矩阵│ │ 5. 算法闭环 │
├─────────────┤ ├───────────┤ ├───────────┤ ├───────────┤ ├─────────────┤
│ • 振幅<15%  │ │ • 突破高点│ │ • CPR 模型│ │ • 跌破止损│ │ • 向量化    │
│ • 过滤杂波  │ │ • 放量>2x │ │ • 锁定1%风│ │ • 跟踪止盈│ │ • 杜绝未来函│
└─────────────┘ └───────────┘ └───────────┘ └───────────┘ └─────────────┘

一、主观概念定量化映射字典

import pandas as pd
import numpy as np

def check_ma_bullish_alignment(close_series):
    """
    量化检测均线多头排列: MA5 > MA10 > MA20 > MA60 且 MA60 向上
    （教学示例，历史形态不代表未来表现）
    """
    ma5 = close_series.rolling(5).mean()
    ma10 = close_series.rolling(10).mean()
    ma20 = close_series.rolling(20).mean()
    ma60 = close_series.rolling(60).mean()
    
    is_aligned = (ma5 > ma10) & (ma10 > ma20) & (ma20 > ma60)
    is_ma60_rising = ma60 > ma60.shift(1)
    
    return is_aligned & is_ma60_rising

# 合成价格序列（包含趋势与盘整阶段）
rng = np.random.default_rng(42)
dates = pd.date_range('2024-01-01', periods=100, freq='D')
base_trend = np.linspace(100, 120, 100)
noise = rng.normal(0, 2, 100)
close_prices = pd.Series(base_trend + noise, index=dates)

# 计算多头排列信号
bullish_signals = check_ma_bullish_alignment(close_prices)
signal_dates = bullish_signals[bullish_signals].index

print("===== 均线多头排列信号检测 =====")
print(f"数据周期: {len(close_prices)} 个交易日")
print(f"触发多头排列信号的天数: {bullish_signals.sum()}")
if not signal_dates.empty:
    print("最近一次信号日期:", signal_dates[-1].strftime('%Y-%m-%d'))
    print("当日收盘价:", f"{close_prices.loc[signal_dates[-1]]:.2f}")
else:
    print("未检测到多头排列信号")

===== 均线多头排列信号检测 =====
数据周期: 100 个交易日
触发多头排列信号的天数: 27
最近一次信号日期: 2024-04-03
当日收盘价: 118.63

二、主观突破策略向自动化状态机重构

通过引入结构化有限状态机（FSM），将主观盯盘过程固化为无缝运行的程序：

import pandas as pd
import numpy as np

def quantify_breakout_signals(df, box_len=20, vol_mult=2.0):
    """
    标准量化箱体突破检测逻辑
    （教学示例，合成数据，实际应用需警惕未来函数与过拟合风险）
    """
    res = df.copy()
    high_box = res['high'].rolling(box_len).max().shift(1)
    low_box = res['low'].rolling(box_len).min().shift(1)
    vma = res['volume'].rolling(box_len).mean().shift(1)
    
    box_width = (high_box - low_box) / (low_box + 1e-6)
    is_consolidating = box_width < 0.15
    
    is_volume_spike = res['volume'] >= (vol_mult * vma)
    is_price_breakout = res['close'] > high_box
    
    res['buy_signal'] = is_consolidating & is_volume_spike & is_price_breakout
    return res

# 合成行情数据（模拟盘整后突破）
rng = np.random.default_rng(2024)
n_days = 50
dates = pd.date_range('2024-03-01', periods=n_days, freq='D')

# 前30日窄幅盘整，后20日趋势上行
base_price = 50.0
prices = []
for i in range(n_days):
    if i < 30:
        price = base_price + rng.uniform(-1.5, 1.5)
    else:
        trend = (i - 30) * 0.3
        price = base_price + trend + rng.uniform(-2.0, 2.0)
    prices.append(price)

close = np.array(prices)
open_ = close - rng.uniform(-0.5, 0.5, n_days)
high = close + rng.uniform(0.1, 0.8, n_days)
low = close - rng.uniform(0.1, 0.8, n_days)
volume = rng.integers(80000, 120000, n_days)
# 在第31日制造一个放量突破
volume[30] = 300000
high[30] = max(high[30], np.max(close[:30]) + 0.5)

df = pd.DataFrame({
    'open': open_, 'high': high, 'low': low, 'close': close, 'volume': volume
}, index=dates)

# 检测突破信号
result_df = quantify_breakout_signals(df)
signals = result_df[result_df['buy_signal']]

print("===== 箱体突破信号检测 =====")
print(f"数据总天数: {len(df)}")
print(f"检测到突破信号天数: {len(signals)}")
if not signals.empty:
    for idx, row in signals.iterrows():
        print(f"信号日期: {idx.strftime('%Y-%m-%d')}, 收盘价: {row['close']:.2f}, 成交量: {row['volume']:.0f}")

===== 箱体突破信号检测 =====
数据总天数: 50
检测到突破信号天数: 0

📝 动手练一练

下面我们用 Python 编写一段 主观策略定量化转换测试引擎，模拟验证如何将”底部放量突破”主观形态转化为 100% 确定性的计算机代码执行：

import pandas as pd
import numpy as np

def quantify_subjective_breakout_strategy(df):
    """
    主观'底部放量突破'彻底定量化算法:
    1. 底部箱体定义: 过去 20 日最高价与最低价振幅 < 15% (低波盘整)
    2. 放巨量定义: 当日成交量 > 过去 20 日均量的 2.0 倍 (增量资金入场)
    3. 快速突破定义: 当日收盘价突破过去 20 日最高价
    （教学示例，合成数据，历史回测不代表未来收益，存在过拟合风险）
    """
    res = df.copy()
    
    res['high_20'] = res['high'].rolling(20).max().shift(1)
    res['low_20'] = res['low'].rolling(20).min().shift(1)
    res['box_amplitude'] = (res['high_20'] - res['low_20']) / (res['low_20'] + 1e-6)
    
    res['vma_20'] = res['volume'].rolling(20).mean().shift(1)
    res['vol_ratio'] = res['volume'] / (res['vma_20'] + 1e-6)
    
    cond_box = res['box_amplitude'] < 0.15
    cond_vol = res['vol_ratio'] >= 2.0
    cond_breakout = res['close'] > res['high_20']
    
    res['buy_signal'] = cond_box & cond_vol & cond_breakout
    return res

# 合成测试数据：模拟一个典型的底部盘整后放量突破场景
rng = np.random.default_rng(12345)
dates = pd.date_range("2024-05-01", periods=60, freq="B")

# 价格序列：前40日窄幅震荡，第41日突破，随后趋势上行
price_base = np.zeros(60)
# 前40日：10.0 ~ 10.8 窄幅震荡
price_base[:40] = 10.0 + rng.uniform(0.0, 0.8, 40)
# 第41日：突破至11.5
price_base[40] = 11.5
# 后19日：趋势上行至13.0附近
price_base[41:] = np.linspace(11.6, 13.0, 19) + rng.normal(0, 0.2, 19)

close = price_base
open_ = close - rng.uniform(-0.05, 0.05, 60)
high = close + rng.uniform(0.05, 0.15, 60)
low = close - rng.uniform(0.05, 0.15, 60)
volume = rng.integers(5000, 10000, 60)
# 在第41日制造放量（约3倍）
volume[40] = 28000

df = pd.DataFrame({
    'open': open_,
    'high': high,
    'low': low,
    'close': close,
    'volume': volume
}, index=dates)

# 执行定量化策略
signals_df = quantify_subjective_breakout_strategy(df)
hits = signals_df[signals_df['buy_signal']]

print("================ 主观策略定量化转换测试报告 ================")
print(f"全周期 Bar 数量: {len(df)} 根 | 触发定量买入信号: {len(hits)} 次")
if not hits.empty:
    for dt, row in hits.iterrows():
        print(f"触发日期: {dt.strftime('%Y-%m-%d')} | 价格: {row['close']:.2f} | 箱体振幅: {row['box_amplitude']*100:.2f}% | 放量倍数: {row['vol_ratio']:.2f}x")
else:
    print("未触发任何买入信号")
print("----------------------------------------------------------")
print("量化精髓: 策略代码中绝无形容词与主观感觉，只有清晰的数学关系与逻辑算子！")
print("==========================================================")

运行结果输出：

================ 主观策略定量化转换测试报告 ================
全周期 Bar 数量: 60 根 | 触发定量买入信号: 1 次
触发日期: 2024-06-26 | 价格: 11.50 | 箱体振幅: 9.11% | 放量倍数: 3.88x
----------------------------------------------------------
量化精髓: 策略代码中绝无形容词与主观感觉，只有清晰的数学关系与逻辑算子！
==========================================================

本章小结

1. 坚持无形容词法则：任何模糊的主观直觉必须拆解为明确的数值区间与关系表达式。
2. 构建四阶闭环架构：严谨定义状态、触发点、头寸风险与退出矩阵，杜绝盘中临时主观干预。
3. 夯实第一章全景基石：完成多资产认知、趋势与均值回复原理、配对套利、研发流程与平台选型的全面筑基。

📋 行动清单 (Action Checklist)

• 运行本讲定量化测试代码，观察系统如何精准捕捉 2023-02-13 突破日的定量买点；
• 复盘第一章全部 7 篇讲义，建立完整的主观向定量化转型的知识图谱；
• 预习第二章《从技术的角度重新认识技术指标》，开启技术指标数学物理内涵与编程实现的深度进阶。

—— 小象教研组