机器学习量化策略demo源码解析：从数据到回测实战

简介：基于机器学习的量化投资策略示例程序，面向有一定Python基础、但对炒股和量化投资尚不了解的初学者，以A股市场为例，演示从数据获取、特征构建、模型训练到策略回测的完整流程。压缩包共14个文件，以5个脚本为主干，分别负责数据处理、特征工程、模型构建、回测与主程序调度；辅以2个说明文档、6张结果图表和配置文件，整体仅727KB，结构清晰，便于按模块研读。已有156人学习下载。借助该示例可直观理解量化投资‘跟随趋势而非创造趋势’的核心思想，掌握线性回归、决策树等机器学习算法在股价涨跌预测中的应用，并学会通过回测评估策略、结合最大回撤与K线图观察盈亏表现，同时建立止损、仓位控制等风险管理意识，是快速上手量化策略开发的实用入门资料。

1. 从「看不懂K线」到跑通第一个机器学习量化策略：这份 demo 源码到底能干什么

先交代一个反直觉的结论：这份资源不是给你一个「稳赚代码」，而是一张让你从零看懂量化投资全流程的「地图」。项目标题里的机器学习、量化投资策略、demo 源码三个词，对应的是 A 股日线数据、特征工程、决策树模型、回测脚本这一整条链路。它适合有一定 Python 基础、但完全没接触过炒股和量化的人：你能在本地跑通数据拉取、特征构建、模型训练、回测出图，看到净值曲线、最大回撤和预测准确率这些量化里的核心指标到底长什么样。

很多人第一次接触量化，容易陷入「找一个神奇指标、一把梭哈」的误区。这个 demo 的价值恰恰相反：它把数据、特征、模型、回测四块拆成独立文件，让你明白哪一步出了问题、哪一步决定了最终收益。你不需要有金融背景，只需要会装依赖、能看懂 pandas 和 sklearn 的代码。下面我从工程角度把这套源码的每个文件、每条命令、每个坑都过一遍。

2. 源码结构与运行准备：先搞懂每个文件在整条链路里的位置

2.1 文件清单与职责划分

拿到压缩包解压后，核心文件是这几个：main.py、data.py、feature.py、model.py、backtest.py，外加stock_list.txt、requirements.txt和.gitignore。任何一个合格的量化项目，代码都必须按「数据 → 特征 → 模型 → 回测」分层，这份 demo 的分层很清楚，这也是我推荐新手直接读它的原因。

各文件的典型职责是这样的：

stock_list.txt存放股票代码池，比如000001.SZ、600000.SH这样的格式，main.py会逐行读取，再交给data.py去拉数据。.gitignore里通常忽略tushare_token和临时数据文件，这是项目作者刻意留下的好习惯——token 属于敏感信息，不该入库。

2.2 环境安装与 token 配置

先看requirements.txt，这份 demo 的依赖并不复杂。一般会包含pandas、numpy、scikit-learn、matplotlib、tushare这几个库。我建议你使用虚拟环境安装，避免污染系统 Python：

cd ai_qua_demo python -m venv .venv source .venv/bin/activate # Windows 下执行 .venv\Scripts\activate pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，下一步是配置 tushare token。tushare 是国产免费财经数据接口，注册后在个人主页能看到一串 token。你需要在data.py里找到类似pro.set_token('你的token')的位置替换掉。这里有个实际经验：token 不要硬编码在代码里，更不要提交到 git。常见做法是放到环境变量里读取，或者单独存一个本地配置文件并加入.gitignore：

import os import tushare as ts # 从环境变量读取 token，没有则读取本地配置文件 token = os.environ.get("TUSHARE_TOKEN") if not token: with open("tushare_token", "r") as f: token = f.read().strip() ts.set_token(token) pro = ts.pro_api()

2.3 数据拉取：从 stock_list 到干净的日线表

data.py的核心逻辑是遍历股票池，逐只拉取前复权日线数据。前复权很重要，因为 A 股有分红送转，不复权数据会让价格出现断崖式跳空，直接影响收益率计算。拉取后做三件事：按日期排序、去重、删除停牌导致的空行。

def fetch_daily(code: str, start: str = "20220101") -> pd.DataFrame: df = pro.daily(ts_code=code, start_date=start) if df is None or df.empty: return pd.DataFrame() df = df.sort_values("trade_date").reset_index(drop=True) # 只保留需要的列，减少内存占用 cols = ["trade_date", "open", "high", "low", "close", "vol", "amount"] return df[cols]

这里有一个新手容易忽略的细节：pro.daily返回的日期是整数格式（如20220101），排序前要确认类型一致，否则字符串和整数混排会得到错误顺序。另外，如果 tushare 积分不够，daily接口可能限流，建议在代码里加一个 0.5 秒的 sleep 再请求下一只股票。

数据到位后，下一步就是特征工程——这是整个策略里对最终收益影响最大、也最容易犯错的一环。

3. 特征工程与标签构造：为什么预测「涨跌方向」而不是「涨跌数值」

3.1 原始行情到特征矩阵的转换

feature.py做的事情，是把上一章拿到的 OHLCV 数据变成机器学习能吃的表格。量化里最常用的特征类别有四类：动量类（过去 N 日涨幅）、均线类（价格与均线的偏离度）、波动率类（过去 N 日收益标准差）、量能类（当日成交量与均量的比值）。这份 demo 的特征设计基本围绕这几类展开，代码逻辑如下：

def build_features(df: pd.DataFrame) -> pd.DataFrame: df = df.copy() # 动量：5 日与 20 日累计涨幅 df["ret_5"] = df["close"].pct_change(5) df["ret_20"] = df["close"].pct_change(20) # 均线偏离度：收盘价相对 20 日均线的位置 df["ma20"] = df["close"].rolling(20).mean() df["close_ma20_ratio"] = df["close"] / df["ma20"] - 1 # 波动率：20 日收益标准差 df["volatility_20"] = df["close"].pct_change().rolling(20).std() # 量能：当日成交量 / 5 日均量 df["vol_ratio"] = df["vol"] / df["vol"].rolling(5).mean() # 标签：未来 5 个交易日收益率是否为正（二分类） df["label"] = (df["close"].shift(-5) / df["close"] - 1 > 0).astype(int) return df.dropna()

特征构造有几个关键点在代码里没直接写，但你必须理解，否则后面模型训练全是虚的。

第一，pct_change默认是相对于前一行的变化率，但传入参数后就是多日累计变化率。close.pct_change(5)表示「5 天前的收盘价到今天的变化比例」，这是一个强动量信号。

第二，label用shift(-5)把未来 5 日的收益搬到当前行，这是时间序列预测的标准做法。它的含义是：用今天及以前的信息，预测未来 5 天的涨跌。千万别搞成shift(5)，那是用未来预测过去，模型在回测里会「开天眼」，实盘立刻翻车。

第三，dropna()会把最早的 20 行删掉，因为滚动窗口不够。数据集会变小，这是正常的，但要注意训练集和测试集的样本量是否还够。

3.2 训练集与测试集划分：只能用时间切，不能用随机切

模型训练里最忌讳的一点，是在金融数据上使用train_test_split(random_state=42)这种随机划分方式。原因很直接：股票数据是时间序列，相邻日期的样本高度相关。随机划分会让模型中「偷看」到未来信息，回测结果虚高到离谱。

正确做法是按时间顺序切分：

split_idx = int(len(df) * 0.8) train_df = df.iloc[:split_idx] test_df = df.iloc[split_idx:] X_train = train_df[feature_cols].values y_train = train_df["label"].values X_test = test_df[feature_cols].values y_test = test_df["label"].values

以一只股票 500 个交易日的数据为例，前 400 天做训练，后 100 天做测试。这样回测时模型看到的未来，是真正意义上的「未来」。如果样本不够，宁可减少特征数量、缩小回看窗口，也不要用随机切分。

3.3 特征与标签的对齐关系：最容易出 bug 的时序边界

我见过非常多新手在特征对齐上翻车。举一个具体场景：df["ret_5"]是用close.pct_change(5)算的，这一行在第 100 行的值，用到的是第 95 天的收盘价——信息全部来自过去，没问题。但如果你在计算过程中不小心用了shift(-1)之类的操作，让某一行特征包含次日数据，整个训练集就被污染了。

一个简单可靠的自检方法：训练完成后，打印特征矩阵的末尾日期和标签的末尾日期，确认标签列的时间戳晚于特征列的时间戳。代码里可以加一行断言：

assert len(train_df) + len(test_df) == len(df)

这句断言保证训练集和测试集加起来恰好等于全量数据，没有重叠也没有遗漏。如果断言失败，说明中间某处改变了行数，需要回头检查 dropna 或合并操作。

4. 模型构建与训练：决策树、随机森林和参数选择的实战取舍

4.1 为什么用决策树而不是线性回归或神经网络

这份 demo 的核心模型是决策树，配套可能还有一个随机森林。为什么不选线性回归？因为股票特征和未来涨跌之间基本不是线性关系——5 日涨幅在 0% 附近，市场情绪的作用机制和涨幅在 20% 时完全不同。为什么不选神经网络？因为 A 股单只股票的日线样本只有几百条，神经网络在这种小样本、高噪声的数据上很容易过拟合，训练速度还慢。

决策树的优势在于：可解释性强，每个分裂条件都能还原成「涨幅大于 3% 且量比大于 1.2 时看多」这样的业务规则；对特征尺度不敏感，不需要做标准化；训练速度快，几百条样本瞬间完成。它的劣势是容易过拟合，所以必须限制树的深度。model.py里典型做法是：

from sklearn.tree import DecisionTreeClassifier from sklearn.ensemble import RandomForestClassifier def train_model(X_train, y_train): # 限制深度防止过拟合，min_samples_leaf 保证叶子节点样本量 model = DecisionTreeClassifier( max_depth=4, min_samples_leaf=20, class_weight="balanced", random_state=42 ) model.fit(X_train, y_train) return model

4.2 参数怎么调：max_depth、min_samples_leaf 和 class_weight

决策树有五个常用参数，这里只讲 demo 里最关键的三个。

max_depth=4表示树最多分裂 4 层。深度太深，模型会把训练集里的噪声全背下来；深度太浅，又学不到有效规律。4 层对应最多 16 个叶子节点，每个叶子代表一类「特征组合下的涨跌概率」。min_samples_leaf=20强制每个叶子至少包含 20 个样本，进一步防止过拟合。调参时有个经验法则：叶子节点样本数不要低于总样本的 2%。

class_weight="balanced"处理涨跌样本不均衡。A 股长期看是牛短熊长，一段时间内下跌天数可能明显多于上涨天数，如果不做均衡处理，模型会倾向把所有样本都预测成下跌，回测曲线变成一根直线。

随机森林版本就是多棵决策树的集成：

rf = RandomForestClassifier( n_estimators=100, max_depth=4, min_samples_leaf=20, n_jobs=-1, random_state=42 )

n_estimators=100表示 100 棵树，每棵树用随机抽样的子集训练，最终投票决定涨跌。n_jobs=-1让所有 CPU 核心并行训练，几百条样本毫无压力。随机森林通常比单棵决策树稳健，但代价是特征重要性被平均化，不太容易看出具体规则。

4.3 模型评估：准确率不是唯一指标，还要看混淆矩阵

demo 里会输出模型在测试集上的预测准确率，以及绘制决策树预测股价涨幅的相关图表。但我要提醒你：准确率这个指标在量化场景下只作参考，不要当真事。假如测试集里 60% 的样本是上涨，模型什么都不学、全部预测上涨，准确率就有 60%。这类「虚高准确率」掩盖了模型的真实区分能力。

更值得看的是混淆矩阵和预测为正的准确率：

from sklearn.metrics import confusion_matrix, classification_report y_pred = model.predict(X_test) print(classification_report(y_test, y_pred)) tn, fp, fn, tp = confusion_matrix(y_test, y_pred).ravel() # 预测上涨且确实上涨的比例（精确率） precision_positive = tp / (tp + fp) if (tp + fp) else 0

一个正常有效的策略，预测上涨的精确率应该在 52%～58% 之间。高于 60% 要怀疑数据泄漏，低于 50% 说明模型没有学习能力，不如直接猜。这个区间是量化投资里的一个经验常识，因为日线级别的股票收益信噪比极低，单日预测精确率能稳定超过 55%，扣掉手续费后已经算优秀策略。

5. 回测与结果解读：backtest.py 如何把模型预测变成收益曲线

5.1 回测的核心逻辑：信号、仓位、成交价

模型训练完，最重要的是用历史数据验证它能不能赚钱。backtest.py承担这件事。回测的基本逻辑不复杂：每天根据模型输出一个二进制信号（1 表示预测未来上涨，0 表示预测下跌），信号为 1 时持有股票，为 0 时空仓，最后按日计算组合净值。

成交价是回测里最容易被钻空子的地方。有人用当日收盘价成交，但这意味着你「收盘时已经知道模型结果」——如果模型用的是当日收盘数据，那确实可以这样模拟，但现实中你在收盘前最后一刻才拿到预测，成交价滑点无法避免。更保守的做法是信号当日生成、次日开盘价成交：

def run_backtest(df, signal, initial_cash=1000000): df = df.copy() df["signal"] = signal df["position"] = df["signal"].shift(1) # 次日开盘执行 df["market_return"] = df["close"].pct_change() # 扣除双边手续费 0.1% 和卖出印花税 0.05% df["strategy_return"] = df["position"] * df["market_return"] df["strategy_return"] = df["strategy_return"] - 0.0001 * df["position"].diff().abs() df["equity"] = initial_cash * (1 + df["strategy_return"]).cumprod() return df

5.2 最大回撤与净值曲线的计算

main.py运行后，会产生一组图表，其中最关键的是三张：净值曲线图、最大回撤图、K 线与买卖点叠加图。最大回撤.png展示的是策略从净值最高点到最低点的最大跌幅，这是衡量风险最直观的指标。计算逻辑如下：

def max_drawdown(equity_series: pd.Series) -> float: cumulative_max = equity_series.cummax() drawdown = equity_series / cumulative_max - 1 return drawdown.min()

比如初始资金 100 万，策略净值最高到 120 万，后来跌到 96 万，最大回撤就是96/120 - 1 = -20%。这个数字的意义在于：回撤 20%，你需要涨 25% 才能回到原来的净值。很多新手只看累计收益，忽略回撤，实盘中回撤超过心理阈值会导致提前止损出局。

5.3 回测结果怎么算「有效」：横向比较与基准对照

回测跑完，不能只看净值涨了就说策略有效。至少要对比两个基准：一是买入持有（从第一天全仓买入，一直不动），二是沪深 300 指数同期涨幅。把策略净值曲线和买入持有净值画在同一张图里，如果策略收益跑不赢买入持有，那这个模型就没有存在的意义。

柱状图.png在这份 demo 里通常展示的是策略月度收益分布，可以用来观察收益是否集中在某几个月。如果 12 个月里 6 个月赚钱 6 个月亏钱，但总收益为正，说明策略在不同市场状态下都有一定适应力。如果收益全部来自某一段单边上涨行情，那本质上是「牛市里买什么都涨」。

5.4 交易成本与滑点：为什么回测盈利实盘亏损

这是回测环节最容易被忽略、也最致命的细节。很多人跑完 demo，看到年化 30% 就觉得找到财富密码了，但实盘一跑全是亏损。原因几乎都出在没扣成本。A 股的实际成本包括：佣金（万 2.5 到万 3，最低 5 元）、印花税（卖出时收 0.05%）、滑点（买卖价差，一般按 0.1% 估计）。如果策略每天交易一次，一年 250 个交易日，双边成本大概是 250 * 0.2% = 50% 的年化成本。任何日均换手率高的策略，第一件事就是压低交易频率，否则再好的预测模型也会被手续费吃光。

6. 避坑指南：数据泄漏、tushare 限流和难以置信的高收益

6.1 现象：回测准确率高达 90%，实盘完全不是这么回事

这是量化新手最容易遇到也最兴奋的「假象」。当你看到模型准确率超过 90% 时，先别急着截图发朋友圈。90% 准确率在金融时间序列上几乎不可能，出现这个数字只有一种解释：代码里某个地方用了未来数据。最常见的是shift()方向搞反，或者特征计算时用了包含当天的滚动窗口，而标签也是当天数据，导致特征和目标之间产生了信息重叠。

解决方法是立刻做一件事：把训练和预测的时间边界画出来，检查每一列特征的「最后已知日期」是否都早于标签日期。另外，用简单模型做二次验证——如果决策树都能到 90%，很可能是数据泄漏；因为金融数据信噪比极低，真实场景下任何模型都很难稳定超过 60%。

6.2 现象：tushare 报错「抱歉，您没有访问该接口的权限」

刚配置好 token，运行data.py就报权限错误。原因在于 tushare 的多数 pro 接口有积分门槛，新注册用户默认积分较低，只能访问基础的daily接口，而daily_basic（每日指标）可能需要 2000 积分以上。

解决思路有三个：一是检查当前 token 对应的积分等级，先用pro.daily(ts_code=code, start_date=...)拉最基础的行情数据，不要再调用高级接口；二是到 tushare 官网完成实名认证和积分任务，提高权限；三是在代码里做降级处理，拉不到日线指标就用收盘价自己计算均线和波动率，demo 本来也不需要太多衍生指标。

6.3 现象：回测净值曲线很漂亮，但换一只股票就彻底失效

这通常不是数据问题，而是模型过拟合到某只股票的特性。决策树分裂条件可能学到「当收盘价 > 10 元且成交量 > 500 万手时上涨」，这个规律只适用于代码里那一只股票，换一只 20 元的股票立刻失效。

处理办法是交叉验证。把股票池里的股票分成两组，一组训练模型参数，另一组做样本外验证。如果样本外表现和样本内差距巨大，说明模型过拟合，应该减少特征数量、加大min_samples_leaf、或者直接上随机森林让多棵树投票来抹平单只股票的噪声。demo 的价值本来就定位在「学习流程」，而不是给你一个能直接实盘盈利的策略，这个预期要摆正。

6.4 现象：数据里出现未来日期导致的回测「幻觉收益」

有一种隐蔽的 bug 是日期没有排序、或者复权因子计算错误，导致某几行数据的时间顺序颠倒。回测时shift(1)会错误地把「未来一天的收益」算进当天。这种错误在净值曲线上看起来像日内突然暴拉，其实是跨天错位。

我的自查习惯很简单：回测前先打印df[["trade_date", "close", "position", "strategy_return"]].head(20)，人工确认几行数据的因果关系是否成立——position 是前一天算出来的，strategy_return 是当天真实发生的，两者顺序不能反。虽然麻烦，但这几步能救回无数个假装有效的假策略。

7. 进阶玩法：把 demo 从「跑通」变成「能用的研究框架」

7.1 滑点与交易成本建模

backtest.py里的成本模型非常粗糙，只按固定比例扣费。想让回测更接近实盘，至少要区分买入佣金和卖出印花税，还要加一个固定成本项——每次交易最低 5 元佣金。一个更实际的成本函数可以长这样：

def calc_cost(trade_price: float, trade_value: float, is_sell: bool) -> float: commission = max(trade_value * 0.00025, 5.0) stamp_tax = trade_value * 0.0005 if is_sell else 0.0 slippage = trade_value * 0.001 return commission + stamp_tax + slippage

把这个函数嵌入回测循环后，再重新看年化收益，通常会被吃掉 3～8 个百分点。只有扣完这些成本仍然为正的策略，才值得继续研究。

7.2 Walk-forward 验证：用滚动窗口代替一次性切分

我前文一直强调训练集和测试集要按时间切分，但一次性切分还有一个隐患：模型只在一个固定时间段上被验证，结论依赖运气。更稳的做法是 walk-forward，也叫滚动前向验证。原理是：用 2018-2022 的数据训练，预测 2023 年第一季度；再用 2018-2023Q1 训练，预测 2023Q2，每次训练窗口扩展、预测窗口前移，重复四轮。

for fold in range(4): train_end = "20230101" if fold == 0 else roll_dates[fold - 1] test_start = roll_dates[fold] test_end = roll_dates[fold + 1] model = train_model(train_filtered) test_pred = model.predict(test_filtered) # 保存每一折的收益与回撤

四折结果如果方向一致、收益稳定，这个策略才具备基本的可信度。从那以后我每次跑完一个 demo 策略，都会被强制走一遍 walk-forward 验证流程，不经过这一步的结果一律视为「自嗨」。这个习惯帮我挡住过不少漂亮的过拟合曲线。

7.3 参数敏感性检查

最后给一个很实用的技巧：把max_depth从 2 调到 6、min_samples_leaf从 10 调到 50，分别记录回测年化收益和最大回撤，做成一个小表格。如果收益随参数变化剧烈摆动，说明策略不稳定；如果收益在一个宽参数范围内呈平台期，说明规律是真实存在的。这个习惯能让你在投入大量时间调参之前，先判断这个策略值不值得继续。

到这里，这套 demo 源码的核心价值也就讲透了：它不是一个躺赢的量化工具，而是一条让你亲手体验数据、特征、模型、回测四个环节的完整生产线。把每个环节的坑都踩一遍，你才真正算入了量化投资的门。希望帮到你。

本文还有配套的精品资源，点击获取