1.3 金融市场基础¶

这一节讲什么？
写策略之前，你得先搞清楚：你在什么市场里交易？买的是什么？怎么下单？交易需要付多少手续费？ 这些「市场规则」听起来无聊，但会直接影响你的策略能不能跑通。

学习目标¶

• 了解主要金融资产类别：股票、ETF、期货、期权
• 理解 K 线图的读法
• 熟悉订单类型：市价单 vs 限价单
• 理解交易成本对策略收益的侵蚀

In [10]:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches

import numpy as np import pandas as pd import matplotlib.pyplot as plt import matplotlib.patches as mpatches

In [11]:

import matplotlib.pyplot as plt

# 1. 设置系统自带的中文字体（这里使用黑体 SimHei）

plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'PingFang SC', 'STHeiti', 'sans-serif']
# 2. 解决更换字体后，负号（-）显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

import matplotlib.pyplot as plt # 1. 设置系统自带的中文字体（这里使用黑体 SimHei） plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'PingFang SC', 'STHeiti', 'sans-serif'] # 2. 解决更换字体后，负号（-）显示为方块的问题 plt.rcParams['axes.unicode_minus'] = False

1. 主要资产类别¶

金融市场里有各种「标的」可以交易。对初学者来说，最常接触的是股票和 ETF；更进阶的是期货和期权。

先知道有哪些选择，以及它们的核心差别：

资产	通俗理解	特点	示例
股票 (Stock)	买了公司的一小块所有权	高风险高收益，日内可多次交易	AAPL（苹果）, 贵州茅台
ETF	一篮子股票打包成一只基金	分散化、低费率，比买单只股票风险低	SPY（标普500）, 510050
期货 (Futures)	约定以某价格在未来某天买/卖东西	有杠杆（风险倍增）、有到期日、可做空	ES（标普500期货）, IF
期权 (Options)	花少量钱买一个「选择权」，但不是义务	收益不对称（最多亏权利金），灵活对冲	SPY Put（看跌期权）
债券 (Bonds)	借给政府/公司钱，收固定利息	风险低，收益稳定，与股票相关性低	国债, TLT
外汇 (FX)	两种货币之间互换	24小时交易、流动性极高	EUR/USD（欧元兑美元）
加密货币	去中心化数字资产	极高波动率、永不休市（7×24h）	BTC, ETH

初学者建议： 先从股票和 ETF 开始，规则最清晰、监管最完善。期货和期权有杠杆，搞懂之前不要碰。

2. 股票 K 线图解读¶

为什么要看 K 线而不是普通折线图？¶

普通折线图只有收盘价一个信息。K 线图能在同一根「蜡烛」里展示四个价格：

        |   ← 上影线：最高价到「实体顶部」的距离
      ┌─┴─┐
      │   │  ← 实体（绿色=涨，红色=跌）
      │   │     实体顶 = max(开盘, 收盘)
      └─┬─┘     实体底 = min(开盘, 收盘)
        |   ← 下影线：实体底部到最低价的距离

如何解读一根 K 线：

• 实体大 → 当天有强烈的买/卖力量
• 长上影线 → 盘中涨上去了但被打下来（空方压制）
• 长下影线 → 盘中跌下去了但被推回来（多方支撑）
• 十字星（实体极小） → 多空力量均衡，可能是趋势转折点

In [ ]:

import yfinance as yf
import mplfinance as mpf
import pandas as pd

ticker = 'AAPL'

# 下载数据时直接禁用多级索引
df = yf.download(ticker, period='60d', progress=False, multi_level_index=False)


if isinstance(df.columns, pd.MultiIndex):
    # 找到包含 'Open', 'High' 等关键词的那一层级
    df.columns = df.columns.get_level_values(0 if 'Open' in df.columns.get_level_values(0) else 1)

print("当前列名:", df.columns.tolist())

# 确保索引是日期格式（mplfinance 的硬性要求）
df.index = pd.to_datetime(df.index)


df_plot = df.tail(30)

# （红涨绿跌）
mc = mpf.make_marketcolors(up='red', down='green', edge='inherit', wick='inherit', volume='inherit')
my_style = mpf.make_mpf_style(base_mpf_style='binance', marketcolors=mc)

mpf.plot(df_plot, 
         type='candle', 
         style=my_style,
         title=f'\n{ticker} Analysis',
         ylabel='Price (USD)',
         volume=True, 
         mav=(5, 10), 
         figsize=(12, 8))

import yfinance as yf import mplfinance as mpf import pandas as pd ticker = 'AAPL' # 下载数据时直接禁用多级索引 df = yf.download(ticker, period='60d', progress=False, multi_level_index=False) if isinstance(df.columns, pd.MultiIndex): # 找到包含 'Open', 'High' 等关键词的那一层级 df.columns = df.columns.get_level_values(0 if 'Open' in df.columns.get_level_values(0) else 1) print("当前列名:", df.columns.tolist()) # 确保索引是日期格式（mplfinance 的硬性要求） df.index = pd.to_datetime(df.index) df_plot = df.tail(30) # （红涨绿跌） mc = mpf.make_marketcolors(up='red', down='green', edge='inherit', wick='inherit', volume='inherit') my_style = mpf.make_mpf_style(base_mpf_style='binance', marketcolors=mc) mpf.plot(df_plot, type='candle', style=my_style, title=f'\n{ticker} Analysis', ylabel='Price (USD)', volume=True, mav=(5, 10), figsize=(12, 8))

当前列名: ['Close', 'High', 'Low', 'Open', 'Volume']

3. 订单类型¶

为什么下单方式很重要？¶

想象你在农贸市场买苹果：

• 市价单（Market Order）：「老板，给我来一斤，你说多少钱就多少钱！」——保证买到，但价格未知（在流动性差的市场里可能多付很多）
• 限价单（Limit Order）：「老板，苹果 3.5 元/斤我就买，贵了我不买」——价格有保障，但可能买不到（价格没跌到那里）
• 止损单（Stop Order）：「如果苹果跌到 3 元以下，我就赶快买！」（或做空时：「如果涨到 10 元以上，我就赶快割肉！」）

订单类型	通俗理解	优点	缺点
市价单 (Market Order)	「立刻成交，价格随便」	保证成交，速度最快	价格不可控，高波动时滑点大
限价单 (Limit Order)	「这个价格成交，否则不买」	控制价格，不会多付	可能等不到，错过交易机会
止损单 (Stop Order)	「跌破某价格就触发，马上卖」	自动保护，控制最大损失	触发后变市价单，极端行情滑点大
止损限价单	止损触发后变限价单	结合两者	极端行情可能根本无法成交

量化交易的实践： 回测时通常用收盘价成交（理想化），实盘时要考虑滑点（Slippage），实际成交价会比预想的差一点。

4. 交易成本的影响¶

为什么策略在回测好，实盘就差？¶

这是量化新手最常见的坑：忘记算交易成本。

每次买卖，你都要付：

• 手续费（Commission）：券商收的佣金，美股约 0.03%~0.1%/笔，A 股约 0.03%~0.3%
• 滑点（Slippage）：你想按 100 元买，实际成交了 100.05 元（买卖价差）
• 冲击成本（Market Impact）：大单买入会把价格推高

一笔 0.2% 的成本，交易 200 次就是 40% 的成本。 收益率本来 50%，扣完成本就剩 10% 了……

下面的模拟让你直观看到：同样一个有盈利能力的策略（55% 胜率），不同手续费吃掉多少利润：

In [13]:

# 模拟交易成本对策略的影响
np.random.seed(42)
n_trades = 200
# 假设每笔交易有 55% 的胜率，盈亏比 1:1
win_rate = 0.55
win_amount = 0.01   # 每次盈利 1%
loss_amount = -0.01  # 每次亏损 1%

outcomes = np.random.choice([win_amount, loss_amount], 
                              size=n_trades, p=[win_rate, 1 - win_rate])

# 不同手续费率
commission_rates = [0, 0.001, 0.002, 0.005]
labels = ['无成本（理想回测）', '0.1%（低佣金）', '0.2%（常见水平）', '0.5%（偏高，会亏钱）']

fig, ax = plt.subplots(figsize=(12, 5))
for rate, label in zip(commission_rates, labels):
    net = outcomes - rate  # 每笔扣除手续费
    cum = (1 + net).cumprod() * 10000
    ax.plot(cum, label=label, linewidth=1.5)

ax.axhline(10000, color='gray', linestyle='--', alpha=0.5)
ax.set_title(f'200笔交易 × 胜率{win_rate:.0%} × 盈亏比1:1：交易成本的侵蚀', fontsize=13)
ax.set_xlabel('交易次数')
ax.set_ylabel('资产价值')
ax.legend()
ax.grid(alpha=0.3)
plt.tight_layout()
plt.show()
print('💡 结论：高频策略对手续费极其敏感；频率越高，成本的影响越大！')
print('💡 量化回测时必须加入真实的手续费假设，否则回测结果毫无参考价值。')

# 模拟交易成本对策略的影响 np.random.seed(42) n_trades = 200 # 假设每笔交易有 55% 的胜率，盈亏比 1:1 win_rate = 0.55 win_amount = 0.01 # 每次盈利 1% loss_amount = -0.01 # 每次亏损 1% outcomes = np.random.choice([win_amount, loss_amount], size=n_trades, p=[win_rate, 1 - win_rate]) # 不同手续费率 commission_rates = [0, 0.001, 0.002, 0.005] labels = ['无成本（理想回测）', '0.1%（低佣金）', '0.2%（常见水平）', '0.5%（偏高，会亏钱）'] fig, ax = plt.subplots(figsize=(12, 5)) for rate, label in zip(commission_rates, labels): net = outcomes - rate # 每笔扣除手续费 cum = (1 + net).cumprod() * 10000 ax.plot(cum, label=label, linewidth=1.5) ax.axhline(10000, color='gray', linestyle='--', alpha=0.5) ax.set_title(f'200笔交易 × 胜率{win_rate:.0%} × 盈亏比1:1：交易成本的侵蚀', fontsize=13) ax.set_xlabel('交易次数') ax.set_ylabel('资产价值') ax.legend() ax.grid(alpha=0.3) plt.tight_layout() plt.show() print('💡 结论：高频策略对手续费极其敏感；频率越高，成本的影响越大！') print('💡 量化回测时必须加入真实的手续费假设，否则回测结果毫无参考价值。')

💡 结论：高频策略对手续费极其敏感；频率越高，成本的影响越大！
💡 量化回测时必须加入真实的手续费假设，否则回测结果毫无参考价值。

🎯 练习¶

1. 观察 K 线图中的长上影线和长下影线分别意味着什么样的多空博弈？
2. 将上方模拟中 win_rate 改为 0.50（完全随机），观察不同手续费下的结果。在没有信息优势的情况下，手续费本身就决定了你一定会亏钱。
3. 思考：如果一个策略每天交易 10 次，手续费 0.1%，需要多高的日胜率才能覆盖成本？（提示：每天成本 = 10 × 0.2% = 2%，每笔需要净盈利 0.2% 才能回本）

---

下一模块 → ../02_data/01_data_sources.ipynb

In [ ]:

In [ ]: