免费算法交易课程：从想法到实盘部署的 12 周路线图

大多数“免费算法交易课程”其实是播放列表：一小时 Python、一小时指标，再加一个看起来完美的回测，因为它用了明天的收盘价。这条路线图是我希望自己当初遵循的顺序——十个阶段、十二周、一个结业项目——并配上真正覆盖每个阶段的免费资源，以及会让人亏真钱的陷阱。Quantum Algo 免费 80 课的学院覆盖市场结构这一半；本课程覆盖代码、测试和部署这一半。Zeno 和 QuantumBot 是产品，不是课程本身。

阶段 0——如何设定预期并保护资金？

算法交易不是绕开不确定性的捷径。机器人可以比人类更快、更稳定地执行一个坏想法。在写代码之前，先定义可以亏损的资金、您理解的市场，以及一条规则：研究阶段和模拟阶段完成前，不允许实盘交易。

学习投资、主观交易、系统化策略和全自动执行系统之间的区别。理解杠杆、保证金、强平、点差、滑点、费用、资金费率和跳空风险。阅读您的经纪商合约规格和交易所订单规则。第一阶段的目标不是入场信号，而是知道一笔成交订单意味着什么。

阶段 1——市场与统计基础

学习 OHLC K线、收益率、波动率、相关性、流动性和市场状态。学习算术收益率与对数收益率、简单移动平均线与指数移动平均线、ATR、VWAP、动量和回撤。开始时您不需要高等微积分，但需要熟悉百分比、分布、条件概率和基础统计。

用电子表格练习。计算移动平均线、收益率序列、最大回撤，以及基于止损的仓位大小。创建一张小表，包含盈利、亏损、平均盈利、平均亏损、胜率、期望值和盈利因子。在代码让流程显得高级之前，电子表格会先成为现实检查。

阶段 2——Python 与数据素养

学习 Python 语法、函数、列表、字典、模块、异常和虚拟环境。然后学习用于数组的 NumPy、用于表格型时间序列的 pandas、用于绘图的 matplotlib，以及适合您市场的数据读取器或 API。对每个 notebook 和脚本都做版本控制。

◆ 截图 · Jupyter · pandas 均线交叉回测 · 资金曲线 + 阴影回撤

数据素养比聪明的库更重要。检查时间戳、时区、重复行、缺失值、公司行为、合约换月、代码变更和幸存者偏差。在计算指标之前，检查首尾行并绘制原始序列。如果您解释不了某一行数据来自哪里，就不要把它用于回测。

阶段 3——如何形成可检验的假设？

假设必须具体到可以失败。“动量有效”不可检验。“当一个流动性充足的指数收在 50 日高点上方，且次日 ATR 低于预先定义的阈值时，在下一交易时段开盘入场，并在 10 根 K线后或触发移动止损时出场”才可检验。

在运行测试之前，先写清市场、时间周期、数据源、信号、入场、出场、仓位大小、风险限制、交易时段、成本和评估指标。把发现与确认分开。如果您在看到结果后不断修改规则，就把这项工作标为探索，而不是证据。

阶段 4——构建指标和信号

自己实现一个简单指标，理解它的输入和预热期。然后把结果与可信库对比。对于 Klinger 或 VWAP 这类成交量指标，要确认数据源提供的是集中成交量还是 tick 成交量。对于基于 ATR 的工具，要确认平滑方法。

信号应当是可以记录的布尔规则或数值规则。避免“强趋势”这类模糊条件。把它们转成可衡量定义：收盘价高于上升中的移动平均线、ADX 高于阈值，或突破并收在前一段区间之外。添加 K线确认规则，确保实盘系统不会基于决策时尚不可用的信息行动。

阶段 5——如何用真实机制做回测？

回测是模拟，不是时间机器。TradingView 和 QuantConnect 都说明了订单时点、滑点、佣金以及前视风险的重要性。当策略信号在 K线收盘时产生时，要使用下一笔可执行价格。视情况建模部分成交、限价单未成交、止损跳空和交易暂停。

◆ 截图 · TradingView Strategy Tester · ES1! 5M 均线交叉 · 佣金 0.05% · 滑点 1 tick

避免前视偏差：确保每个特征都只使用该时间戳可用的信息。避免幸存者偏差：当策略的标的池本应包含退市或失败标的时，也要把它们纳入。避免选择偏差：不要只测试那些已经看起来不错的品种。避免过拟合：把样本内开发与样本外评估分开。

阶段 6——为什么评估不能只看收益？

跟踪净收益、年化收益、最大回撤、波动率、类 Sharpe 比率、类 Sortino 比率、盈利因子、期望值、胜率、平均每笔交易、换手率、敞口和尾部亏损。没有单一指标足够。高收益但极端回撤可能无法交易；只有 12 笔交易的平滑曲线可能统计强度很弱。

检查交易级别分布和市场状态拆分。询问策略在趋势、震荡、高波动、低波动、跳空和低流动性时期如何表现。把结果与简单基准和不交易基线比较。保存精确的数据版本和参数文件，让结果可以复现。

阶段 7——滚动前推和 Monte Carlo 如何测试稳健性？

使用滚动前推测试：在一个历史窗口上优化或选择规则，然后在下一个未见窗口上测试。看到留出结果后不要改规则，而是把流程向前滚动。围绕选定值做参数敏感性测试。稳健策略通常会在输入略微移动时逐渐退化；尖锐的绩效峰值是警告。

Monte Carlo 重采样可以压力测试交易序列，并估计连亏或回撤可能如何变化。它不能解决市场状态变化，也不会创造概率保证。把它当作压力测试，而不是证明。

阶段 8——模拟交易真正测试什么？

模拟交易测试的是操作路径：数据到达、信号触发、订单构建、风险检查运行、日志写入。它无法复制实盘资金的所有流动性和情绪影响，但能暴露错误时区、重复提醒、数量错误和缺失止损。

◆ 截图 · 模拟交易日志 · 预期成交 vs 实际成交 · 每笔交易滑点

运行有意义的样本，包含普通交易日、波动剧烈的日子、跳空、休市和数据中断。比较预期成交与观察到的报价。如果模拟结果与回测有实质差异，先调查，再部署。

阶段 9——部署架构

QuantConnect 的算法框架把标的池选择、alpha、组合构建、执行和风险管理分开。即使您使用其他平台，这种模块化结构也很有用。把信号生成与订单路由分开。添加仓位限制、最大日亏损、最大回撤止损、陈旧数据检查、重复订单防护和紧急熔断开关。

用密钥管理来处理 API key。记录每个决策，包括时间戳、品种、输入值、订单请求、响应和错误。添加监控，覆盖进程健康、数据新鲜度、连接状态、被拒订单和意外仓位。一个无法解释自己做了什么的机器人，还没有生产就绪。

阶段 10——实盘上线

从最小的实际可交易规模开始。比较实盘成交与回测假设。不要在策略已经在生产环境中变化的同时继续优化它。使用变更控制流程：一次代码或参数变更、一个记录下来的理由、一次新的模拟测试，以及一条回滚路径。

定义系统何时暂停：日亏损限制、数据中断、异常点差、交易所通知、订单反复被拒，或达到回撤阈值。暂停规则不是承认失败；它是操作风险控制。

12 周计划是什么样？

这份计划故意比“一个周末做出盈利机器人”更慢。速度对学习有用，但实盘资金值得证据。

您应该构建哪些项目？

新手：在一个流动性充足的资产上做移动平均线交叉，使用固定比例风险和真实费用。中级：多资产动量，配合波动率目标和滚动前推评估。高级：事件驱动执行，包含部分成交、订单状态核对和组合风险模型。不要一开始就做深度强化学习或大型多策略系统。复杂性会掩盖简单错误。

哪些新手陷阱会让算法交易生涯早早结束？

• 使用未来数据：策略在本不可能知道的时候，已经知道了完成后的高点或收盘价。
• 忽略成本：高换手优势会在点差和佣金之后消失。
• 优化一切：许多参数只是在拟合噪声。
• 测试中途更换市场：标的池变得不一致。
• 交易低流动性资产：成交只是理论上的。
• 没有仓位核对：机器人的状态与经纪商不同。
• 没有停机规则：一次中断变成无法控制的仓位。
• 把图表标记当成可执行订单：时点不同。

如何把信号转化为组合风险限制？

信号本身不决定组合规模。组合构建会把目标敞口转换成数量，同时遵守杠杆、现金、集中度、波动率和相关性限制。随后风险管理会监控实盘组合，并可以减少或平掉仓位。

对于简单系统，限制每笔交易风险、每个品种风险、日亏损和组合回撤。对于多资产系统，要谨慎使用波动率缩放，并测试压力时期的相关性。按 ticker 看似分散的策略，仍可能集中暴露在同一个宏观风险上。

如何知道您已经准备好实盘？

课程结束时，用五个里程碑给项目打分：

如果缺少任何一个里程碑，请在实盘部署前继续学习。路线图成功的标准不是给出快速答案，而是避免本可避免的错误。

您的第一个组合项目应该是什么？

选择一个流动性充足的工具、一个时间周期、一个简单信号和一条固定风险规则。构建最小的完整闭环：加载数据、计算信号、确定仓位大小、模拟成交、计入成本、记录交易，并绘制资金曲线和回撤。然后有意破坏假设：删除一行数据、延迟一次成交、把点差加倍，或停止进程。如果项目能响亮且安全地失败，您就学到了重要东西。只有在这个小闭环可以被理解之后，才扩大范围。

这个项目还会为学习者提供一个可用于面试或客户工作的作品集资产：README、数据字典、研究报告、回测、模拟交易日志和风险清单。这个资产展示的是流程，而不是对未来收益的承诺。

什么结业项目能证明您理解了课程？

结业项目应当刻意保持适度：一个流动性充足的市场、一个透明信号、固定比例风险，以及一个包含成本的回测。学习者提交策略说明、数据字典、代码、单元测试、样本外报告、模拟交易日志和部署清单。审阅者应当能够复现标题结果，并准确识别策略可能在哪里失败。这比一张上升资金曲线截图更适合作为完成标准。