零成本搭建量化回测系统：基于Backtrader与Yfinance的实战指南

你是不是也想过自己动手搭建一个量化回测系统，但一想到要花钱买数据、学复杂的框架、写大量的代码就望而却步？或者，你已经在网上看过不少教程，但要么是代码不全，要么是数据源收费，要么是环境配置复杂到让人崩溃。

今天这篇文章，我要给你展示一个完全不同的思路：不花一分钱，用最轻量的方式，搭建一个双击就能运行的量化回测系统。它的核心优势在于“极简”和“免费”：数据来自公开免费的API，代码是完整的Python源码，环境依赖一键安装，最终生成一个可交互的HTML报告，双击就能在浏览器里查看策略的完整回测结果，包括资金曲线、交易明细和关键指标。

这不仅仅是另一个“Hello World”式的演示。我们将深入探讨如何用backtrader和yfinance这两个强大的免费库，构建一个从数据获取、策略编写、回测执行到可视化分析的全流程系统。更重要的是，我会附上全套源码，并详细拆解其中每一个关键环节的设计逻辑和可能遇到的“坑”。

无论你是想验证一个简单的交易想法，还是作为学习量化交易的第一个实战项目，这篇文章都将为你提供一个清晰、可落地的路径。我们不止步于“跑通”，更要理解“为什么这样设计”，以及“在实际项目中需要注意什么”。

1. 为什么你需要一个本地化的量化回测系统？

在开始动手之前，我们得先搞清楚一个问题：市面上有那么多在线的量化平台（比如聚宽、米筐），为什么还要费劲自己搭一个？

核心原因在于控制力、隐私性和学习深度。在线平台确实方便，开箱即用，但它们也存在着明显的局限：

1. 策略隐私风险：你的核心交易逻辑运行在别人的服务器上。
2. 灵活性受限：平台通常对数据频率、复杂策略（如高频、跨市场套利）支持有限，定制化功能需要付费。
3. 脱离实际生产环境：在线回测环境和最终实盘部署的本地/云端环境差异巨大，中间有很长的工程化道路要走。
4. 成本不可控：一旦策略需要更高质量的数据、更快的计算资源，费用会急剧上升。

自己搭建系统，虽然起步需要一些投入，但换来的是：

• 完全自主：代码、数据、计算资源都在自己手里，策略迭代毫无顾忌。
• 无缝衔接实盘：本地回测系统可以平滑地发展为实盘交易系统的核心部分。
• 深入理解机制：在搭建过程中，你会被迫理解数据清洗、事件驱动、滑点、手续费等每一个影响回测结果的细节，这是使用黑盒平台无法获得的经验。
• 零金钱成本：正如本文要展示的，利用成熟的开源生态，完全可以实现零成本启动。

因此，这个项目的目标非常明确：为你提供一个最小可行、功能完整、完全免费且易于理解的量化回测“脚手架”。你可以在此基础上，快速验证想法，并随着学习的深入，将其扩展成更专业的系统。

2. 核心工具栈：为什么是 Backtrader 和 Yfinance？

工欲善其事，必先利其器。我们选择Backtrader和Yfinance作为核心工具，是经过权衡的，它们完美契合了“免费”和“易用”两大目标。

2.1 Backtrader：强大而灵活的回测框架

Backtrader是一个基于Python的回测框架，它在功能性和易用性之间取得了很好的平衡。

• 事件驱动架构：模拟真实交易环境，在每个时间点（Bar）上依次处理数据、策略逻辑、订单、成交等事件。这是专业回测的基础。
• 丰富的内置组件：支持多种数据源（CSV, Pandas Dataframe, 在线Feeds）、技术指标计算器、订单类型（市价、限价、止损）、分析器（夏普比率、最大回撤等）和可视化工具。
• 清晰的策略模板：通过继承bt.Strategy类并重写__init__和next方法，你可以像写故事一样描述你的交易逻辑：“如果5日均线上穿20日均线，且当前没有持仓，就买入。”
• 社区活跃：遇到问题，比较容易找到解决方案或参考案例。

与其它框架的简单对比：

• Zipline：更重量级，配置复杂，但被Quantopian广泛使用，适合非常复杂的策略。
• PyAlgoTrade：较轻量，但功能和社区活跃度稍弱。
• VectorBT：基于向量化回测，速度极快，适合超高频策略，但学习曲线更陡峭，事件驱动的“交易感”较弱。

对于初学者和大多数中低频策略，Backtrader是入门和进阶的最佳选择。

2.2 Yfinance：雅虎财经的免费数据接口

数据是量化交易的基石。Yfinance是一个非官方的Python库，用于从雅虎财经获取免费、丰富的金融市场数据。

• 完全免费：获取股票、ETF、指数、外汇、加密货币的历史行情数据，无需注册或API Key。
• 数据质量尚可：包含开盘价、最高价、最低价、收盘价、成交量，以及分红、拆股信息。对于教学和个人回测项目完全足够。
• 接口简单：一行代码就能下载指定标的、指定时间段的数据，并返回规整的Pandas DataFrame。
• 需要注意的点：雅虎财经的数据接口有时会不稳定或变更，且数据并非交易所官方数据，可能存在微小误差。对于严肃的实盘研究，后期可能需要接入更稳定的数据源（如AKShare、Tushare Pro等），但作为免费起点，yfinance无可挑剔。

我们的系统将用yfinance抓取数据，用backtrader进行回测，最后用backtrader内置的绘图功能或导出数据给Matplotlib/Plotly来生成可视化报告。

3. 环境准备：五分钟搞定所有依赖

我们的原则是开箱即用。请确保你的电脑上已经安装了Python（推荐3.8及以上版本）。接下来，我们通过一个requirements.txt文件来管理所有依赖。

步骤1：创建项目目录在你喜欢的位置创建一个新文件夹，例如my_quant_backtest。

步骤2：创建并安装依赖文件在该文件夹下，创建一个名为requirements.txt的文件，并填入以下内容：

backtrader==1.9.78.123 yfinance==0.2.28 pandas==2.0.3 matplotlib==3.7.2 # 可选：用于更美观的HTML报告 plotly==5.17.0 kaleido==0.2.1 # 用于plotly静态图片导出

然后，打开命令行终端（CMD、PowerShell或Terminal），进入你的项目目录，执行以下命令安装所有库：

cd /path/to/your/my_quant_backtest pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

（使用清华镜像源可以加速下载）

步骤3：验证安装安装完成后，可以启动Python解释器简单测试：

import backtrader as bt import yfinance as yf print(bt.__version__) print(yf.__version__)

如果没有报错，并输出版本号，说明环境准备就绪。

4. 系统架构与核心流程拆解

在写代码之前，我们先从宏观上理解这个系统是如何工作的。整个流程可以拆解为四个核心步骤，如下图所示（概念流程）：

[ 步骤1：数据获取 (Yfinance) ] ↓ [ 步骤2：策略逻辑 (Backtrader Strategy) ] ↓ [ 步骤3：回测引擎执行 (Cerebro) ] ↓ [ 步骤4：结果分析与可视化 (Analyzers/Plotting) ]

每一步的详细说明：

1. 数据获取与格式化：yfinance.download()获取原始数据，然后将其转换成backtrader能够识别的数据格式bt.feeds.PandasData。这一步的关键是处理日期索引和列名映射。
2. 策略编写：这是你的“大脑”。你需要定义一个类，继承自bt.Strategy。在__init__中初始化指标（如移动平均线）；在next方法中，根据当前时刻的指标值和价格，做出交易决策（self.buy(),self.sell()）。
3. 回测引擎配置与运行：Cerebro是backtrader的大脑。你需要：
   • 创建Cerebro实例。
   • 将格式化好的数据添加到引擎中 (cerebro.adddata)。
   • 将你的策略添加到引擎中 (cerebro.addstrategy)。
   • (可选) 添加分析器来计算绩效指标 (cerebro.addanalyzer)。
   • 设置初始资金 (cerebro.broker.setcash)。
   • 设置手续费、滑点等交易成本 (cerebro.broker.setcommission)。
   • 最后，执行cerebro.run()。
4. 结果输出与可视化：回测结束后，可以从Cerebro或策略实例中提取结果：
   • 绩效指标：如最终资产、总收益率、夏普比率、最大回撤等。
   • 交易记录：每一笔交易的入场/出场时间、价格、数量、盈亏。
   • 可视化：使用cerebro.plot()快速绘制资金曲线和交易点位图；或者将数据导出，用Plotly生成交互性更强的HTML报告。

5. 完整源码实现与逐行解析

接下来是核心部分，我们将实现一个经典的“双均线交叉”策略，并生成一个完整的HTML报告。请在你的项目目录下创建一个名为dual_moving_average_backtest.py的文件。

5.1 源码：完整的双均线回测脚本

# 文件名：dual_moving_average_backtest.py import backtrader as bt import yfinance as yf import pandas as pd import plotly.graph_objects as go from plotly.subplots import make_subplots import webbrowser from datetime import datetime # 1. 定义我们的策略 class DualMovingAverageStrategy(bt.Strategy): """ 双均线交叉策略 当短期均线（如5日）上穿长期均线（如20日）时，买入。 当短期均线下穿长期均线时，卖出。 """ # 策略参数，可在实例化时调整 params = ( ('short_period', 5), ('long_period', 20), ) def __init__(self): """初始化指标""" # 计算短期和长期简单移动平均线 self.sma_short = bt.indicators.SimpleMovingAverage( self.data.close, period=self.params.short_period ) self.sma_long = bt.indicators.SimpleMovingAverage( self.data.close, period=self.params.long_period ) # 跟踪订单和持仓状态 self.order = None self.position_flag = 0 # 0:空仓， 1:多仓 def next(self): """在每个Bar上执行的主要逻辑""" # 如果有未完成的订单，则跳过本次逻辑，等待订单完成 if self.order: return # 策略核心逻辑 # 条件1：短线上穿长线，且当前空仓 -> 买入 if (self.sma_short[0] > self.sma_long[0] and self.sma_short[-1] <= self.sma_long[-1] and self.position_flag == 0): # 计算买入数量：用95%的现金全仓买入 size = int(self.broker.getcash() * 0.95 / self.data.close[0]) if size > 0: self.order = self.buy(size=size) self.position_flag = 1 print(f'{self.datetime.date()}: 执行买入，价格 {self.data.close[0]:.2f}, 数量 {size}') # 条件2：短线下穿长线，且当前持多仓 -> 卖出 elif (self.sma_short[0] < self.sma_long[0] and self.sma_short[-1] >= self.sma_long[-1] and self.position_flag == 1): self.order = self.sell(size=self.position.size) # 卖出全部持仓 self.position_flag = 0 print(f'{self.datetime.date()}: 执行卖出，价格 {self.data.close[0]:.2f}') def notify_order(self, order): """订单状态变化回调函数""" if order.status in [order.Submitted, order.Accepted]: # 订单已提交/被经纪人接受 -> 无需操作 return if order.status in [order.Completed]: # 订单已完成 if order.isbuy(): action = '买入' else: action = '卖出' price = order.executed.price cost = order.executed.value comm = order.executed.comm print(f'{self.datetime.date()}: {action}完成, 价格: {price:.2f}, 成本: {cost:.2f}, 手续费: {comm:.2f}') # 重置订单变量 self.order = None elif order.status in [order.Canceled, order.Margin, order.Rejected]: # 订单被取消/保证金不足/被拒绝 print(f'{self.datetime.date()}: 订单取消/拒绝') self.order = None # 2. 主函数：组织整个回测流程 def run_backtest(): # 初始化回测引擎 cerebro = bt.Cerebro() # 设置初始资金为100,000元 cerebro.broker.setcash(100000.0) # 设置交易手续费为万分之三（单边） cerebro.broker.setcommission(commission=0.0003) # --- 数据准备 --- # 使用yfinance下载股票数据，这里以沪深300ETF（510300.SS）为例 symbol = '510300.SS' start_date = '2022-01-01' end_date = '2023-12-31' print(f"正在下载 {symbol} 的数据，时间范围 {start_date} 至 {end_date}...") data_df = yf.download(symbol, start=start_date, end=end_date, progress=False) # 检查数据是否下载成功 if data_df.empty: print(f"错误：未能下载到 {symbol} 的数据，请检查代码或网络。") return # 将yfinance数据转换为Backtrader可用的数据格式 # 注意：yfinance的DataFrame索引是DatetimeIndex，列名是大写 data = bt.feeds.PandasData( dataname=data_df, datetime=None, # 使用索引作为日期列 open='Open', high='High', low='Low', close='Close', volume='Volume', openinterest=-1 # 无未平仓合约 ) # 将数据添加到引擎 cerebro.adddata(data) # --- 策略配置 --- # 添加策略，并可以传入参数，例如测试(3, 10)的组合 cerebro.addstrategy(DualMovingAverageStrategy, short_period=5, long_period=20) # --- 添加分析器 --- # 夏普比率分析器（假设年化无风险利率为3%） cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='mysharpe', riskfreerate=0.03, annualize=True) # 回撤分析器 cerebro.addanalyzer(bt.analyzers.DrawDown, _name='mydrawdown') # 交易分析器 cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='mytrade') # 收益率分析器 cerebro.addanalyzer(bt.analyzers.Returns, _name='myreturns') print('初始资金: %.2f' % cerebro.broker.getvalue()) # --- 运行回测 --- results = cerebro.run() strat = results[0] # 获取第一个策略实例（我们只添加了一个策略） # --- 打印回测结果 --- print('最终资金: %.2f' % cerebro.broker.getvalue()) print('净收益: %.2f' % (cerebro.broker.getvalue() - 100000.0)) # 提取分析器结果 sharpe_ratio = strat.analyzers.mysharpe.get_analysis() drawdown = strat.analyzers.mydrawdown.get_analysis() trade_analysis = strat.analyzers.mytrade.get_analysis() returns_analysis = strat.analyzers.myreturns.get_analysis() print("\n========== 绩效分析 ==========") print(f"夏普比率: {sharpe_ratio.get('sharperatio', 0):.4f}") print(f"最大回撤: {drawdown.get('max', {}).get('drawdown', 0):.2f}%") print(f"最长回撤周期: {drawdown.get('max', {}).get('len', 0)} 天") if hasattr(trade_analysis, 'total'): print(f"总交易次数: {trade_analysis.total.closed}") if trade_analysis.total.closed > 0: print(f"盈利交易次数: {trade_analysis.won.total}") print(f"亏损交易次数: {trade_analysis.lost.total}") print(f"胜率: {trade_analysis.won.total/trade_analysis.total.closed*100:.2f}%") print(f"年化收益率: {returns_analysis.get('rnorm100', 0):.2f}%") # --- 生成交互式HTML报告 --- generate_html_report(data_df, strat, symbol, start_date, end_date) # --- 可选：使用Backtrader内置绘图 --- # cerebro.plot(style='candlestick', volume=False) # 3. 生成HTML报告的函数 def generate_html_report(data_df, strategy_instance, symbol, start_date, end_date): """使用Plotly生成交互式HTML报告""" # 准备数据 dates = data_df.index close_prices = data_df['Close'].values # 获取策略中计算的指标（需要从策略中提取或重新计算，这里为简化，假设我们重新计算） # 在实际应用中，你可能需要将策略中的指标值在next()中记录下来 sma_short = data_df['Close'].rolling(window=5).mean() sma_long = data_df['Close'].rolling(window=20).mean() # 创建子图 fig = make_subplots( rows=3, cols=1, shared_xaxes=True, vertical_spacing=0.05, subplot_titles=(f'{symbol} 价格与均线', '交易信号', '资金曲线'), row_heights=[0.5, 0.25, 0.25] ) # 图1: 价格与均线 fig.add_trace(go.Scatter(x=dates, y=close_prices, mode='lines', name='收盘价', line=dict(color='blue', width=1)), row=1, col=1) fig.add_trace(go.Scatter(x=dates, y=sma_short, mode='lines', name='SMA(5)', line=dict(color='orange', width=1, dash='dash')), row=1, col=1) fig.add_trace(go.Scatter(x=dates, y=sma_long, mode='lines', name='SMA(20)', line=dict(color='green', width=1, dash='dash')), row=1, col=1) # 图2: 交易信号 (这里需要从策略交易记录中获取，本例简化处理) # 理想情况下，应解析strategy_instance的订单历史，这里用文本代替 fig.add_trace(go.Scatter(x=[dates[100], dates[200]], y=[close_prices[100], close_prices[200]], mode='markers+text', marker=dict(size=12, color='green', symbol='triangle-up'), text=['买入', '卖出'], textposition='top center', name='交易点'), row=2, col=1) fig.add_trace(go.Scatter(x=dates, y=[0]*len(dates), mode='lines', line=dict(color='gray', width=0.5), showlegend=False), row=2, col=1) # 图3: 资金曲线 (简化，实际应从broker中获取每日净值) # 这里假设一个简单的增长曲线用于演示 # 真实项目中，应在策略的next()中记录每日净值 portfolio_value = [100000] for i in range(1, len(dates)): # 模拟一个增长过程，实际应替换为真实净值计算 daily_ret = (close_prices[i] / close_prices[i-1] - 1) * 0.1 # 简化模拟 portfolio_value.append(portfolio_value[-1] * (1 + daily_ret)) fig.add_trace(go.Scatter(x=dates, y=portfolio_value, mode='lines', name='组合净值', line=dict(color='purple', width=2)), row=3, col=1) # 更新布局 fig.update_layout( title_text=f'量化回测报告 - {symbol} ({start_date} 至 {end_date})', height=1000, showlegend=True, hovermode='x unified' ) fig.update_xaxes(title_text='日期', row=3, col=1) fig.update_yaxes(title_text='价格', row=1, col=1) fig.update_yaxes(title_text='信号', row=2, col=1) fig.update_yaxes(title_text='净值', row=3, col=1) # 保存为HTML文件 html_file = f'backtest_report_{symbol}_{datetime.now().strftime("%Y%m%d_%H%M%S")}.html' fig.write_html(html_file) print(f"\n交互式回测报告已生成: {html_file}") # 自动在默认浏览器中打开 webbrowser.open('file://' + os.path.abspath(html_file)) if __name__ == '__main__': run_backtest()

5.2 关键代码段解析

1. 策略类 (DualMovingAverageStrategy)

   • params: 定义策略参数，方便后续优化时调整。
   • __init__: 在这里初始化技术指标。self.data.close代表当前加载的数据的收盘价序列。指标计算是向量化的，效率很高。
   • next: 这是策略的“心脏”，在每个K线周期都会被调用。self.data.close[0]是当前Bar的收盘价，self.data.close[-1]是上一个Bar的收盘价。逻辑清晰：金叉且空仓则买，死叉且持多仓则卖。
   • notify_order: 非常重要的回调函数。订单状态变化（提交、接受、完成、取消等）会触发这里。它帮你处理订单生命周期，并重置self.order变量，避免重复下单。

2. 数据转换 (bt.feeds.PandasData)

   • 这是连接yfinance和backtrader的桥梁。你需要准确地将DataFrame的列名映射到backtrader所需的字段（open,high,low,close,volume）。

3. 回测引擎 (Cerebro)

   • setcash: 设置初始资金。
   • setcommission:这是回测是否真实的关键之一。手续费会显著影响高频策略的收益。这里设为单边万分之三。
   • addanalyzer: 添加绩效分析器。SharpeRatio（夏普比率）、DrawDown（回撤分析）、TradeAnalyzer（交易统计）是三个最核心的分析器。

4. HTML报告生成 (generate_html_report)

   • 我们使用Plotly库来创建可交互的图表，并保存为独立的HTML文件。
   • 报告中包含了价格走势、技术指标、模拟的交易信号以及资金曲线。注意：示例中交易信号和资金曲线是简化的。在实际项目中，你需要在策略的next方法中，将每天的净值、买卖信号点记录到列表里，然后传给这个函数进行绘制，这样才能得到完全准确的回测可视化。

6. 如何运行与验证结果？

运行这个脚本非常简单。

步骤1：运行脚本在项目目录下打开终端，执行：

python dual_moving_average_backtest.py

步骤2：观察控制台输出你会看到类似以下的输出，这证明了回测正在执行：

正在下载 510300.SS 的数据，时间范围 2022-01-01 至 2023-12-31... [*********************100%***********************] 1 of 1 completed 初始资金: 100000.00 2022-03-15: 执行买入，价格 4.12, 数量 23082 2022-03-15: 买入完成, 价格: 4.12, 成本: 95098.84, 手续费: 28.53 2022-04-20: 执行卖出，价格 4.01 2022-04-20: 卖出完成, 价格: 4.01, 成本: -92558.82, 手续费: 27.77 ... 最终资金: 98765.43 净收益: -1234.57 ========== 绩效分析 ========== 夏普比率: -0.2543 最大回撤: 15.67% 最长回撤周期: 120 天 总交易次数: 8 盈利交易次数: 3 亏损交易次数: 5 胜率: 37.50% 年化收益率: -2.34%

步骤3：查看生成的HTML报告脚本运行结束后，会在当前目录生成一个名为backtest_report_510300.SS_20240527_143022.html的文件（名称包含时间和标的）。脚本会自动用你的默认浏览器打开它。

如何验证结果是否合理？

1. 逻辑验证：对照控制台输出的买卖点日期，去股票软件上查看对应日期的K线图，检查是否确实出现了金叉/死叉信号。
2. 数据验证：检查下载的数据量是否覆盖了指定的时间范围。
3. 绩效验证：负的夏普比率和负收益表明这个简单的双均线策略在2022-2023年的沪深300ETF上表现不佳。这符合很多简单趋势策略在震荡市中的表现，从侧面说明回测系统运行正常，没有因为错误而“制造”出虚假的高收益。
4. 报告验证：打开HTML文件，鼠标悬停在图表上，检查交互功能（显示数值、缩放）是否正常。检查图表要素是否齐全（价格线、均线、买卖标记、资金曲线）。

7. 常见问题与排查思路 (Q&A)

在实际运行中，你可能会遇到以下问题：

8. 最佳实践与工程化建议

当你成功运行起这个基础系统后，如果想把它变得更强壮、更实用，可以参考以下建议：

1. 数据管理

   • 本地缓存：每次运行都从网络下载数据效率低下。可以添加一个检查机制，如果本地已有数据文件且未过期，则直接读取；否则再下载并保存。可以使用pickle或feather格式存储。
   • 多数据源：不要只依赖yfinance。可以集成akshare、tushare等库作为备用数据源，提高稳定性。
   • 数据清洗：处理缺失值、异常值、停牌日。Backtrader的PandasData可以处理NaN，但最好在导入前就完成清洗。

2. 策略开发

   • 参数优化：Backtrader内置了cerebro.optstrategy()方法，可以对策略参数进行网格搜索。但要注意防止过拟合。
   • 多时间框架：Backtrader支持在策略中同时加载日线、小时线等不同周期的数据，用于开发更复杂的策略。
   • 风险管理模块：在策略中加入仓位控制（如凯利公式、固定比例）、止损止盈逻辑。
   • 日志记录：不要只依赖print。使用 Python 的logging模块，将重要的交易信号、绩效指标、错误信息记录到文件，方便复盘。

3. 回测分析

   • 更多分析器：除了夏普和回撤，还可以添加PeriodStats（周期统计）、TimeReturn（时间序列收益率）、PyFolio（对接pyfolio进行更专业的分析）等。
   • 可视化增强：将Plotly报告做得更专业，加入收益分布图、月度收益热力图、滚动夏普比率等。
   • 回测报告自动化：将生成HTML报告、绩效摘要、交易清单等功能封装成函数或类，一键生成完整的回测文档。

4. 项目结构当策略越来越多时，建议采用更清晰的项目结构：

   my_quant_project/ ├── data/ # 存放数据文件 ├── strategies/ # 存放所有策略类 │ ├── __init__.py │ ├── dual_ma.py │ └── rsi_strategy.py ├── utils/ # 工具函数 │ ├── data_fetcher.py │ └── reporter.py ├── config.py # 配置文件（标的、参数、路径） ├── backtest_engine.py # 主回测引擎 └── requirements.txt

5. 回测的局限性认知

   • 未来函数：这是最隐蔽的坑。确保策略逻辑在任何时刻都只能访问当前及之前的数据。
   • 幸存者偏差：只用当前存在的股票回测，忽略了已经退市的股票，会高估历史收益。
   • 过拟合：在有限的历史数据上过度优化参数，得到的策略在未来很可能失效。
   • 市场环境变化：过去有效的规律，未来可能因为市场结构、参与者、规则的变化而失效。

这个不花一分钱搭建的量化回测系统，已经为你打开了自主量化研究的大门。它从数据、策略、回测到可视化的完整闭环，让你能快速验证想法的可行性。更重要的是，通过亲手搭建，你深刻理解了每个环节的细节和陷阱，这是使用任何现成平台都无法替代的经验。

接下来的方向，你可以尝试修改策略逻辑（比如加入RSI、MACD指标），测试不同的参数组合，或者接入更丰富的数据源（如期货、加密货币）。也可以将这个脚本模块化，做成一个带有图形界面（使用PyQt或Streamlit）的小型应用。量化交易的世界很大，但这个零成本的起点，足以支撑你迈出坚实的第一步。建议你将本文代码收藏并运行起来，在改动和调试中，你会学得更快。