股票如何赚钱全解析：附完整示例代码

配置环境就卡半天，这种崩溃感我太懂了。刚想写个脚本跑数据，结果依赖包冲突、Python版本不对，折腾两小时还是报错。别急，今天这篇【股票如何赚钱】的深度拆解，直接给你一套能跑通的【完整示例】。

很多中小施工企业的老板问我：搞了这么多信息化系统，怎么没见着真金白银？其实，用编程思维看股市，和管项目逻辑是一样的：都是资源分配、风险控制和收益最大化。但传统散户靠“感觉”，我们用代码靠“数据”。

概念速懂：代码思维下的投资逻辑

在写第一行代码前，先对齐认知。所谓的“股票如何赚钱”，本质是解决两个问题：买卖时点判断 和 风险控制。

对于非技术背景的老板，你可能觉得这离你很远。但换个角度想，你管工地时，是不是要监控混凝土浇筑进度？是不是要预警材料超耗？股市量化交易就是把这种“监控”和“预警”自动化。

核心指标只有三个，也是后续代码要处理的：

均线 (MA)：趋势的基准线。5日、20日均线是短期和中期成本的平均。
成交量 (Volume)：资金的体温计。无量上涨是假突破，放量下跌是恐慌出逃。
RSI (相对强弱指数)：超买超卖信号。数值高于70通常意味着过热，低于30意味着超跌。

这套逻辑不玄学，全是数学公式。接下来我们把它翻译成计算机能听懂的指令。

环境准备：拒绝卡半天的标准流程

大部分教程在这里劝退读者，因为环境配置是个大坑。我直接给出一套在 Windows 10/11 和 Mac 上验证过的稳定方案。

第一步：创建独立虚拟环境 千万不要在系统全局 Python 里装库！这是90%报错的根源。打开终端（CMD 或 Terminal），执行：

# 创建名为 stock_demo 的虚拟环境
python -m venv stock_env# 激活环境 (Windows)
stock_env\Scripts\activate# 激活环境 (Mac/Linux)
source stock_env/bin/activate

第二步：安装核心依赖 我们需要 pandas 处理数据，akshare 获取A股数据（国内免费、无需Token，比 Tushare 方便），matplotlib 画图。

pip install pandas akshare matplotlib

注意：akshare 接口偶尔会变动。如果安装后调用报错，去它的 GitHub 官方源码仓库 查看最新 Issue，通常社区会有修复方案。这是排查问题的第一步，别死磕本地代码。

第三步：验证环境 输入以下代码，如果打印出日期，说明环境OK：

import pandas as pd
print(pd.__version__)

如果这一步还卡住，检查你的 Python 版本。建议 3.8 - 3.11 之间。太新或太旧都有兼容性问题。

核心语法：数据获取与清洗

拿到数据只是第一步，脏数据会毁掉你的策略。A股数据有几个特点：复权价格、停牌日期、缺失值。

我们用 akshare 获取贵州茅台（600519）近一年的日线数据。

import akshare as ak
import pandas as pd# 获取日线数据，start_date 和 end_date 格式为 YYYYMMDD
df = ak.stock_zh_a_hist(symbol="600519",period="daily",start_date="20230101",end_date="20240101",adjust="qfq"  # 前复权，计算收益率必须用这个
)# 查看数据头部
print(df.head())

关键点解释：

adjust="qfq"：前复权。如果不加这个，遇到分红除权，你的K线图会出现断崖式下跌，导致计算错误。
数据列名通常是中文（如“开盘”、“收盘”、“成交量”），后续计算时需注意列名匹配。

接下来，计算核心指标。这里展示 RSI 的计算逻辑，这是判断“超买超卖”的关键。

def calculate_rsi(df, period=14):"""计算 RSI 指标:param df: 包含 'close' 列的 DataFrame:param period: 周期，通常取 14:return: 带有 'rsi' 列的新 DataFrame"""# 1. 计算价格变动delta = df['close'].diff()# 2. 分离上涨和下跌up = delta.where(delta > 0, 0)down = -delta.where(delta < 0, 0)# 3. 计算指数移动平均 (EMA)# ewm(span=period) 是 pandas 计算 EMA 的标准方法up_avg = up.ewm(com=period-1, min_periods=period).mean()down_avg = down.ewm(com=period-1, min_periods=period).mean()# 4. 计算 RS 和 RSIrs = up_avg / down_avgrsi = 100 - (100 / (1 + rs))df['rsi'] = rsireturn df# 执行计算
df = calculate_rsi(df)
print(df[['close', 'rsi']].tail())

这段代码是可运行的。ewm 函数是指数加权移动平均，比简单移动平均更灵敏，能更快反映近期价格变化。

完整代码示例：构建一个简易策略

现在，我们把逻辑串起来。策略很简单：RSI < 30 且收盘价 > 20日均线，买入；RSI > 70 且收盘价 < 20日均线，卖出。

这是一个典型的“超跌反弹+趋势确认”策略。

import akshare as ak
import pandas as pd
import matplotlib.pyplot as plt
import numpy as npdef run_strategy(symbol="600519"):# 1. 获取数据print(f"正在获取 {symbol} 数据...")df = ak.stock_zh_a_hist(symbol=symbol,period="daily",start_date="20230101",end_date="20240101",adjust="qfq")# 2. 重命名列，方便使用df.columns = ['date', 'open', 'close', 'high', 'low', 'volume', 'turnover', 'amplitude', 'pct_chg', 'chg']df['date'] = pd.to_datetime(df['date'])df.set_index('date', inplace=True)# 3. 计算指标df['ma20'] = df['close'].rolling(window=20).mean()df['rsi'] = calculate_rsi(df, period=14)['rsi']# 4. 生成信号# 初始状态：无持仓df['signal'] = 0# 买入条件：RSI < 30 且 Close > MA20# 卖出条件：RSI > 70 且 Close < MA20# 注意：实际交易中，信号是离散的，这里简化为逻辑判断for i in range(len(df)):if i == 0:continue# 状态机逻辑：# 如果之前没买，且满足买入条件，则标记为买入(1)# 如果之前买了(signal=1)，且满足卖出条件，则标记为卖出(-1)if df['signal'].iloc[i-1] == 0:if df['rsi'].iloc[i] < 30 and df['close'].iloc[i] > df['ma20'].iloc[i]:df.loc[df.index[i], 'signal'] = 1elif df['signal'].iloc[i-1] == 1:if df['rsi'].iloc[i] > 70 and df['close'].iloc[i] < df['ma20'].iloc[i]:df.loc[df.index[i], 'signal'] = -1else:# 保持之前状态，或者重置为0如果逻辑失效df.loc[df.index[i], 'signal'] = df['signal'].iloc[i-1]# 5. 计算策略收益# 简化处理：假设信号当天收盘买入/卖出df['returns'] = df['close'].pct_change()df['strategy_returns'] = df['signal'] * df['returns'].shift(1)# 累计收益df['cumulative_return'] = (1 + df['strategy_returns']).cumprod()df['buy_and_hold'] = (1 + df['returns']).cumprod()# 6. 可视化plt.figure(figsize=(12, 6))plt.plot(df['cumulative_return'], label='Strategy')plt.plot(df['buy_and_hold'], label='Buy & Hold', alpha=0.7)plt.title(f'Strategy Performance for {symbol}')plt.legend()plt.grid(True)plt.show()# 输出统计信息final_return = df['cumulative_return'].iloc[-1] - 1bh_return = df['buy_and_hold'].iloc[-1] - 1print(f"策略总收益率: {final_return:.2%}")print(f"持有总收益率: {bh_return:.2%}")return df# 运行策略
if __name__ == "__main__":result_df = run_strategy("600519")

代码逐行解析：

状态机逻辑：这是最容易出错的地方。必须判断“上一次”的状态。如果上次是0（空仓），才看买入条件；如果上次是1（持仓），才看卖出条件。否则会出现“一边买一边卖”的逻辑漏洞。
shift(1)：这是量化交易的灵魂。今天的收益，是由昨天的持仓决定的。shift(1) 将信号滞后一天，避免“未来函数”作弊。如果你不写这个，你的回测收益会虚高得离谱，因为你在用今天的收盘信号去赚今天的钱，这在现实中是不可能的。
cumprod：复利计算。收益不是相加，是相乘。10% + 10% 不等于 20%，而是 21%。

常见报错与避坑指南

在跑上面代码时，你可能会遇到这些坑，我直接给出解决方案。

1. KeyError: 'close'

原因：akshare 返回的列名可能是中文，或者版本更新导致列名变化。
解决：在获取数据后，先 print(df.columns) 检查。如果是中文，统一重命名：
```
df.rename(columns={'收盘': 'close', '成交量': 'volume'}, inplace=True)
```

2. RuntimeWarning: Mean of empty slice

原因：rolling(window=20) 在前19天没有足够数据计算均线，产生 NaN。

解决：在计算信号前，删除 NaN 行：

df.dropna(subset=['ma20', 'rsi'], inplace=True)

3. 数据获取超时或为空

原因：网络波动或 akshare 接口限制。
解决：增加重试机制，或更换数据源。如果是小盘股，数据可能缺失较多，建议先测试大盘蓝筹股（如600519, 000001）。

4. 图表中文显示乱码

原因：Matplotlib 默认字体不支持中文。

解决：

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # Mac
plt.rcParams['axes.unicode_minus'] = False