Python量化入门：使用AKQuant从零实现K线策略回测

想快速上手量化投资，亲手跑通第一个策略回测吗？本文将通过一个极其简单的K线策略示例，带你快速入门AKQuant，一个基于Python的开源量化框架。我们从安装开始，到编写策略、运行回测，并详细解读各项核心绩效指标。

1. 安装

打开终端，只需一行命令即可安装：

pip install akquant

2. 极简策略示例

我们将实现一个最简单的K线策略逻辑：

1. 当收盘价 > 开盘价（阳线）-> 买入100股
2. 当收盘价 < 开盘价（阴线）且持有仓位 -> 卖出全部持仓

下面是用Python实现的完整代码：

import akshare as ak
from akquant import Strategy, run_backtest

# 1. 准备数据 (这里利用 AKShare 来获取数据，需要通过 pip install akshare 来进行安装)
df = ak.stock_zh_a_daily(symbol="sh600000", start_date="20250101", end_date="20260212")

# 2. 策略定义
class MyStrategy(Strategy):

    # 3. 策略逻辑
    def on_bar(self, bar):
        # 获取当前持仓
        current_pos = self.get_position(bar.symbol)
        # 1. 当收盘价 > 开盘价 (阳线) -> 买入
        if current_pos == 0 and bar.close > bar.open:
            self.buy(bar.symbol, 100)  # 买入 100 股

        # 2. 当收盘价 < 开盘价 (阴线) -> 卖出
        elif current_pos > 0 and bar.close < bar.open:
            self.close_position(bar.symbol)  # 卖出所有持仓

# 3. 运行回测
print("开始回测...")
result = run_backtest(
    data=df,  # 输入数据
    strategy=MyStrategy,  # 输入策略
    cash=100000.0,  # 初始资金
    symbol="sh600000"  # 交易的股票代码
)

# 4. 查看结果
print(result)  # 跟 print(result.metrics_df) 等效

运行上述代码，你将看到该策略完整的绩效评价指标汇总：

开始回测...
2026-02-12 00:58:53 | INFO | Running backtest via run_backtest()...
BacktestResult:
                                                          Value
name
start_time              2025-01-02 00:00:00+08:00
end_time                2026-02-11 00:00:00+08:00
duration                        405 days, 0:00:00
total_bars                                    271
trade_count                                  67.0
initial_market_value                     100000.0
end_market_value                       99100.68204
total_pnl                                  -188.0
unrealized_pnl                                0.0
total_return_pct                        -0.899318
annualized_return                       -0.008109
volatility                               0.002453
total_profit                                584.0
total_loss                                 -772.0
total_commission                        711.31796
max_drawdown                            913.30785
max_drawdown_pct                          0.91318
win_rate                                26.865672
loss_rate                               73.134328
winning_trades                              18.0
losing_trades                               49.0
avg_pnl                                  -2.80597
avg_return_pct                          -0.172318
avg_trade_bars                           2.014925
avg_profit                              32.444444
avg_profit_pct                           2.818291
avg_winning_trade_bars                   4.055556
avg_loss                               -15.755102
avg_loss_pct                            -1.270909
avg_losing_trade_bars                    1.265306
largest_win                                 120.0
largest_win_pct                         10.178117
largest_win_bars                             7.0
largest_loss                               -70.0
largest_loss_pct                        -5.380477
largest_loss_bars                            1.0
max_wins                                     2.0
max_losses                                   9.0
sharpe_ratio                            -3.305093
sortino_ratio                            -3.92213
profit_factor                            0.756477
ulcer_index                              0.004666
upi                                     -1.737695
equity_r2                                0.932224
std_error                               70.552942
calmar_ratio                            -0.887949
exposure_time_pct                       49.815498
var_95                                  -0.000281
var_99                                  -0.000625
cvar_95                                 -0.000434
cvar_99                                 -0.00071
sqn                                     -0.708177
kelly_criterion                         -0.086485

3. 如何查看详细记录？

除了汇总指标，AKQuant还提供了详细的持仓、订单和成交记录，方便你进行深度分析。

• 查看持仓记录：使用 print(result.positions_df) 可以查看每日的持仓快照。
• 查看订单记录：使用 print(result.orders_df) 可以查看所有历史订单的详细信息。
• 查看成交记录：使用 print(result.trades_df) 可以查看每一笔已平仓交易的详情。

这些DataFrame包含了丰富的字段，下文会详细解释。

4. 核心绩效指标详解

AKQuant计算了数十种绩效指标，下表是它们的简要说明：

指标名称 (Name)	含义 (Description)	单位/类型	计算说明
start_time	回测开始时间	Datetime	对应回测数据的第一个 Bar 的时间。
end_time	回测结束时间	Datetime	对应回测数据的最后一个 Bar 的时间。
duration	回测总时长	Timedelta	end_time - start_time。
total_bars	总 Bar 数量	Int	回测经历的 K 线总数。
trade_count	交易笔数	Int	完成平仓的交易总数 (Round-trip)。
initial_market_value	初始市值	Float	初始资金 (通常为 Cash)。
end_market_value	结束市值	Float	回测结束时的总资产 (Cash + 持仓市值)。
total_pnl	总盈亏	Float	end_market_value - initial_market_value。
unrealized_pnl	未实现盈亏	Float	结束时持仓的浮动盈亏。
total_return_pct	总收益率	% (百分比)	(结束市值 - 初始市值) / 初始市值 * 100。
annualized_return	年化收益率	Ratio (小数)	(1 + 总收益率)^(1/年数) - 1。注意这里是小数，如 0.2 表示 20%。
volatility	年化波动率	Ratio (小数)	收益率标准差 * sqrt(252)。
total_profit	总盈利	Float	所有盈利交易的盈利之和。
total_loss	总亏损	Float	所有亏损交易的亏损之和。
total_commission	总手续费	Float	交易产生的总佣金。
max_drawdown	最大回撤比率	Ratio (小数)	历史最大回撤幅度（如 0.1 表示 10%）。
max_drawdown_pct	最大回撤百分比	% (百分比)	max_drawdown * 100。
win_rate	胜率	% (百分比)	盈利次数 / 总交易次数 * 100。
loss_rate	败率	% (百分比)	亏损次数 / 总交易次数 * 100。
winning_trades	盈利次数	Int	盈利大于 0 的交易次数。
losing_trades	亏损次数	Int	盈利小于 0 的交易次数。
avg_pnl	平均盈亏	Float	每笔交易的平均净盈亏。
avg_return_pct	平均收益率	% (百分比)	每笔交易收益率的平均值。
avg_trade_bars	平均持仓 K 线数	Float	平均每笔交易持有的 Bar 数量。
avg_profit	平均盈利	Float	盈利交易的平均金额。
avg_profit_pct	平均盈利比例	% (百分比)	盈利交易的平均收益率。
avg_winning_trade_bars	平均盈利持仓时长	Float	盈利交易的平均持仓 Bar 数。
avg_loss	平均亏损	Float	亏损交易的平均金额。
avg_loss_pct	平均亏损比例	% (百分比)	亏损交易的平均收益率。
avg_losing_trade_bars	平均亏损持仓时长	Float	亏损交易的平均持仓 Bar 数。
largest_win	最大单笔盈利	Float	单笔交易的最大盈利金额。
largest_win_pct	最大单笔盈利比例	% (百分比)	单笔交易的最大收益率。
largest_win_bars	最大盈利持仓时长	Float	产生最大盈利那笔交易的持仓 Bar 数。
largest_loss	最大单笔亏损	Float	单笔交易的最大亏损金额。
largest_loss_pct	最大单笔亏损比例	% (百分比)	单笔交易的最大亏损率。
largest_loss_bars	最大亏损持仓时长	Float	产生最大亏损那笔交易的持仓 Bar 数。
max_wins	最大连续盈利次数	Int	连续盈利的最多次数。
max_losses	最大连续亏损次数	Int	连续亏损的最多次数。
sharpe_ratio	夏普比率	Ratio	(年化收益率 - 无风险利率) / 年化波动率。无风险利率默认 0。
sortino_ratio	索提诺比率	Ratio	(年化收益率 - 无风险利率) / 下行波动率。只考虑下行风险。
profit_factor	盈亏比	Ratio	总盈利 / abs(总亏损)。
ulcer_index	溃疡指数	Ratio	衡量回撤深度和持续时间的指标。
upi	溃疡绩效指数	Ratio	(年化收益率 - 无风险利率) / 溃疡指数。
equity_r2	权益曲线 R²	Ratio	权益曲线相对于时间的线性回归拟合度 (0-1)，越接近 1 表示收益越稳定。
std_error	标准误差	Float	权益曲线回归的标准误差。
calmar_ratio	卡尔玛比率	Ratio	年化收益率 / 最大回撤比率。
exposure_time_pct	市场暴露时间百分比	% (百分比)	持有仓位（非空仓）的时间占比。
var_95	95% 风险价值	Ratio (小数)	95% 置信度下的每日最大亏损比例。
var_99	99% 风险价值	Ratio (小数)	99% 置信度下的每日最大亏损比例。
cvar_95	95% 条件风险价值	Ratio (小数)	超过 95% VaR 阈值后的平均亏损比例（预期亏损）。
cvar_99	99% 条件风险价值	Ratio (小数)	超过 99% VaR 阈值后的平均亏损比例（预期亏损）。
sqn	系统质量指数 (SQN)	Float	(平均盈亏 / 盈亏标准差) * sqrt(交易次数)。
kelly_criterion	凯利公式比例	Ratio (小数)	胜率 - (败率 / 盈亏比)。

重点指标解读

风险类指标

• 最大回撤 (Max Drawdown): 衡量策略历史最差表现。例如30%的最大回撤意味着你可能在最高点买入后，最大面临30%的亏损。
• 波动率 (Volatility): 衡量收益的波动程度，越高说明收益越不稳定。
• 风险价值 (VaR) 与条件风险价值 (CVaR):
  • VaR: 在特定置信度（如95%）下，一天内可能的最大损失。
  • CVaR: 当损失超过VaR阈值时的平均损失，更能反映极端尾部风险。
• 市场暴露时间 (Exposure Time): 策略持有仓位的时间占比。低暴露时间资金更安全，但也可能错过机会。

收益风险比类指标

• 夏普比率 (Sharpe Ratio): 衡量每承担一单位总风险所获得的超额收益。通常>1可接受，>2优秀。
• 索提诺比率 (Sortino Ratio): 类似夏普比率，但只考虑下行风险，对经常暴涨的策略评价更公允。
• 卡尔玛比率 (Calmar Ratio): 年化收益与最大回撤之比，是衡量“收益回撤比”的重要指标。
• 系统质量指数 (SQN): 衡量交易系统稳定性。>2.0合格，>3.0优秀，>7.0极佳。
• 凯利公式 (Kelly Criterion): 基于胜率和盈亏比计算的理论最佳仓位。实战中常使用“半凯利”以降低风险。

5. 交易明细、订单与持仓记录详解

交易明细 (result.trades_df)

包含每一笔已平仓交易的详细信息。

指标名称 (Name)	含义 (Description)	单位/类型	计算说明
symbol	标的代码	String	交易标的。
entry_time	开仓时间	Datetime	开仓成交时间。
exit_time	平仓时间	Datetime	平仓成交时间。
entry_price	开仓均价	Float	开仓成交均价。
exit_price	平仓均价	Float	平仓成交均价。
quantity	交易数量	Float	成交数量。
side	交易方向	String	long (做多) 或 short (做空)。
pnl	毛盈亏	Float	不包含手续费的盈亏。
net_pnl	净盈亏	Float	pnl - commission。
return_pct	收益率	Float	交易收益率 (小数)。
commission	手续费	Float	交易产生的佣金。
duration_bars	持仓 K 线数	Int	持仓期间经历的 Bar 数量。
duration	持仓时长	Timedelta	exit_time - entry_time。

订单记录 (result.orders_df)

包含所有历史订单记录（包括已成交、取消、拒绝等）。

指标名称 (Name)	含义 (Description)	单位/类型	计算说明
id	订单 ID	String	唯一标识符。
symbol	标的代码	String	交易标的。
side	订单方向	String	buy (买入) 或 sell (卖出)。
order_type	订单类型	String	market (市价), limit (限价), stop (止损)。
quantity	订单数量	Float	下单数量。
filled_quantity	成交数量	Float	实际成交数量。
limit_price	限价	Float	限价单的价格 (Market 单为 NaN)。
stop_price	触发价	Float	止损单的触发价格。
avg_price	成交均价	Float	实际成交的平均价格。
commission	手续费	Float	订单产生的手续费。
status	订单状态	String	filled, cancelled, rejected 等。
time_in_force	有效期	String	gtc, day, ioc 等。
created_at	创建时间	Datetime	订单创建时间。

持仓记录 (result.positions_df)

包含每日（或每 Bar）的持仓快照。

指标名称 (Name)	含义 (Description)	单位/类型	计算说明
date	日期	Datetime	持仓快照时间。
symbol	标的代码	String	交易标的。
long_shares	多头持仓	Float	多头方向的持仓数量。
short_shares	空头持仓	Float	空头方向的持仓数量。
close	收盘价	Float	当时的收盘价。
equity	账户权益	Float	包含持仓盈亏的账户总权益。
market_value	持仓市值	Float	当前持仓的市场价值。
margin	占用保证金	Float	当前持仓占用的保证金。
unrealized_pnl	未实现盈亏	Float	持仓浮动盈亏。

下一步：编写真正的策略

这个“阳线买阴线卖”的策略只是个开始。想要学习如何编写更实用的量化策略吗？比如双均线策略、MACD策略，并加入止盈止损逻辑？

建议你继续阅读AKQuant的官方文档和更深入的中文教程，那里会详细讲解如何使用get_history获取历史数据、计算各种技术指标（如MA, RSI），以及实现完整的策略逻辑。

希望这个快速入门指南能帮你顺利开启Python量化投研之路。如果在探索过程中有更多想法或问题，欢迎到云栈社区与更多开发者交流讨论。