保姆级教程：在iQuant平台从零写一个Python量化策略（附完整代码示例）
第一次打开iQuant平台时，面对密密麻麻的功能按钮和陌生的界面布局，很多新手都会感到无从下手。本文将带你从零开始，一步步完成第一个Python量化策略的编写、回测和运行。即使你从未接触过量化交易，也能在30分钟内拥有自己的第一个策略。
1. 创建你的第一个Python策略模型
在iQuant平台创建Python策略有三种入口，新手推荐从**"策略开发"**模块开始：
- 方法一：登录后点击顶部导航栏的"策略开发"
- 方法二：在左侧功能树找到"我的主页"→"编辑模型"
- 方法三：在"模型管理"面板右键选择新建
提示：初次使用建议选择方法一，界面布局最直观
点击"新建模型"按钮后，选择"Python模型"类型。这时会弹出一个专业的策略编辑器界面，主要功能区包括：
- 左侧：模型列表和函数列表
- 中部：代码编辑区（支持语法高亮和自动补全）
- 右侧：参数设置面板
# -*- coding: gbk -*- # 必须指定文件编码，推荐使用gbk或utf-82. 策略代码骨架解析
每个iQuant的Python策略都必须包含两个核心函数：
2.1 初始化函数(init)
def init(ContextInfo): # 这里放置策略初始化代码 ContextInfo.stocks = ["600000.SH", "000001.SZ"] # 设置股票池 ContextInfo.counter = 0 # 自定义计数器init函数只在策略启动时执行一次，通常用于：
- 设置交易标的（股票池）
- 初始化全局变量
- 订阅数据流
- 配置策略参数
2.2 主处理函数(handlebar)
def handlebar(ContextInfo): # 每个K线周期都会调用此函数 ContextInfo.counter += 1 if ContextInfo.counter % 10 == 0: print(f"已处理{ContextInfo.counter}根K线")handlebar函数是策略的"大脑"，它的执行逻辑：
| 场景 | 调用频率 | 交易信号处理 |
|---|---|---|
| 回测模式 | 每根历史K线调用一次 | 所有更改会被保存 |
| 实盘模式 | 每笔行情推送调用 | 仅K线最后一笔生效 |
3. 构建一个简单的双均线策略
让我们实现一个经典的双均线交叉策略：
# -*- coding: gbk -*- from PythonApi import * def init(ContextInfo): # 设置沪深300成分股为股票池 ContextInfo.stocks = get_index_component("000300.SH") # 定义均线周期 ContextInfo.short_period = 5 ContextInfo.long_period = 20 # 记录持仓状态 ContextInfo.hold = False def handlebar(ContextInfo): for stock in ContextInfo.stocks: # 获取历史收盘价 close_prices = history_bars( stock, max(ContextInfo.long_period, ContextInfo.short_period)+1, "1d", "close" ) # 计算均线 short_ma = sum(close_prices[-ContextInfo.short_period:])/ContextInfo.short_period long_ma = sum(close_prices[-ContextInfo.long_period:])/ContextInfo.long_period # 交易逻辑 if not ContextInfo.hold and short_ma > long_ma: order(stock, 100) # 买入100股 ContextInfo.hold = True elif ContextInfo.hold and short_ma < long_ma: order_target(stock, 0) # 清仓 ContextInfo.hold = False这个策略的核心逻辑：
- 当5日均线上穿20日均线时买入
- 当5日均线下穿20日均线时卖出
- 每次交易固定100股
4. 策略回测与参数优化
编写完策略后，需要进行回测验证效果：
4.1 基本回测设置
在右侧"回测参数"面板配置：
| 参数项 | 推荐设置 | 说明 |
|---|---|---|
| 时间范围 | 2020-01-01至2023-12-31 | 包含完整牛熊周期 |
| 初始资金 | 100000 | 10万元本金 |
| 手续费 | 0.0003 | 万三佣金 |
| 滑点 | 0.001 | 0.1%的冲击成本 |
4.2 关键指标解读
点击"公式测评"后，重点关注这些指标：
- 年化收益率：策略的盈利能力
- 最大回撤：风险控制能力
- 夏普比率：收益风险比（>1为佳）
- 胜率：盈利交易占比
4.3 参数优化技巧
发现策略表现不佳时，可以尝试优化：
# 优化前的固定参数 ContextInfo.short_period = 5 ContextInfo.long_period = 20 # 改为参数优化模式 ContextInfo.short_period = Opt(5, 3, 10) # 范围3-10，步长1 ContextInfo.long_period = Opt(20, 10, 30) # 范围10-30，步长2点击"优化"按钮，系统会自动测试不同参数组合，并生成如下优化报告：
| 短周期 | 长周期 | 年化收益 | 最大回撤 | 夏普比率 |
|---|---|---|---|---|
| 5 | 20 | 12.5% | -15.2% | 1.2 |
| 6 | 22 | 14.1% | -13.8% | 1.4 |
| 4 | 18 | 11.2% | -16.5% | 1.1 |
5. 常见问题排查
新手最容易遇到的几个问题：
策略不执行交易
- 检查股票代码格式是否正确（如"600000.SH"）
- 确认history_bars获取到了足够长度的数据
- 查看日志输出的错误信息
回测结果异常
- 检查是否设置了合理的滑点和手续费
- 确认没有使用未来数据
- 验证交易逻辑的条件判断
第三方库导入失败
- 确保库在iQuant的白名单内
- 尝试使用平台内置的替代函数
- 检查import语句的拼写
# 调试技巧：在关键位置添加print语句 print(f"当前持仓状态：{ContextInfo.hold}") print(f"短期均线值：{short_ma}，长期均线值：{long_ma}")当策略运行出现问题时，日志输出面板会显示详细的错误堆栈。典型的错误包括：
- 语法错误（缺少冒号、括号不匹配等）
- 变量未定义
- 函数参数不合法
- 数据获取失败
