具体实践步骤：
①获取数据。    我是使用tushare获取数据，注册就可以免费使用，简单浏览下文档。    {目标：会获取数据。还不会就问ai，抄答案。}
②选择量化交易框架。
    目前我选择Backtrader，熟悉官方文档，同时模仿示例运行。复制示例——》直接运行——》理解报错（ai辅助）——》修改，然后就是【运行——》报错——》修改】一直循环，直到不报错为止。
    {目标：示例运行不报错。理解困难就问ai，解释了看不懂就抄ai，抄了还错继续问ai为什么错。}
③策略编写。
    先从最简单的策略开始，比如双均线。初期仅把精力放在开仓上，其他不管，只要求运行不报错。如果难度不大，再逐步加入止损，出场，仓位，过滤等步骤；觉得困难，就只把开仓完成。总而言之，先写出一个能运行的策略，甚至不要求策略完整。
    {目标：实现开仓信号。你知道的，聪明人用ai}
④回测。
    尝试绘制回测曲线，如果上一步策略编写时遇到困难，把开仓信号实现后就可以开始回测，尝试绘制累计净值曲线，有余力绘制行情曲线，信号标识，仓位变化，最大回撤......。这里回测不是为了看信号是否盈利，而是为了把功能走通。主要打一个，学不会就跳过。能绘制出净值曲线，量化框架就完成了。
    {目标：绘制净值曲线。ai}
⑤增加零件，完善系统。
    之前缺的步骤一个个补上，比如止损，止盈，加仓减仓，风险控制... 此阶段仍不管是否盈利。
    {目标：交易系统逐步完整。}
⑥分析回测结果。净值是否大于1，波动性，夏普比率，交易次数，滑点手续费...

到这里其实已经入门了，简单写下后续方向吧。经典策略实现，仓位调整测试，理解策略适用范围，多策略组合，多市场分散；

目前实现了最简单的回测：双均线策略。简陋但框架完整。
自己的源码分享给自学者参考

策略10日均线上穿50日均线（参数随便选的），仓位20%，回测结果如下：
总价值: 198011.19
总回报率: 98.01%
当前DrawDown: 9.98%
最大DrawDown: 17.44%
复合Returns: 0.68315%
年化Returns: 3.22908%
夏普比率: 0.0506
SQN: 1.02
交易次数: 62
交易胜率: 30.65%
平均盈亏比: 4.26
最长连胜：3次
最长连输：7次

从时间跨度足够（24年），交易样本足够（62次交易），98%的回报率，这三个维度可以看出：策略是具备长期适应性、和明显正优势的；
从胜率（30.65%）盈亏比（4.26）看，符合典型的趋势策略特征：低胜率高盈亏比；
从净值曲线和股票行情对比来看，大趋势大利润，小趋势小利润，盘整期间小亏；
综上得出结论：即使这是一个烂大街的公开策略，但仍是一个正期望策略。对交易有理解的人，可以进行优化修改，使之变成一个满足自己需要的交易系统。

接下来分析下，此策略的不足:
    ①最大的不足，就是回报率的不足。 24年98%的回报，确实不够吸引人。虽然，相对比九成的交易者是亏损的，这个简易策略已经打败了大多数人了。但交易的目的，可不是为了证明比大多数人聪明，而是为了高回报。
    低回报率的问题，确实需要解决，而且回报率有太多方法可以改进，至少轻松提升50%。
    ②其次就是，交易次数的不足。因为是长期趋势系统，所以持仓周期长，交易次数少是必然的。机会少，除了导致回报率的不足，还会导致回报不稳定，衰落周期长，机会错过成本高...  这些问题进而导致执行问题（也有人叫做心态问题）。
    机会不足的问题，也是需要解决的，方法也是简单的。
    ③最后是低胜率问题，其实胜率才是大多数人第一关注的问题，然而却是最不重要的。低胜率意味着你每次交易，大概率是亏损的；比如此策略30%胜率，意味着你下一笔交易，7成可能是亏损。低胜率问题，除了导致人们容易忽略这种策略，还会导致即使认可此策略的人，也经常忍不住忽略部分交易信号。
    但低胜率的问题，反而是最不需要解决的。甚至有时为了整体回报，可以牺牲至更低。

目前均线系统迭代到第13版，实现了均线开仓、加仓（固定百分比/波幅/均等加仓）、止损（初始/保本/跟踪止损）、仓位（固定百分比/固定风险百分比/波幅风险）、投资组合。

初始金额: 10000000.00元
总价值: 357862515.89元
总回报率: 3478.63%
当前最大回撤: 6.58%
历史最大回撤: 35.23%
收益回撤倍数：98.74
复合收益率: 3.57756%
年化收益率: 10.83205%
夏普比率: 0.5382
SQN: 8.39
交易次数: 20083
交易胜率: 26.44%
平均盈亏比: 4.44
最长连胜次数: 20次
最长连输次数: 78次

    之前写到，策略的三个不足之处：回报率低、交易次数少、胜率低。前两个是真正的问题，且可以解决的，而胜率低则是陷阱问题，很多人误把它当作解决重心，浪费许多精力，回报付出不成正比。
    这里通过解决真正的问题，忽略虚假问题，解决前后形成以下数据对比。
通过分散化、止损和仓位管理：
    利：回报增加了约35.49倍（从98.01%提升至3478.63%），交易次数增加了约323.92倍（62次提升至20083次）；
    弊：而胜率则下降了4.21%（从30.65%降至26.44%），同时最大回撤幅度增加约2.02倍（从17.44%增加至35.23%）；
权衡利弊得出结论：胜率是可以适当牺牲的。下降4%换来回报率35倍提升，起码“胜率放在首位的想法”是可以否决的。

    然而出现的新弊端也是必须考虑的：最大回撤幅度增加了2.02倍；虽然表面看起来，30.65%的最大回撤是可以接受的，相对于3478.63%的回报率微不足道，但对于最大回撤发生的当下，确是打击巨大的，很可能使你怀疑或者放弃系统。
    针对意外，我总结了一条风险倍数规则：①人对自己的风险实际承受能力，预估时总会夸大一倍左右；②黑天鹅发生时，实际伤害总比预计大一倍左右；
    关于①风险实际承受能力，经验越少的人，越符合预估夸大倍数。而经过时间磨砺和专业训练的人，则可以正确认识自己，合理预估自身承受能力；
    关于②黑天鹅的出现，反而越是专业人士，越容易遇到；这个反常识的现象的原因则很简单，黑天鹅短期看，是极少出现的不可测事件，但随着交易时间的拉长，又几乎会变成一个必然事件，而新手大多被早早踢出局。如果把交易当作终生事业，那几乎可以确定会遭遇黑天鹅，不可预测的事件，伤害总是远超出预期。

这次主要通过出场规则细化，来解决回撤过大的问题。
之前是金叉入场，死叉出场；然而①在有部分利润的情况下，应该适时调整止损至保本位，保证至少不亏的同时，放开利润端。②在有较大利润垫时，应当跟踪最高价，下调一定幅度离场，保住大部分利润，避免死叉过晚导致大比例回吐。
细化出场规则后：
初始金额:10000000.00元
总价值: 202574379.30元
总回报率: 1925.74%
当前最大回撤: 9.34%
历史最大回撤: 20.27%
收益回撤倍数：95.01
复合收益率: 3.00852%
年化收益率: 9.03375%
夏普比率: 0.5889
SQN: 9.25
交易次数: 18625
交易胜率: 29.35%
平均盈亏比: 4.17
最长连胜次数: 45次
最长连输次数: 64次

    出场规则细化后，虽然把历史最大回撤，降至 20.27%。但总回报率: 1925.74%，年化算下来只有13%左右，差强人意。目前还未进行参数优化，故回报率应该还有提升空间。
    不过我仍然认为，参数优化可以再延后些，应该把时间精力重心放在寻找“什么是正确问题？“。在正确问题上，再找关键问题加以解决。那现在回报率差强人意，正确问题应该是：”影响回报率的因素有哪些？------> ”其中最关键因素是什么？”

    回报率的影响因素：①胜率、②盈亏比、③交易机会、④风险资金。  
可以用数学公式来理顺逻辑 ：胜率记作P(probability), 盈亏比记作R（ratio），交易机会次数记作N（number），风险资金单位大小记作S（size）
        每单位平均盈利=P*R-(1-P)                                  单位总盈利=每单位平均盈利*N
        实际回报=单位总盈利*S
              得出：实际回报=【P*R-(1-P) 】* N *S

    ①S，之前为了降最大回撤已经进行了缩小调整，如果加大S可能会增大回撤。从公式上推测，重要性五星，而且S基本不会影响其他因素，可以考虑仓位参数的优化，取得回撤与回报的平衡。
    ②N，之前已经把投资组合扩充为沪深300成份股，显示经常满仓，导致机会利用不充分，可以在有大资金运作时，增加股票组合来增加机会，但现阶段不现实，暂不考虑；
    另一种方案，可以考虑增加期货等独立市场标的。股票市场内，标的之间相关性较大，牛市集中发出信号，资金不足导致信号利用不足，而熊市又经常无信号，资金闲置。而替换增加其他独立市场，信号分散则能充分机会。从公式上推测，重要性五星，但受资金量限制，可考虑分散至期货市场，把信号分散化，充分利用信号。（期货市场如何进行回测？期货数据来源？待解决）
    ③R， 盈亏比的变动，直接涉及交易系统参数的修改，且会影响胜率因素。如果直接进行参数的优化筛选，可能会掉入最优化陷阱。应该先从逻辑推理出发进行调优，直接进行的参数优化放在最后。
    逻辑推理:在进场信号不变的情况下，
        （1）缩小初始止损空间，缩小了止损端，盈利较于亏损的比例自然就大了；
        （2）放开利润端，比如利润达到止损4倍以上时，才开始跟踪止损。相当于要么止损，要么盈利的盈亏比大于4；
    潜在弊端：若缩小止损空间，肯定会降低胜率。因为会有一些本来能盈利的交易，由于可回调空间太小被止损出局；
        若固定盈亏比4之后，才开始跟踪止损，则因为可回调空间变大，大盈亏比的盈利交易预计会增多，但同时原本可以小      盈利的交易（比如原可以盈亏比1倍2倍的），则会有一部分（未及时止盈）变成亏损出局。这其中的实际效果需要测试        后才能知道。

    ④P，胜率是交易系统的各重要指标中，最不重要的（我走了弯路。初学时，以为胜率就是一切；中途发现此想法过于幼稚，但又走向反面:认为胜率不值一提，忽视胜率；终于目前可以客观看待：首先胜率重要，其次较于其他因素，不那么重要；）
    仍然暂不做参数优化，而是先基于逻辑调优胜率。由于我认为盈亏比更重要，所以提胜率方法中，直接互斥于盈亏比的暂不考虑；
    （1）顺势。大部分的入场信号，并没有明显胜率优势，跟抛硬币猜正反差不多，我使用的均线交叉也一样。但市场中存在趋势，顺趋势方向交易，胜率才有优势。
    （2）市场正在移动的方向入场，这应该是最好的提升方法之一，因为市场本身在证明其正确。如果说顺势怎么算顺，还有争议，那么当下行情正在移动方向（当前k线的涨跌）就没有争议了。
    （3）过滤。最好是价格之外的信息，避免过拟合。比如：成交量，大盘数据，基本面。。。但是这些数据类是否易得并回测，待考证。

按照逻辑推理的思路，修改了交易系统后，确是提升巨大。这里做了①仓位参数的优化，②出场做了可能增大盈亏比的调整，但实际上各部分调整后，综合影响下结果上缩小了盈亏比，增加了胜率。③进场做了按市场正在移动方向调整（进出场暂不做参数优化），而由于没找到期货如何数据调取，所以交易机会暂未调整。
而由于收益率数字太大，所以采用盈利倍数替代，比如原来显示：总回报率: 1925.74%  修改为 总回报倍数：19.25倍

初始金额: 10000000.00元
总价值: 12065238420.81元
总增长倍数: 1205.52倍
当前最大回撤: 6.31%
历史最大回撤: 26.15%
收益回撤倍数：46.11
复合收益率: 7.09550%
年化收益率: 22.62704%
夏普比率: 0.7485
SQN: 10.73
交易次数: 21852
交易胜率: 42.65%
平均盈亏比: 2.24
单笔期望值：0.38
最长连胜次数: 30次
最长连输次数: 59次

基于“回报率的影响因素”的逻辑推演，尝试了各种实现方式，目前来看效果显著，已经可以达到我的中期目标年化40%以上，（1+40%）^24=3214倍。
初始金额: 10000000.00元
总价值: 34509875023.44元
总增长倍数: 3449.99倍
当前最大回撤: 1.69%
历史最大回撤: 29.64%
收益回撤倍数：116.40
复合收益率: 8.14642%
年化收益率: 26.38828%
夏普比率: 0.8590
SQN: 8.68
交易次数: 15785
交易胜率: 43.98%
平均盈亏比: 2.16
单笔期望值：0.39
最长连胜次数: 20次
最长连输次数: 38次

那么接下来，就把工作重心放在模拟盘实时行情中测试，backtrader更适合分析与历史回测，所以需要学习挑选下新的平台，把策略在实时行情中跑出至少50-100笔模拟，如果结果仍然顺利，则开始找资金合作实盘。

学习了

最近在研究聚宽平台，想把策略改写到聚宽，进行实时行情模拟回测，就没再管之前的代码。
但今天想照着原代码改写时，发现原码运行总是报错，一查才发现 tushare网站获取不了数据了，官网网站公告说是机房问题。
虽然只使用tushare做些历史回测，但还是提了个醒，以后实盘中也是有可能遇到类似的问题。而且券商无法获取行情的情况，以前也不只发生一两次了，还是需要一些预案应对的