用历史行情接口跑通你的第一个A股回测：从 lsjy 到收益曲线

读完你能得到：一段可直接运行的完整回测脚本——用历史行情接口拉十年日线，跑一个经典双均线策略，输出年化收益、最大回撤、夏普比率，并且处理了 T+1 撮合、100 股整数倍申报、停牌日检测这三件"教程里从来不讲、实盘一跑就露馅"的事。

第 0 步：准备三样东西

pip install requests pandas

• 一个行情接口密钥（本文用迪雅数据的历史行情接口 lsjy，免费版可直接试用）
• 一只标的：示例用 sz000001（换任何股票代码都可以）
• Python 3.8+

第 1 步：拉数据——注意"口径"这个第一道坎

同一个接口，adjust 参数决定你拿到的是哪种价格：趋势类策略用前复权或后复权都行（收益率序列相同），但绝不能用复权数据算涨跌停、也不能跨口径拼接。本策略是均线趋势类，用 qfq（前复权）：

import requests, pandas as pd

def fetch(symbol, adjust="qfq"):
    url = "https://api.cxdy.vip/api/lsjy"
    params = {"apiKey": "你的key", "symbol": symbol,
              "adjust": adjust, "start_date": "20150101", "end_date": "20251231"}
    rows = requests.get(url, params=params, timeout=30).json()
    df = pd.DataFrame(rows)
    df["date"] = pd.to_datetime(df["date"])
    return df.sort_values("date").reset_index(drop=True)

df = fetch("sz000001", adjust="qfq")   # 均线策略：复权口径（与 hfq 收益率相同）

为什么不复权数据也要拉一份？后面算涨跌停可成交性时要它。两种口径的关系见站内文章《前复权、后复权、不复权到底有什么区别》。

第 2 步：量纲校验——别让字段单位骗了你

不同数据源的量、额字段单位五花八门（手/股、元/万元），接入任何新数据源都先做一次交叉校验：

# 成交额 ≈ 成交量 × 均价：量级一对，单位现形
# 看 amount 与 close×100×10000 的量级对照，判定字段单位组合
print(df[["date", "close", "amount"]].tail(3))
# 判定后把换算固化在接入层：统一成"股 + 元"

完整的判定表和原理见《A股成交量到底是手还是股》——差一个数量级，回测就是另一个故事。

第 3 步：停牌检测——时间轴上有洞吗

# 数据源停牌行为检测：日期缺口 = 舍弃型，空值 = 空值型
full_days = pd.bdate_range(df["date"].min(), df["date"].max())
gaps = set(full_days) - set(df["date"])
print(f"日期缺口 {len(gaps)} 个")            # 舍弃型源会在这里现形
df = df.dropna(subset=["open", "close", "high", "low"]).reset_index(drop=True)  # 防空值

为什么这个洞危险、两种填充方案怎么选，见《停牌日的K线去哪了》。本教程从简：缺口存在时信号在断档两侧计算，撮合层用下一根K线执行即可。

第 4 步：策略信号——双均线，且只在次日执行

经典 5/20 日均线金叉买、死叉卖。关键规矩：信号在 T 日收盘确认，T+1 日开盘才执行——既满足 T+1 制度，也杜绝"用今天的收盘价算出今天该买"的未来函数：

df["ma5"]  = df["close"].rolling(5).mean()
df["ma20"] = df["close"].rolling(20).mean()

golden  = (df["ma5"] > df["ma20"]) & (df["ma5"].shift(1) <= df["ma20"].shift(1))
dead    = (df["ma5"] < df["ma20"]) & (df["ma5"].shift(1) >= df["ma20"].shift(1))
df.loc[golden, "signal"] = 1
df.loc[dead,   "signal"] = -1
df["target"] = df["signal"].ffill().fillna(0)   # 目标仓位：1 持有 / 0 空仓

第 5 步：撮合——T+1 与 100 股整数倍写进代码

cash, shares, buy_idx = 100000.0, 0, -10
records = []
for i in range(1, len(df)):                      # 信号次日开盘执行
    o, day = df.loc[i, "open"], df.loc[i, "date"]
    want = df.loc[i - 1, "target"]
    if want == 1 and shares == 0 and cash >= o * 100:
        shares  = int(cash // (o * 100)) * 100   # 主板：100 股整数倍
        cash   -= shares * o
        buy_idx = i                              # T+1：记买入日
        records.append((day, "BUY", o, shares))
    elif want == 0 and shares > 0 and i > buy_idx:   # T+1：当日买不可当日卖
        cash   += shares * o
        records.append((day, "SELL", o, shares))
        shares = 0
df["nav"] = (cash + shares * df["close"]) / 100000.0

三条撮合约束缺一不可：100 股整数倍（主板/创业板申报规则）、当日买不可当日卖（T+1）、信号次日执行（无未来函数）。规则细节与自查方法见《T+1 到底限制了什么》。

第 6 步：绩效统计——三张数字说明一切

ret   = df["nav"].iloc[-1] - 1
ann   = (df["nav"].iloc[-1]) ** (252 / len(df)) - 1          # 年化
dd    = (df["nav"] / df["nav"].cummax() - 1).min()           # 最大回撤
daily = df["nav"].pct_change().dropna()
sharpe = daily.mean() / daily.std() * (252 ** 0.5) if daily.std() > 0 else 0
bench = df["close"].iloc[-1] / df["close"].iloc[0] - 1       # 买入持有基准

print(f"总收益 {ret:.1%} | 年化 {ann:.1%} | 最大回撤 {dd:.1%} | 夏普 {sharpe:.2f} | 基准(买入持有) {bench:.1%}")

跑出来大概是这样的量级（示例，非收益承诺）：双均线在单边趋势里跑赢基准、在震荡市里被来回打脸——这正是它作为"第一个策略"的教学价值：先用一个你知道优缺点的策略，验证回测系统本身是对的。

新手最常踩的四个坑（本教程已全部处理）

下一步：把这个骨架长成你的系统

• 换标的、加仓位管理（等权/波动率倒数）、加止损模块——骨架不用动
• 接入分时数据做更细粒度的执行模拟
• 不想写代码？DiyaQuant 桌面看板内置指标计算与可视化，免费下载

免责声明：本文仅作技术教学，不构成任何投资建议。历史回测收益不代表未来表现，请独立判断并自行承担交易风险。