但是我很快就想到另外一个思路。我曾经设计过不少版本的交易系统，我何不用这个程序来验证一下那些交易系统到底靠谱不靠谱，原来设计交易系统的时候只是随便找自选股中的一些股票，看着图形就算了，这些交易系统我自己也不知道究竟是否靠谱。于是我很快花了一两天时间写了一个简单的回测程序（看了一下，这个程序还在我的硬盘里，1000行左右的代码，逻辑比较完整，不但可以回测，还可以暴力搜索参数，也是开始回测我设计的那些交易系统。
接下来，我开始对这个程序比较感兴趣，而python明显不是我喜欢的语言，于是很快用nim语言将程序重新实现了一遍，开始了我自己的量化程序的开发过程。
总结：回顾第一阶段的过程，我觉得最大的价值就是让我从头开始去写整个回测的程序，而不是用各种开源的框架或者网上的线上回测，这使得我后面可以亲历每一个策略实现的细节，对我理解整个交易系统的执行过程以及各种细节的关键性非常重要，从而为我建立对自己交易系统的信心打下坚实的基础。
一直到2020年下半年的时候，虽然程序已经改了很多版，功能也开始有很大的增强，但是策略却没有很大的突破。那个时候主要的买入卖出策略考虑以下几个因子：
均线方向，均线方向是向上还是向下的均线交叉，金叉还是死叉MACD，0轴上，dif和dea的关系等股价突破，股价突破n日高点或者低点股价和均线的关系，在均线上还是均线下时间周期，当前处于哪个时间周期最后回测下来，买入的条件就是简单的股价突破，卖出的条件是均线向下，并且股价跌破某个均线，那是用的是30分钟周期的数据回测的，从2018年到2020年下半年，我记得大概A股所有股票的平均收益是110%，还有那时候的回测结果的图保存着:
策略主要的执行方式是手工，股票池是手工选的，每个周期结束的时候实时获取股票数据，计算是否有买点，如果有买点就通过邮件发送出去，我可以在手机上收到邮件，根据邮件中的股票和买卖价格手动进行下单。不过这个阶段并没有很好的去执行这个策略，因为虽然看上去回测收益还不错，但是我对它还是没有任何信心。
总结：回顾这个过程，最大的价值是我从一开始就坚持A股所有股票一起回测，而不是针对某一些股票去单独回测，我的目标是随机选股，建立一个适用于所有股票的交易策略，而不是依赖于选股的策略。当然这个过程中也暴露出很严重的问题，就是没有按照最终希望的交易过程去建立回测过程（回测和实盘不一致，回测策略终究不靠谱），这使得接下来的一个阶段一直停滞不前。
三、策略停滞阶段这个阶段大概是从2020年10月份开始一直到2021年底，觉得程序写差不多了，然后策略也没有明显可优化的地方了，实盘也一般般，有时照着执行，有时凭感觉。接下来一段时间主要是以优化代码为主，各种代码的重构，外围功能的增加和完善，比如和同花顺的交互，交易信号告警的优化等。策略的变化主要通过变换周期来调整，从30分钟周期调整到5分钟周期最后到15分钟周期，但是因子还是原来的一些，又增加一些新的突破类型。
总结：这个过程其实蛮无聊的，整个量化策略没有任何实质性的进展，个人对此也没有任何信心，也没想过这个东西最后真能帮我赚钱，只是凭借着对写程序的兴趣，无聊时用于打发时间而已。我觉得另一个原因是缺乏志同道合的人进行交流，很多想法是需要通过相互碰撞出来的，一个人想很快就会到达黔驴技穷的阶段。
四、策略突破时间到了2022年春节，上海出现了疫情，只能在家里上班，每天通过远程会议工作。这段时间，我开始重视轮动策略的开发，因为这个才是和实盘一致的交易模式。于是我推翻了原来的实现方式，重新按照实际的交易模式设计了轮动回测过程，在这个过程中意识到了非常重要的一点：在全A平均模式下，我追求的最大收益和在轮动模式下追求的最大收益是不一样的，在轮动模式下，只有单笔交易收益率高，轮动策略的收益才可能高。于是我开始调整交易策略，把参数优化的方向往单笔收益率高的方向靠拢。很快，交易策略在轮动模式下回测结果已经能够达到我的期望了，随机选取A股的100只股票作为轮动股票池，2018-2022四年的年化收益可以达到31%。然后随后几天我再接再厉，策略中增加大盘指数的判断，年化收益上升到48%，用2010-2018年的数据回测，年化收益也有38%。于是我知道我的策略终于突破了，正如我在其它回答里说的那样，在那一刻，我改掉了我的一切关于交易的坏毛病，从此以后我的交易里只有策略，没有我，策略说买，我必须买，策略说不买，我绝不买。
总结：策略的突破其实很快，其中没花几天时间。当然从我的角度来说，最核心的其实是我的程序的性能优化工作。在很早以前，我已经写了轮动策略的回测程序，但是那时候程序执行的太慢，每一次执行大概要花十五，十六秒左右，我五、策略起飞
接下来大概从2022年5月份开始，我又进行了一系列的策略优化，其中非常关键的就是对出现信号的股票进行排序，能够把潜在收益高的股票排到前面，这个非常重要。当然这个过程也不简单，主要还是在各种因子的尝试上，我设计了10个左右的排序因子，然后通过调整权重不断地尝试，最后选定了几个因子和相应的权重。排序的加入使得策略的理论收益进一步提高，该收益已经远远超过我的预期。在这个过程中，量化程序的其它方面也都有了很大的提高，周边的各种功能都被我加入到了程序中，我个人比较喜欢一个小程序搞定一切的方式。由于感觉一切都差不多了，我后面就把自动化交易这部分给加上了，从此以后，所有的买卖都是程序自动化完成，我在手机上只是偶尔看看程序发过来的买卖信号而已。
总结：自动化交易是一个非常关键的步骤，在没用自动化交易前，需要手工下单，这个过程又麻烦，效率又低，而且潜在诱惑破坏规则的可能（我破坏过一次，没有卖出信号，我卖出了，结果第二天大涨），自从自动化交易完成之后，觉得整个人特别轻松，看行情我就是一个旁观者的心态，无论涨跌都和我无关，反正自动化程序会帮我搞定一切。另外自动化交易要求自己的自己的策略非常有信心，而且要求自己对自动化程序很有信心，中间不会出任何纰漏。
六、持续改进从2023年开始，我觉得自己的量化程序应该都做的差不多了，接下来可能没有太多的开发和策略调整的事情了。不过检查了一下我的gitlog，2023年我的程序还是提交了700多次，虽然大的调整很少，但还是有各种零零星星地改进和调整。现在策略已经基本上到达很难改进的程度了，而且理论收益也已经到了我无法更加满意的程度，至于说后面还能有什么改进，我想看机缘吧。
对了，最后说一下程序的规模。程序主体大概4w行，其它辅助代码1w行。代码比较简洁，换成其它语言，代码规模应该会增加，换成C++，代码规模应该2倍或者3倍左右。另外命令行参数大概700个，主配置文件150行，策略配置文件1000行。
补充信息
1. Python代码前面说的python版的初始代码我已上传github，地址是:
GitHub - slangmgh/stocktest，请需要的同学自行下载。
2. 回测性能数据补充一下有关性能的数据。
首先回测全A平均收益和轮动是不一样的。所谓全A平均收益回测，是指用交易策略对每一个股票单独进行回测，每个股票是独立的，所以可以利用CPU多核并行能力。而轮动策略（我的轮动和网上的那些轮动可能不是同一个概念）是指在固定股票池，固定买卖资金份数的情况下，根据规则产生的买卖点进行买卖的过程，所以股票池里面的股票无法单独独立进行回测（因为有资金份数的限制在那里），因此只能单线程按照时间一步一步推进进行回测。
这个是全A平均收益的回测速度，1.5秒5900万条K线：
这个是进行轮动回测的速度，2.6亿条K线，大概8秒左右完成：
目前使用的机器是一台笔记本，thinkpad p15，cpu是 i7-11850H。
3. 关于实盘和回测关于实盘和回测的关系，其实以前专门写过一篇： 小马哥：说说回测和实盘，这里再总结几个观点：
1. 实盘的结果必须和回测的结果基本一致，所谓基本一致就是99%是没有差别的。实盘和回测结果不一致的策略其实是没法用的，你永远不知道哪个细节在实盘中会把你的收益全吃掉。
2. 你对策略的信心必须建立在回测结果之上。回测必须建立在长时间的大数据之上，这样逻辑经过充分验证，策略才是可信的。至于实盘，策略实盘运行的那点时间，靠这个来建立信心，验证策略的可行性，那是本末倒置。实盘就是用来赚钱的。
4. 关于策略执行的心态问题其实没有啥心态问题，在任何时候，你永远都是“知行合一”的，你所谓无法执行的问题本质上就是你认知没有到位的外在表现。具体到交易执行过程中，你无法严格执行你的策略原因只有一点，你对你的策略无法100%的信任，所以又回到上面的那个问题了，你如何建立对自身策略的信心，在我看来短时间的实盘（3年或者更长时间以内）无法让你建立充分的信心，只有策略的底层逻辑和基于长时间大数据的回测才能。
