很多 A 股投资者其实并不缺想法——「5 日线上穿 20 日线，同时成交量放大，我就想买」。缺的是：把这句话变成可检验、可复盘、可重复执行的规则。
聚宽、米筐一类平台能力很强，但门槛也明确：你得会写 Python（或至少敢改别人的代码）。同花顺、东方财富的选股器更偏「条件过滤」，很难把完整的买卖与仓位逻辑闭环验证。于是大量人卡在中间地带：有交易经验，不会写代码，又不愿把核心思路托管给陌生平台。
本文用一个最常见的思路——均线金叉 + 放量——走完从「口头规则」到「可回测策略」的完整路径。文中界面来自 A 股零代码量化工具 LemonPicking，你也可以用任何同类可视化工具复现同一套方法；重点不在软件品牌，而在把想法写清楚、再验证。
一、先把「金叉+放量」说清楚：模糊口语 vs 可回测规则
口语里的策略往往不够严谨。回测引擎只认「可计算」的定义。建议先把规则拆成四层：
| 层级 | 口语说法 | 可回测写法（示例） |
|---|---|---|
| 指标 | 均线、成交量 | MA(5)、MA(20)、成交量（或均量） |
| 条件 | 金叉、放量 | MA5 上穿 MA20；当日成交量 > 近 N 日均量 × 倍数 |
| 逻辑 | 同时满足 | AND：金叉 且 放量 |
| 信号/仓位 | 买入 | 入场信号绑定上述逻辑；仓位如每次 30% |
再补两条容易被忽略、却直接影响结果的约定：
- 1. 价格口径：常规选股与回测多用后复权，避免除权除息把均线「打穿」造成假信号。
- 2. 成交假设：较严谨的做法是「当根 K 线收盘确认信号，下一根开盘价成交」，并计入佣金与滑点——否则回测容易过于乐观。
把这两点写进规则，你的「金叉+放量」才从感觉变成研究课题。
二、为什么「不会写代码」仍然可以做量化研究
量化的本质不是写代码，而是：
把交易纪律形式化 → 用历史数据检验 → 用真实约束（资金、频率）再检验一次。
代码只是形式化的一种载体。可视化组件（指标 → 条件 → 逻辑 → 入场 → 仓位）做的是同一件事：把规则变成机器可执行的结构。对个人投资者而言，这条路径通常更贴合真实问题——你真正缺的是闭环验证，不是再学一门语言。
上图是典型的研究工作台：左侧是策略、筛选、回测、复盘等完整链路，右侧可从单只标的「快速回测」。数据开箱可用时，你无需先纠结数据源，才能把注意力放回规则本身。
三、路径 A：可视化搭积木——手把手搭「金叉+放量」
适合：希望完全掌控每个条件、愿意花 10–20 分钟把逻辑搭扎实的人。
1. 进入策略模块，新建空白策略
策略列表页会明确提示：拖拽指标与条件组件即可搭建，无需编写代码。
点击「创建第一个策略」或「新建策略」，进入编辑器。建议先把策略命名为可检索的名字，例如：金叉放量选股（示例）。
2. 认识编辑器三栏：组件库 / 画布 / 属性
推荐组装顺序（也是界面上的工作流）：
- 1. 指标：添加两根 MA（周期分别设为 5、20），再添加成交量或均量相关组件。
- 2. 条件：
- – 用「交叉条件」定义 MA5 上穿 MA20（金叉）；
- – 用「比较/阈值条件」定义放量，例如成交量 > MA_VOL(20) × 1.5。
- 3. 逻辑：用 AND 把「金叉」与「放量」合并；若你要求「先金叉、再放量确认」，可用 SEQUENCE（依次触发）。
- 4. 入场信号：把合并后的逻辑绑定到入场。
- 5. 出场与仓位（建议补齐）：例如死叉离场，或固定持有 N 日；仓位可用固定比例（如 30%），避免一笔打满导致后续信号买不进。
3. 验证再保存
点「验证策略」：系统会检查逻辑是否闭环、参数是否合法。通过后再保存。
筛选股票时通常只使用入场信号；历史回测会使用完整策略（含出场与仓位）。缺出场时，许多引擎会默认持有到回测区间结束——这在验证入场有效性时可以接受，但不适合当作最终交易系统。
四、路径 B：用自然语言让 AI 先出草稿，再人工收紧
适合：想法清楚、但还不熟悉组件怎么拼的人；或想快速对比多个表述版本。
你可以在输入框直接写（示例）：
5 日均线上穿 20 日均线，且当日成交量大于过去 20 日均量的 1.5 倍时买入；5 日均线下穿 20 日均线时卖出；每次使用总资金的 30%。
生成后务必做三件事（否则 AI 只是「看起来像策略」）：
- 1. 读懂结构：核对指标周期、交叉方向、放量倍数、仓位是否与你的口头规则一致。
- 2. 导入策略库，在可视化编辑器里改参数、补出场。
- 3. 用回测与动画复盘核对买卖点——数字好看但点位怪异，通常说明条件过松或口径理解不一致。
AI 在这里的正确角色是翻译官，不是「替你保证赚钱的策略师」。把主权留在自己手里，反而更安全。
五、验证闭环：筛选 → 回测 → 动画复盘
搭完策略只完成了一半。个人投资者最常见的失误，是只看一次「某只票的收益曲线」就下结论。建议按下面三步加压验证。
1. 筛选：今天（或历史上）谁触发了入场？
- – 最新 K 线：适合收盘后问「今天谁符合条件」。
- – 区间任意 K 线：适合研究「这段行情里曾经出现过几次信号」。
- – 标的池可先用自选股缩短时间，再放到全市场看广度。
若结果为空：先别急着怪软件——放量倍数是否过严、均线周期是否过长、预热天数是否不足，都是高频原因。
2. 回测：策略长期赚不赚钱、回撤能不能扛？
两种模式解决不同问题：
| 模式 | 回答的问题 | 典型用法 |
|---|---|---|
| 批量单标的回测 | 策略在不同个股上是否「普适」 | 随机 N 只 / 自选股，看平均收益、胜率、回撤分布 |
| 单账户交易模拟 | 真实资金约束下买不买得上 | 最大持仓数、资金占用，看完整资金曲线 |
「金叉+放量」在牛市可能信号多、在熊市可能长时间空仓——这本身就是结论的一部分。免费研究可用近若干年日线；若要覆盖更长牛熊或小时/分钟线，再考虑更长历史与更高精度能力。
3. 动画复盘：买卖点是否符合你的直觉？
汇总指标只能告诉你「赚了多少」；动画复盘告诉你「是不是靠你以为的那种买点赚的」。
建议：改参数前后各跑一遍复盘，对比金叉当日是否真有量能配合、是否频繁假突破。这一步往往比再优化一个收益率百分点更有价值。
六、实操中最容易踩的 5 个坑
- 1. 只写买入不写卖出
回测区间结束时强制平仓，会把「入场质量」和「持有运气」搅在一起。至少加一个对称的死叉或时间出场。
- 2. 放量条件过松
「比昨天量大一点」几乎天天有。建议用相对均量的倍数，并观察筛选命中数量是否「人还能做」——一天上百个信号，对散户等于没有信号。
- 3. 在单只票上调参到完美
单标的曲线很好看，换一批股票立刻失效，多半是过拟合。批量回测 +（有条件时）参数稳健性检验，比追求极值收益更重要。
- 4. 忽视复权与成交规则
用未复权价格算均线，或默认「信号当根收盘价成交」，都会系统性美化结果。先对齐口径，再比较版本优劣。
- 5. 把回测当实盘承诺
回测回答的是「历史规则在假设下的表现」，不是未来收益保证。合规上也请记住：工具用于研究与学习，不构成投资建议。
七、一张清单：从想法到可执行规则
你可以按此打勾：
- 金叉定义写清（哪两条线、上穿还是下穿）
- 放量定义写清（相对谁、多少倍）
- 用 AND / SEQUENCE 明确组合方式
- 补齐出场与仓位
- 验证通过并保存到本地策略库
- 用「最新 K 线」做一次选股扫描
- 批量回测看普适性 + 单账户看资金约束
- 动画复盘核对买卖点是否符合直觉
走完这张清单，「不会写 Python」不再是障碍——障碍变成了更真实的问题：规则是否稳健、频率是否可操作、回撤你是否愿意承担。
结语：把想法变成规则，是普通投资者最划算的一次升级
不会写代码，不等于不能做量化研究。真正拉开差距的，是你是否愿意把模糊的盘感，改写成可验证的规则，并反复对照市场反馈。
若你希望用零代码方式走通「搭建 → 筛选 → 回测 → 复盘」这条链路，可以了解 LemonPicking（零代码 A 股量化）：策略与回测结果保存在本机，A 股行情开箱可用，免费版即可完成日线级别的完整研究闭环；需要 AI 草稿、参数寻优、更长历史或分钟线时，再按需升级专业版。
下载与说明见产品页：
https://www.zpyztech.com/product/lemonpicking/
免责声明： 本文仅作量化研究方法与软件使用说明，不构成任何投资建议。历史回测不代表未来表现，请独立判断并自行承担交易风险。
建议标签： A股 量化回测 零代码 均线金叉 选股 策略验证