企业官网建设流程全解析

简介：这份随书MATLAB代码包面向量化金融入门与进阶读者，源自马萌编著的《MATLAB量化金融分析基础与实战》，按章节组织代码，覆盖MATLAB基础操作、金融数据导入与可视化、统计指标计算、时间序列建模、机器学习算法、期权定价（含Black-Scholes与波动率曲面）、投资组合优化、风险管理（VaR/CVaR）及程序化交易策略开发等核心主题，适合金融工程学生、量化分析师和自学者对照教材或独立研读。包内共90个文件，以71个.m源码文件为主，包含各章示例与综合案例，如Granger因果检验、SDE随机微分方程工具箱、海龟交易策略等，并辅以7个txt说明文档、csv/xlsx数据表、zip压缩包和少量Python辅助脚本，便于查看数据格式与跨语言调用；代码按Chapter 1至Chapter 13分目录存放，结构清晰，可直接运行调试。整体压缩包仅3.57MB，轻量便携，已有932人学习使用。通过运行和改造这些源码，可快速掌握MATLAB金融工具箱与统计/机器学习工具箱的实际调用方法，理解从数据清洗到策略回测、风险监控的完整量化流程，为独立开展量化研究打下扎实基础。

1. 随书代码能跑通，才算真正入门MATLAB量化分析

先说一个反直觉的结论：量化金融分析真正卡人的地方，不是策略本身，而是数据从CSV变成能被策略消费的那一层结构。市面上《MATLAB量化金融分析基础与实战》这类带随书代码的书，代码本身大多是对的，但多数读者下载完跑不起来——版本差异改了readtable和datetime的默认行为，示例数据格式固定，换了自己导出的CSV，字段名和日期格式立刻对不上，停牌、缺失、复权这些真实数据特征更是书里没展开的盲区。下面按我带团队时的内部路径展开：先用timetable把行情数据理顺，再写信号生成、回测循环和绩效指标，最后讲随书代码迁到新版MATLAB时的参数与坑。新手看完能半小时跑通第一版，老手也能在边界处理上查漏补缺。

2. 金融数据读取与清洗：把CSV导入MATLAB并整理成timetable

2.1 为什么量化分析首选timetable而不是table

R2016b之后MATLAB引入timetable，随书代码里的行情数据几乎全部用它组织。timetable的核心概念是行时间（RowTimes）：所有运算按时间轴自动对齐，不需要像老代码那样为日期单独维护索引数组。金融序列最常用的lag、diff、按日期切片、跨表合并，在timetable上都有一行命令的实现。

选型理由有两点。一是调试效率：head(priceTT)直接展示日期与各变量，断点处一眼能看出数据是否对齐，比在矩阵里用行号猜日期直观太多。二是接口兼容：retime、sync、tick2ret、movavg这些金融计算函数都围绕timetable设计，随书代码后续的指标计算、回测、画图都依赖这层结构。如果手上还有老脚本用datenum加矩阵存日期，建议统一迁移到timetable，后面无论是接Wind接口还是换数据源，都不用再改主逻辑。

2.2 用readtable把CSV导入并解析日期字段

随书配套数据或者自己导出的日线CSV，列一般是日期、开盘、最高、最低、收盘、成交量（或含成交额）。网上问得最多的"如何将csv导入到matlab"通常卡在日期列：readtable默认把日期读成文本或数值，需要手工转换。下面这段代码把CSV读入并整理成可直接计算的timetable：

% 读取CSV，PreserveVariableNames保留原始列名 rawData = readtable('stock_daily.csv', 'PreserveVariableNames', true); % 第一列是日期文本，按指定格式解析为datetime rawData.DateTime = datetime(rawData.DateTime, ... 'InputFormat', 'yyyy-MM-dd'); % 按日期升序排，并去掉重复日期（保留最后一个） rawData = sortrows(rawData, 'DateTime'); [~, uniqueIdx] = unique(rawData.DateTime, 'last'); rawData = rawData(uniqueIdx, :); % 转为timetable：行时间由DateTime列决定 priceTT = table2timetable(rawData, 'RowTimes', 'DateTime'); % 统一列名，后续代码不用记CSV原始列名 priceTT.Properties.VariableNames = {'open','high','low','close','volume'};

逐行说明：PreserveVariableNames为true时保留原始列名，中文名或带空格的列名不会被改写成合法标识符，代价是引用时要写字符串；datetime的InputFormat必须和CSV里实际格式逐字符一致，'yyyy-MM-dd'、'yyyy/MM/dd'、'yyyyMMdd'是三种常见写法，带时分秒的追加HH:mm:ss。排序和去重放在转换之前，因为table2timetable虽然会自动按行时间排序，但重复行时间不会自动剔除。

两个容易踩的边界：如果日期在Excel里被存成序列号（例如41821），datetime要加'ConvertFrom','excel'参数；如果日期字符串带时区后缀如'2024-01-05T15:00:00+08:00'，先解析再统一转成本地时间，避免后面retime按UTC重采样把行情错位到"昨天夜里"。反过来，导出文件名或打印日志时把datetime转字符串，用char(priceTT.DateTime(end), 'yyyyMMdd')比老旧的datestr稳，后者在高版本里已标记为legacy。

2.3 停牌缺失与异常值的填充规则

真实日线数据几乎都缺行：停牌、数据源漏抓、除权除息前后价格跳变。直接拿缺行序列算收益，diff会把停牌前后两天的收益当成连续值，波动率被严重低估。先确认缺口性质，再选填充方式，不同字段用不同策略。

按表格逻辑实现：

% 价格类字段用前一有效值填充，成交量空缺补0 filledTT = fillmissing(priceTT, 'previous', ... 'DataVariables', {'open','high','low','close'}); filledTT.volume(isnan(filledTT.volume)) = 0; % 剔除周末：weekday默认周日=1，周六=7 dow = weekday(filledTT.DateTime); filledTT(dow == 1 | dow == 7, :) = []; % 如果数据源本身按交易日输出，上面的剔除步骤可以跳过

fillmissing的DataVariables指定只处理哪些字段，避免把成交量也previous填充成上一天的数字。weekday默认把周日当一周第一天，与国内习惯相反，很多人在这一步把周六的7误判成周一，调试时务必先head(filledTT)看日期列确认。节假日无法用通用函数一次性剔除，我更推荐直接用交易所以及数据商按交易日口径导出的现成数据，而不是自己维护节假日表。

注意：停牌数据的正确处理直接影响后续所有指标。凡是回测夏普比率高得离谱的情况，先查数据里有没有停牌后连续数日价格不变的假信号。

3. 收益计算与均线信号：从价格序列生成可回测的交易信号

3.1 简单收益与对数收益的选择

收益是量化策略的第一层抽象。MATLAB里tick2ret专门做这件事，随书代码里既能看见手写diff的版本，也能看见直接用工具箱的版本，两种写法在边界处理上有实际差别。

% 手写简单收益：注意分母是前一收盘价，第一行必为NaN simpleRet = diff(filledTT.close) ./ filledTT.close(1:end-1); % 用tick2ret计算连续复利收益，输出保持行时间 retTT = tick2ret(filledTT(:, 'close')); retTT.Properties.VariableNames = {'ret'}; % 多列同时计算，并指定简单收益 multiRet = tick2ret(filledTT(:, {'close','volume'}), ... 'Method', 'simple', 'Dimension', 1);

tick2ret的Method参数选'continuous'得到对数收益，选'simple'得到简单收益；Dimension指定计算方向，金融时间序列按时间方向计算取1。对单标的多因子研究，我一般直接用'continuous'，因为对数收益跨期可加，分布更接近正态，后面算相关性、做回归时不会因偏度被个别大阳线带偏。组合层面涉及复利折算才切'simple'。手写diff版本第一行是NaN，进std、回归前必须删掉，tick2ret则没有这个问题，这也是能直接用工具箱函数就尽量不手写的原因。

3.2 双均线交叉信号的向量化生成

均线交叉是随书代码出现频率最高的策略逻辑。老代码常用for循环逐日比较，向量化写法更符合MATLAB习惯，而且不容易把索引抄错。用Financial Toolbox的movavg，注意它的双输出形式：

% movavg双输出：第一个是短周期均线，第二个是长周期均线 [shortMA, longMA] = movavg(filledTT.close, 30, 60); % 持仓状态：短均线在长均线上方记1，否则记0 rawPos = double(shortMA > longMA); % 前段窗口期均线为NaN，比较结果自动为0，这里再兜底一次 rawPos(isnan(rawPos)) = 0; % 关键一步：信号滞后一天，避免用当天收盘价“预测”当天行情 position = [0; rawPos(1:end-1)];

movavg(filledTT.close, 30, 60)中30是短窗口Lead，60是长窗口Lag，返回两个长度与输入一致的序列。想用指数均线就加第四个参数Alpha，如movavg(filledTT.close, 12, 26, 0.2)。滞后处理是全段代码最容易抄漏的一行：position(t)代表第t天开盘时实际执行的仓位，它只能由第t-1天收盘后的信息决定。不滞后，回测年化收益会虚高几个点，实盘完全复现不了，这是回测里最常见的未来函数。

注意：不要用movmean替代movavg做交易信号。movmean默认窗口居中，天然引入未来数据，用它算出的金叉会“提前”出现。

3.3 用趋势与波动率过滤器减少无效交易

双均线在震荡市里会被反复打脸。随书策略一般会配一个过滤器，逻辑上分两类：趋势过滤和波动率过滤。趋势过滤的核心是“只在大趋势向上时做多”，波动率过滤则是“市场太狂躁时不开新仓”。过滤器参数对结果影响很大，先看一组常见取值：

对应实现：

% 趋势过滤：收盘价站上200日均线才允许做多 [~, trendMA] = movavg(filledTT.close, 200, 200); trendFilter = double(filledTT.close > trendMA); trendFilter(isnan(trendFilter)) = 0; % 20日滚动标准差默认是居中窗口，后移10个位置消除未来函数 volCenter = movstd(filledTT.close, 20); vol20 = [NaN(10,1); volCenter(1:end-10)]; % 阈值取中位数，omitnan忽略前段NaN volFilter = double(vol20 < median(vol20, 'omitnan')); % 过滤器各自滞后一天，与原始信号相乘 position = position .* [0; trendFilter(1:end-1)] ... .* [0; volFilter(1:end-1)];

movstd的居中窗口处理是这里唯一的难点：k=20的窗口实际覆盖前9天到后10天，直接使用等于偷看未来，所以把结果整体后移10位，让第t天的波动率只看t-19到t天的数据，再滞后一天进场，信息在t-1收盘时全部可用。过滤器叠加后的position对应实盘里的“信号来了但条件不满足就不动”，交易次数明显下降，代价是趋势启动初期会慢半拍。

4. 回测循环与绩效评估：把信号跑成资金曲线

4.1 最小回测循环与成交假设

回测回答的问题只有一个：按这套信号交易，账户每个交易日结束值多少。随书代码的回测结构通常是逐日循环，我给出的最小版本包含三个显式假设：信号来自前一日收盘、当天以收盘价成交、全仓进出且暂不计手续费。三个假设写清楚，后面加滑点和手续费时才有依据。

% 回测初始化 initCapital = 100000; cash = initCapital; % 可用资金 positionQty = 0; % 当前持股数 equityCurve = zeros(height(filledTT), 1); equityCurve(1) = initCapital; % 逐日循环，t从2开始，第1天无历史信号 for t = 2:height(filledTT) % 空仓且信号为1：全仓买入，股数向下取整 if position(t-1) == 1 && positionQty == 0 positionQty = floor(cash / filledTT.close(t)); cash = cash - positionQty * filledTT.close(t); % 持仓且信号为0：全部卖出 elseif position(t-1) == 0 && positionQty > 0 cash = cash + positionQty * filledTT.close(t); positionQty = 0; end % 日末净值 = 现金 + 持仓市值 equityCurve(t) = cash + positionQty * filledTT.close(t); end

这里用position(t-1)而不是position(t)，因为position本身已经滞后过一天，position(t-1)实际按t-2收盘信息决策、t-1收盘成交、t结算，比直接引用position(t)保守，也更接近实盘。floor向下取整是为了避免产生小数股，实盘A股还要对100取整加一手手续费判断。想改成次日开盘价成交，把成交价从filledTT.close(t)换成filledTT.open(t)，同时循环上界改成height(filledTT)-1，少跑最后一天。

4.2 最大回撤计算与资金曲线画图

净值序列出来后，第一个要看的不是收益而是回撤。回撤的定义是当前净值相对历史最高净值的跌幅，MATLAB里cummax一行就能算历史峰值：

% 净值历史峰值与回撤序列 runningMax = cummax(equityCurve); drawdown = (equityCurve - runningMax) ./ runningMax; maxDrawdown = min(drawdown); % 最大回撤是负数 % 资金曲线与回撤子图 figure; subplot(2,1,1); plot(filledTT.DateTime, equityCurve, 'LineWidth', 1.2); ylabel('账户净值'); grid on; title('回测资金曲线'); subplot(2,1,2); plot(filledTT.DateTime, drawdown * 100, 'r'); ylabel('回撤(%)'); xlabel('日期'); grid on;

画图时filledTT.DateTime和equityCurve长度必须一致，前面做过填充、删行、剔除周末的，回测前后用height对一下，差一行都会导致plot报错或错位。导出图片用exportgraphics(gcf, 'equity_curve.png', 'Resolution', 300)，高版本MATLAB里saveas出的位图放进论文会发虚，exportgraphics是矢量精度导出。

4.3 绩效指标口径：夏普、卡玛与换手率

绩效指标不是越多越好，口径统一才可比较。随书代码常用的指标和容易踩的口径问题如下：

实现如下：

% 日收益从净值序列差分得到 dailyRet = diff(equityCurve) ./ equityCurve(1:end-1); % 年化：A股按约244个交易日 years = height(filledTT) / 244; annualRet = (equityCurve(end) / initCapital) ^ (1/years) - 1; annualVol = std(dailyRet) * sqrt(244); % 夏普与卡玛，无风险利率按2%估算 sharpe = (annualRet - 0.02) / annualVol; calmar = annualRet / abs(maxDrawdown); % 年均换手次数：position变化一次算一次买卖 turnover = sum(abs(diff(position))) / years;

最容易翻车的三处：std(dailyRet)不加omitnan，只要净值序列开头有一个NaN，整个夏普变NaN；年化用的天数与波动率sqrt放大的天数不一致，A股用244，美股用252，混用会导致夏普被系统性高估或低估；换手率只统计position的1与0跳变，忽略加仓减仓时持仓数量的连续变化，只能作为相对比较的近似值。

5. 随书代码迁移与参数优化：从跑通到敢用

随书代码到手第一件事不是run，而是检查环境。用license('test','Financial_Toolbox')确认工具箱在不在，返回0就先把财务工具箱装好。然后addpath(genpath('bookcode'))把随书目录加进搜索路径，所有“找不到文件或函数”的报错，八成是当前工作目录或搜索路径没设对，跟代码本身没关系。跨版本运行时，优先看readtable、datetime、movavg三类调用的报错，它们是版本改动最频繁的函数。

5.1 把回测封装成函数，参数扫描才有意义

随书代码是脚本，参数散落各处，想试不同均线周期就得反复复制粘贴。封装成函数后，参数扫描就成了一个双层循环的事：

function metrics = runMAStrategy(priceTT, shortWin, longWin) % 输入：timetable行情、短均线窗口、长均线窗口 % 输出：绩效结构体，含净值序列 [shortMA, longMA] = movavg(priceTT.close, shortWin, longWin); rawPos = double(shortMA > longMA); rawPos(isnan(rawPos)) = 0; position = [0; rawPos(1:end-1)]; % ... 回测循环与绩效计算 ... metrics.equityCurve = equityCurve; metrics.sharpe = sharpe; end

函数化之后，外层用网格扫描找参数就非常直接。装了Global Optimization Toolbox可以用patternsearch做连续参数搜索，但金融策略参数通常是整数、目标函数非光滑，网格扫描在绝大多数情况下够用，结果还可复现、好解释。

5.2 样本外验证：网格搜索出的参数算不算数

参数扫描只能说明历史拟合好，真正决定能不能用的是样本外表现。最简做法是按时间切分：前70%训练，后30%测试，在训练段挑最优参数，再到测试段验证：

% 按时间切分，前70%为训练段 splitIdx = floor(height(filledTT) * 0.7); trainTT = filledTT(1:splitIdx, :); testTT = filledTT(splitIdx+1:end, :); % 训练段网格扫描，记录最优参数 bestSharpe = -Inf; bestParams = []; for s = [10 20 30] for l = [40 60 90] m = runMAStrategy(trainTT, s, l); if m.sharpe > bestSharpe bestSharpe = m.sharpe; bestParams = [s, l]; end end end % 最优参数在测试段上验证 result = runMAStrategy(testTT, bestParams(1), bestParams(2));

判断标准不是测试段收益更高，而是三个事实：训练段与测试段夏普值符号一致、最大回撤没有扩大到三倍以上、交易次数没有骤降。任何一条不满足，说明最优参数只是拟合了训练段的噪声。滚动窗口验证（walk-forward）在随书代码阶段不必急着实现，先跑通分段验证，确认策略逻辑本身合理，再学walk-forward才有意义。

本文还有配套的精品资源，点击获取