第一个策略：双均线

终于到写策略的环节了。这一篇我们从零实现一个完整的双均线策略，包括信号生成、仓位管理、收益计算和绩效评估。这是你的第一个真正可执行的量化策略。

双均线策略原理

策略思想极其简单：

• MA5 上穿 MA20（金叉）→ 买入
• MA5 下穿 MA20（死叉）→ 卖出

背后的逻辑：短期均线代表近期趋势，长期均线代表中期趋势。当短期向上突破长期，说明上涨动能增强；反之亦然。

它的优点是简单、易理解、能在趋势行情中赚钱；缺点是震荡行情中频繁打脸。

第一版：信号生成

python复制
import akshare as ak
import pandas as pd
import numpy as np

df = ak.stock_us_daily(symbol="AAPL", adjust="qfq")
df['date'] = pd.to_datetime(df['date'])
df = df[df['date'] >= '2022-01-01'].set_index('date')

# 计算均线
df['MA5']  = df['close'].rolling(5).mean()
df['MA20'] = df['close'].rolling(20).mean()

# 生成持仓信号：MA5 > MA20 时持有，否则空仓
df['position'] = (df['MA5'] > df['MA20']).astype(int)

position 列的含义：1 表示满仓持有，0 表示空仓。

第二版：避免未来函数

新手最常犯的错误是用当天的均线判断当天的开仓，但实际交易中你今天收盘后才知道均线值，最早只能明天开盘买。

python复制
# 信号 shift(1)：今天的持仓基于昨天的信号
df['position'] = (df['MA5'] > df['MA20']).astype(int).shift(1)

这一行 shift(1) 是回测真实性的关键。

第三版：计算策略收益

python复制
df['return'] = df['close'].pct_change()
df['strategy_return'] = df['position'] * df['return']

# 累计净值
df['cum_market']   = (1 + df['return']).cumprod()
df['cum_strategy'] = (1 + df['strategy_return']).cumprod()

print(df[['cum_market', 'cum_strategy']].tail())

第四版：考虑交易成本

实盘有手续费、印花税、滑点。简单起见，我们假设单边手续费 0.03%（万三）。

python复制
COMMISSION = 0.0003

# 持仓变化才扣手续费
df['trade'] = df['position'].diff().abs()
df['commission'] = df['trade'] * COMMISSION

df['strategy_return_net'] = df['strategy_return'] - df['commission']
df['cum_strategy_net'] = (1 + df['strategy_return_net']).cumprod()

第五版：绩效指标

python复制
def performance_metrics(returns, periods_per_year=252):
    """计算关键绩效指标"""
    total_return = (1 + returns).prod() - 1
    n_years = len(returns) / periods_per_year
    annual_return = (1 + total_return) ** (1 / n_years) - 1
    annual_vol = returns.std() * np.sqrt(periods_per_year)
    sharpe = annual_return / annual_vol if annual_vol > 0 else 0

    cum = (1 + returns).cumprod()
    drawdown = (cum / cum.cummax() - 1).min()

    win_rate = (returns > 0).sum() / (returns != 0).sum()

    return {
        '总收益':   f'{total_return:.2%}',
        '年化收益': f'{annual_return:.2%}',
        '年化波动': f'{annual_vol:.2%}',
        '夏普比率': f'{sharpe:.2f}',
        '最大回撤': f'{drawdown:.2%}',
        '日胜率':   f'{win_rate:.2%}',
    }

# 对比基准和策略
print('基准（Buy & Hold）:')
print(performance_metrics(df['return'].dropna()))

print('\n策略（含手续费）:')
print(performance_metrics(df['strategy_return_net'].dropna()))

第六版：可视化

python复制
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # macOS
plt.rcParams['axes.unicode_minus'] = False

fig, axes = plt.subplots(2, 1, figsize=(12, 8), sharex=True,
                          gridspec_kw={'height_ratios': [3, 1]})

# 净值曲线
axes[0].plot(df['cum_market'],       label='Buy & Hold', color='#94a3b8', linewidth=1.5)
axes[0].plot(df['cum_strategy_net'], label='双均线策略', color='#3b82f6', linewidth=2)
axes[0].set_title('双均线策略 vs Buy & Hold', fontsize=14, fontweight='bold')
axes[0].set_ylabel('净值')
axes[0].legend()
axes[0].grid(True, alpha=0.3)
axes[0].axhline(y=1, color='black', linestyle='--', alpha=0.3)

# 回撤
def drawdown(returns):
    cum = (1 + returns).cumprod()
    return (cum / cum.cummax() - 1)

dd = drawdown(df['strategy_return_net'])
axes[1].fill_between(df.index, dd * 100, 0, color='#ef4444', alpha=0.4)
axes[1].set_ylabel('回撤 (%)')
axes[1].set_xlabel('日期')
axes[1].grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

完整代码：封装成函数

python复制
def backtest_dual_ma(df, fast=5, slow=20, commission=0.0003):
    """
    双均线策略回测
    df: 包含 close 列的 DataFrame，索引是日期
    fast / slow: 快慢线周期
    commission: 单边手续费
    """
    df = df.copy()
    df[f'MA{fast}'] = df['close'].rolling(fast).mean()
    df[f'MA{slow}'] = df['close'].rolling(slow).mean()

    # 生成持仓信号（避免未来函数）
    df['position'] = (df[f'MA{fast}'] > df[f'MA{slow}']).astype(int).shift(1)

    # 收益计算
    df['return'] = df['close'].pct_change()
    df['trade'] = df['position'].diff().abs()
    df['commission'] = df['trade'] * commission
    df['strategy_return'] = df['position'] * df['return'] - df['commission']

    # 净值
    df['cum_market']   = (1 + df['return']).cumprod()
    df['cum_strategy'] = (1 + df['strategy_return']).cumprod()

    return df

# 使用
result = backtest_dual_ma(df, fast=5, slow=20)
print(performance_metrics(result['strategy_return'].dropna()))

参数优化

不同的均线周期效果差异很大。可以做个简单的参数扫描：

python复制
results = []
for fast in [5, 10, 15]:
    for slow in [20, 30, 60]:
        if fast >= slow:
            continue
        result = backtest_dual_ma(df, fast=fast, slow=slow)
        ret = result['strategy_return'].dropna()
        total = (1 + ret).prod() - 1
        sharpe = ret.mean() / ret.std() * np.sqrt(252)
        results.append({
            'fast': fast, 'slow': slow,
            'total_return': total, 'sharpe': sharpe
        })

opt_df = pd.DataFrame(results).sort_values('sharpe', ascending=False)
print(opt_df)

⚠️ 小心过拟合 不要光盯着夏普最高的参数。如果一组参数明显优于其他组合，很可能是过拟合到这段历史数据上。一个好的策略应该对参数变化不敏感。

双均线策略的局限

实际跑一下你会发现，这个策略在很多股票上跑不赢 Buy & Hold。原因：

1. 震荡行情打脸严重 — 频繁金叉死叉，不停被止损
2. 滞后性 — 等到信号出现，行情已经走了一半
3. 没有止损止盈 — 趋势反转时可能交回所有利润

改进方向（后续可以试）：

• 加入 ATR 动态止损
• 用 EMA 替代 SMA 减少滞后
• 加入波动率过滤（震荡时不交易）
• 多周期组合（日线 + 周线）

小结

你已经完整走过了一个量化策略的开发流程：

• ✅ 信号生成
• ✅ 避免未来函数
• ✅ 考虑交易成本
• ✅ 计算绩效指标
• ✅ 可视化
• ✅ 参数优化
• ✅ 反思局限

但我们目前是手撸回测，代码很啰嗦。下一篇 回测框架入门，我们用专业的回测框架 backtrader 让代码更规范。

📌 最重要的一课 不要拿着这个策略直接去实盘。它的目的是让你理解策略开发的流程，不是让你赚钱。真正能赚钱的策略需要更多的细节打磨和真实的市场理解。