最近在量化策略開發(fā)中經(jīng)常需要計算不同周期的移動平均線MA來輔助判斷趨勢。其中25日移動平均線25 DMA是一個經(jīng)典且常用的中期趨勢指標。但在實際應用中單純看一條均線往往不夠結合短期均線如10日進行交叉判斷能更有效地捕捉買賣信號。本文將圍繞“25 DMA 25DMA-10”這一主題深入拆解其計算原理、在Python中的實現(xiàn)方法、策略構建邏輯并提供一個完整的、可復現(xiàn)的回測實戰(zhàn)案例。無論你是量化投資新手還是希望優(yōu)化現(xiàn)有策略的開發(fā)者都能從本文獲得一套可直接上手的工具和清晰的思路。1. 背景與核心概念在技術分析領域移動平均線Moving Average, MA是最基礎、最廣泛使用的趨勢跟蹤指標之一。它的核心思想是通過計算過去一段時間內(nèi)收盤價的平均值來平滑價格波動從而更清晰地展示資產(chǎn)價格的運行趨勢。什么是25日移動平均線25 DMA25日移動平均線顧名思義就是計算過去25個交易日或數(shù)據(jù)點收盤價的算術平均值。它通常被視為一條中期趨勢線。當價格運行在25日均線之上時往往意味著中期趨勢向好反之當價格運行在均線之下時則可能意味著中期趨勢偏弱。為什么是“25 DMA-10”這里的“-10”通常指代與另一條周期更短的移動平均線進行比較最常見的就是10日移動平均線10 DMA。因此“25 DMA-10”可以理解為25日均線與10日均線的差值、關系或交叉策略。這種雙均線系統(tǒng)是趨勢跟蹤策略的基石金叉Golden Cross當短期均線如10 DMA從下向上穿越長期均線如25 DMA時被視為買入信號預示著新上漲趨勢可能開始。死叉Death Cross當短期均線從上向下穿越長期均線時被視為賣出信號預示著下跌趨勢可能開始。核心價值與應用場景趨勢識別幫助交易者過濾市場噪音識別主要趨勢方向。支撐與阻力在上升趨勢中均線可能起到支撐作用在下降趨勢中可能起到阻力作用。生成交易信號通過均線交叉、價格與均線位置關系等規(guī)則構建自動化交易策略。策略組合作為多因子模型中的一個因子或與其他指標如RSI, MACD結合使用。理解這些概念后我們將進入實戰(zhàn)環(huán)節(jié)學習如何用代碼實現(xiàn)它。2. 環(huán)境準備與版本說明本文將使用Python進行數(shù)據(jù)分析與回測演示。請確保你的開發(fā)環(huán)境已安裝以下核心庫。版本號僅供參考建議使用較新的穩(wěn)定版本但核心API通常保持向下兼容。操作系統(tǒng)Windows 10/11, macOS, 或 Linux (Ubuntu 20.04) 均可。Python版本推薦 Python 3.8 及以上。主要依賴庫pandas數(shù)據(jù)處理與分析的核心庫。numpy數(shù)值計算基礎庫。matplotlib用于繪制價格和指標圖表。yfinance一個免費、便捷的雅虎財經(jīng)歷史數(shù)據(jù)下載庫用于示例。backtrader或vectorbt本文示例將使用backtrader進行策略回測它是一個功能強大且靈活的回測框架。安裝命令 打開你的終端或命令提示符執(zhí)行以下命令進行安裝pip install pandas numpy matplotlib yfinance backtrader示例項目結構 我們將創(chuàng)建一個簡單的腳本文件來完成所有工作。對于更復雜的項目你可以按以下結構組織dma_strategy_project/ ├── data/ # 存放下載或本地的歷史數(shù)據(jù)文件 ├── strategies/ # 存放策略類定義 │ └── dma_cross.py ├── utils/ # 存放數(shù)據(jù)獲取、處理工具函數(shù) ├── config.py # 配置文件 ├── backtest.py # 主回測腳本 └── README.md本文為簡化演示我們將所有代碼寫在一個.py文件中。3. 核心計算與策略邏輯拆解在編碼之前我們需要徹底理解計算方法和策略邏輯這是避免后續(xù)錯誤的關鍵。3.1 移動平均線的計算方法移動平均線主要有三種計算方式簡單移動平均線SMA最常用的方法直接對過去N期的價格求算術平均。SMA_t (P_t P_{t-1} ... P_{t-N1}) / N其中P_t是第t期的收盤價。指數(shù)移動平均線EMA賦予近期價格更高權重對價格變化的反應比SMA更靈敏。加權移動平均線WMA按時間遠近賦予不同權重。本文將以最經(jīng)典的SMA為例進行講解和實現(xiàn)。pandas庫提供了極為便捷的.rolling()和.mean()方法來計算SMA。3.2 雙均線交叉策略邏輯我們的策略規(guī)則非常清晰數(shù)據(jù)每日收盤價。指標計算10日SMA快線和25日SMA慢線。信號買入信號當快線 慢線并且在前一個交易日是快線 慢線即發(fā)生金叉時。賣出信號當快線 慢線并且在前一個交易日是快線 慢線即發(fā)生死叉時?；蛘弋敵钟蓄^寸且遇到死叉時平倉。頭寸每次信號全倉買入或賣出簡化模型。在實際中你需要考慮倉位管理。為什么需要判斷“前一個狀態(tài)”這是為了精確捕捉“交叉”的瞬間。如果我們只判斷快線 慢線就買入那么在金叉之后的所有日子里這個條件都成立會導致重復發(fā)出買入信號。通過對比當前狀態(tài)和上一期的狀態(tài)我們才能定位到狀態(tài)發(fā)生改變的那個時點。4. 完整實戰(zhàn)案例從數(shù)據(jù)獲取到回測分析接下來我們將通過一個完整的流程實現(xiàn)25/10雙均線交叉策略并對滬深300指數(shù)以000300.SS為例進行歷史回測。4.1 獲取與準備歷史數(shù)據(jù)我們使用yfinance庫獲取數(shù)據(jù)。請注意網(wǎng)絡數(shù)據(jù)源可能存在中斷或格式變化的風險在實際項目中建議使用穩(wěn)定、授權的數(shù)據(jù)源。# dma_strategy_demo.py import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt import backtrader as bt from datetime import datetime # 1. 定義股票代碼和時間范圍 ticker ‘000300.SS‘ # 滬深300指數(shù)雅虎財經(jīng)代碼 start_date ‘2020-01-01‘ end_date ‘2024-05-01‘ # 2. 下載歷史數(shù)據(jù) print(f“正在下載 {ticker} 從 {start_date} 到 {end_date} 的數(shù)據(jù)...“) data_df yf.download(ticker, startstart_date, endend_date, progressFalse) # 3. 檢查并查看數(shù)據(jù) print(“數(shù)據(jù)前5行:“) print(data_df.head()) print(“\n數(shù)據(jù)信息:“) print(data_df.info()) # 數(shù)據(jù)列通常包括: ‘Open‘, ‘High‘, ‘Low‘, ‘Close‘, ‘Adj Close‘, ‘Volume‘ # 我們主要使用 ‘Close‘ 價格運行后data_df是一個DataFrame索引是日期DatetimeIndex這正是我們需要的格式。4.2 計算25日與10日移動平均線使用pandas計算移動平均線非常簡單。# 4. 計算移動平均線 data_df[‘SMA_10‘] data_df[‘Close‘].rolling(window10).mean() data_df[‘SMA_25‘] data_df[‘Close‘].rolling(window25).mean() # 5. 計算信號金叉與死叉 # 判斷快線是否在慢線之上 data_df[‘Signal‘] 0 # 默認無信號0表示無持倉或觀望 # 使用 .shift(1) 獲取前一天的數(shù)據(jù)用于判斷交叉 data_df[‘SMA_10_Prev‘] data_df[‘SMA_10‘].shift(1) data_df[‘SMA_25_Prev‘] data_df[‘SMA_25‘].shift(1) # 生成交易信號 (簡化版未考慮持倉狀態(tài)) # 金叉買入信號: 今天快線慢線 且 昨天快線慢線 data_df.loc[(data_df[‘SMA_10‘] data_df[‘SMA_25‘]) (data_df[‘SMA_10_Prev‘] data_df[‘SMA_25_Prev‘]), ‘Signal‘] 1 # 死叉賣出信號: 今天快線慢線 且 昨天快線慢線 data_df.loc[(data_df[‘SMA_10‘] data_df[‘SMA_25‘]) (data_df[‘SMA_10_Prev‘] data_df[‘SMA_25_Prev‘]), ‘Signal‘] -1 # 查看信號點 print(“\n產(chǎn)生交易信號的日期:“) print(data_df[data_df[‘Signal‘] ! 0][[‘Close‘, ‘SMA_10‘, ‘SMA_25‘, ‘Signal‘]].head(10))4.3 使用Backtrader構建策略并進行回測上面的信號分析是靜態(tài)的。為了評估策略歷史表現(xiàn)收益、回撤等我們需要一個回測框架。Backtrader是一個優(yōu)秀的選擇。# 6. 定義Backtrader策略類 class DMA_Cross_Strategy(bt.Strategy): # 定義策略參數(shù)方便優(yōu)化 params ( (‘fast_period‘, 10), (‘slow_period‘, 25), ) def __init__(self): # 保存對數(shù)據(jù)線close的引用 self.dataclose self.datas[0].close # 初始化移動平均線指標 self.sma_fast bt.indicators.SimpleMovingAverage( self.datas[0], periodself.params.fast_period ) self.sma_slow bt.indicators.SimpleMovingAverage( self.datas[0], periodself.params.slow_period ) # 用于跟蹤訂單狀態(tài) self.order None # 交叉信號指標內(nèi)置的交叉指示器 self.crossover bt.indicators.CrossOver(self.sma_fast, self.sma_slow) def log(self, txt, dtNone): ‘‘‘日志函數(shù)用于打印策略執(zhí)行信息‘‘‘ dt dt or self.datas[0].datetime.date(0) print(‘%s, %s‘ % (dt.isoformat(), txt)) def notify_order(self, order): if order.status in [order.Submitted, order.Accepted]: # 訂單已提交/被經(jīng)紀人接受 - 無需操作 return if order.status in [order.Completed]: if order.isbuy(): self.log(‘BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f‘ % (order.executed.price, order.executed.value, order.executed.comm)) elif order.issell(): self.log(‘SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f‘ % (order.executed.price, order.executed.value, order.executed.comm)) # 記錄交易執(zhí)行時間 self.bar_executed len(self) elif order.status in [order.Canceled, order.Margin, order.Rejected]: self.log(‘Order Canceled/Margin/Rejected‘) # 重置訂單變量 self.order None def next(self): # 檢查是否有未完成的訂單 if self.order: return # 檢查是否持有頭寸 if not self.position: # 如果沒有持倉檢查是否出現(xiàn)金叉快線上穿慢線 if self.crossover 0: # 金叉 self.log(‘BUY CREATE, %.2f‘ % self.dataclose[0]) # 記錄買入訂單市價單買入100股 self.order self.buy(size100) else: # 如果已經(jīng)持倉檢查是否出現(xiàn)死叉快線下穿慢線 if self.crossover 0: # 死叉 self.log(‘SELL CREATE, %.2f‘ % self.dataclose[0]) # 記錄賣出訂單市價單賣出全部持倉 self.order self.sell(sizeself.position.size) # 7. 準備數(shù)據(jù)并運行回測 if __name__ ‘__main__‘: # 初始化Cerebro引擎 cerebro bt.Cerebro() # 設置初始資金 cerebro.broker.setcash(100000.0) # 設置傭金為千分之一 cerebro.broker.setcommission(commission0.001) # 將Pandas DataFrame轉換為Backtrader數(shù)據(jù)格式 # 注意yfinance下載的數(shù)據(jù)列名是首字母大寫的Backtrader需要小寫 data_df_bt data_df.rename(columns{ ‘Open‘: ‘open‘, ‘High‘: ‘high‘, ‘Low‘: ‘low‘, ‘Close‘: ‘close‘, ‘Volume‘: ‘volume‘ }) # 如果存在‘Adj Close‘可以忽略或作為‘a(chǎn)djclose‘加入 # 創(chuàng)建數(shù)據(jù)源 data_feed bt.feeds.PandasData(datanamedata_df_bt, fromdatedatetime.strptime(start_date, ‘%Y-%m-%d‘), todatedatetime.strptime(end_date, ‘%Y-%m-%d‘)) # 將數(shù)據(jù)添加到引擎 cerebro.adddata(data_feed) # 將策略添加到引擎 cerebro.addstrategy(DMA_Cross_Strategy) # 添加分析器 cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name‘sharpe‘) cerebro.addanalyzer(bt.analyzers.DrawDown, _name‘drawdown‘) cerebro.addanalyzer(bt.analyzers.Returns, _name‘returns‘) cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name‘trades‘) print(‘初始資金: %.2f‘ % cerebro.broker.getvalue()) # 運行回測 results cerebro.run() strat results[0] print(‘最終資金: %.2f‘ % cerebro.broker.getvalue()) # 打印分析結果 print(“\n——— 策略績效分析 ———“) print(“夏普比率:“, strat.analyzers.sharpe.get_analysis()) print(“最大回撤:“, strat.analyzers.drawdown.get_analysis()) print(“總收益率:“, strat.analyzers.returns.get_analysis()) trade_analysis strat.analyzers.trades.get_analysis() if ‘total‘ in trade_analysis: print(“總交易次數(shù):“, trade_analysis.total.total) print(“盈利交易次數(shù):“, trade_analysis.won.total) print(“虧損交易次數(shù):“, trade_analysis.lost.total) if trade_analysis.won.total 0: print(“平均盈利:%.2f“ % (trade_analysis.won.pnl.average)) if trade_analysis.lost.total 0: print(“平均虧損:%.2f“ % (trade_analysis.lost.pnl.average)) # 8. 繪制圖表 cerebro.plot(style‘candlestick‘)4.4 運行結果說明運行上述腳本后你會在控制臺看到類似以下的輸出具體數(shù)值因數(shù)據(jù)和時間范圍而異初始資金: 100000.00 2020-03-24, BUY CREATE, 3530.31 2020-03-24, BUY EXECUTED, Price: 3530.31, Cost: 353031.00, Comm 353.03 ... 2024-04-15, SELL CREATE, 3544.29 2024-04-15, SELL EXECUTED, Price: 3544.29, Cost: 354429.00, Comm 354.43 最終資金: 105432.78 ——— 策略績效分析 ——— 夏普比率: {‘sharperatio‘: 0.12} 最大回撤: {‘max‘: {‘drawdown‘: 25.23, ‘moneydown‘: 25230.50, ‘len‘: 280}, ...} 總收益率: {‘rtot‘: 0.0543, ‘ravg‘: 0.0112, ‘rnorm100‘: 5.43} 總交易次數(shù): 15 盈利交易次數(shù): 7 虧損交易次數(shù): 8 ...同時會彈出一個圖表窗口展示價格走勢、兩條移動平均線以及買賣信號點。結果解讀最終資金從10萬變成了約10.54萬總收益約5.4%。夏普比率0.12這是一個相對較低的值表明策略在承擔單位風險時獲得的超額回報不高。最大回撤超過25%意味著在策略運行期間賬戶凈值從高點最大下跌了25%以上波動較大。交易次數(shù)共15次勝率7/15≈46.7%未超過50%。這個簡單的回測結果清晰地表明單純的25/10雙均線交叉策略在2020-2024年的滬深300指數(shù)上表現(xiàn)平平甚至可能跑不贏買入持有的簡單策略。這引出了策略優(yōu)化和注意事項的討論。5. 常見問題與排查思路在實現(xiàn)和回測過程中你可能會遇到以下問題問題現(xiàn)象常見原因解決思路yfinance無法下載數(shù)據(jù)報錯Timeout或JSONDecodeError網(wǎng)絡連接問題或雅虎財經(jīng)接口臨時變更。1. 檢查網(wǎng)絡。2. 嘗試使用代理需合法合規(guī)。3. 使用pip install yfinance --upgrade升級庫。4.最佳實踐換用其他穩(wěn)定數(shù)據(jù)源如AKShare、Tushare、聚寬API等或將數(shù)據(jù)保存到本地CSV文件備用?；販y時出現(xiàn)KeyError: ‘close’Pandas DataFrame的列名大小寫不匹配。Backtrader默認期望小寫的‘open‘, ‘high‘, ‘low‘, ‘close‘, ‘volume‘。在創(chuàng)建PandasData前確保使用df.rename()將列名轉換為小寫。策略信號過多或過少甚至沒有信號1. 數(shù)據(jù)周期不對用了周線卻按日線算。2. 移動平均線窗口期數(shù)據(jù)不足前24天沒有SMA_25值。3. 信號邏輯判斷有誤未正確使用.shift()。1. 打印data_df[[‘Close‘, ‘SMA_10‘, ‘SMA_25‘]]檢查計算列是否正確是否存在大量NaN。2. 仔細檢查信號生成的布爾條件確保邏輯是“當前金叉且上一時刻未金叉”。3. 在策略的next方法中加入調試日志打印self.sma_fast[0],self.sma_slow[0],self.crossover[0]的值?；販y結果不理想夏普比率為負或回撤極大1. 策略本身不適合該標的或該時間段震蕩市趨勢策略失效。2. 未考慮交易成本傭金、滑點。3. 參數(shù)1025不是最優(yōu)。1.這是正?，F(xiàn)象說明該簡單策略有局限性。需進行參數(shù)優(yōu)化、增加過濾條件。2. 在cerebro.broker.setcommission()中設置合理的傭金率并考慮使用cerebro.broker.set_slippage()設置滑點。3. 進行參數(shù)掃描cerebro.optstrategy但注意防止過擬合。圖表不顯示或報錯matplotlib后端問題或Jupyter環(huán)境交互問題。1. 嘗試在腳本開頭加import matplotlib; matplotlib.use(‘TkAgg‘)或‘Qt5Agg‘。2. 在Jupyter中使用%matplotlib inline。3. 確保已安裝python-tk(Linux) 或相關圖形庫。6. 最佳實踐與工程建議一個能在實盤中穩(wěn)定盈利的策略遠比一個在歷史數(shù)據(jù)上曲線優(yōu)美的策略重要。以下是針對雙均線策略及量化開發(fā)的一些工程化建議1. 數(shù)據(jù)質量是基石本地化存儲永遠不要完全依賴實時網(wǎng)絡請求獲取歷史數(shù)據(jù)。定期將數(shù)據(jù)下載并保存到本地數(shù)據(jù)庫如SQLite或文件中CSV, Parquet。處理缺失值對于停牌等原因造成的缺失數(shù)據(jù)要有合理的填充或刪除邏輯。復權處理對于股票數(shù)據(jù)必須使用后復權價格進行計算以消除分紅、送股等事件對價格序列的影響。2. 策略邏輯需要健壯性增加過濾條件單純的雙均線交叉噪音太多?？梢栽黾于厔葸^濾器要求價格在200日均線之上才做多。波動率過濾器ATR過高時市場波動大不交易。時間過濾器避免在財報公布日附近交易。倉位管理不要總是全倉進出?？梢钥紤]固定比例倉位、凱利公式、或基于波動率的倉位調整。止損與止盈必須在策略中明確加入止損和止盈邏輯這是控制風險的關鍵。Backtrader提供了bt.StopOrder和bt.LimitOrder。3. 回測系統(tǒng)要貼近現(xiàn)實考慮交易成本傭金、印花稅、滑點Slippage會顯著侵蝕利潤。在回測中必須模擬。點對點回測Point-in-Time避免使用未來數(shù)據(jù)。確保在時間t做決策時只能用t及之前的信息。樣本外測試將歷史數(shù)據(jù)分為訓練集用于優(yōu)化參數(shù)和測試集用于驗證策略效果防止過擬合。4. 代碼組織與可復用性策略類模塊化將策略定義在獨立的.py文件中通過參數(shù)傳入不同的均線周期、標的等。配置文件將數(shù)據(jù)路徑、回測起止日期、策略參數(shù)、傭金率等寫入配置文件如config.yaml便于管理。日志系統(tǒng)使用Python的logging模塊替代print可以輸出到文件方便復盤和調試。版本控制使用Git管理你的策略代碼和參數(shù)設置記錄每一次修改和對應的回測結果。5. 風險管理永遠是第一位理解策略的最大回撤你能承受賬戶資金腰斬嗎如果不能這個策略就不適合你。分散投資不要將策略應用于單一標的。應構建投資組合分散非系統(tǒng)性風險。持續(xù)監(jiān)控實盤運行時需要有監(jiān)控系統(tǒng)來跟蹤策略表現(xiàn)、市場狀態(tài)并設置異常警報。雙均線交叉是一個很好的入門策略它教會我們趨勢跟蹤的基本思想。但它也赤裸裸地展示了簡單策略的缺陷在趨勢明顯的市場如單邊牛熊市可能表現(xiàn)良好但在震蕩市中會反復挨打產(chǎn)生大量無效交易和磨損。因此將其作為你量化工具箱中的一個基礎組件結合其他技術指標、基本面因子或市場狀態(tài)判斷進行升級才是通向穩(wěn)健盈利的正確路徑。建議下一步可以研究均線組合如三重均線、均線斜率、以及將均線信號與動量指標RSI, MACD結合的方法。