你的第一个策略：均线交叉

均线交叉是量化策略里的 'hello world'。我们从零开始搭一个，跑回测，然后看清楚它到底是怎么坏掉的。

第 4 篇 · 共 8 篇约 5 分钟

只要翻过交易类的书，你肯定见过这玩意儿。它为什么不算太好用，以及该怎么用，我们一次说清楚。

均线交叉是量化交易的”hello world”。每个散户量化都写过一遍。机构量化大多对它有自己的私下看法，而且通常不太好听。我们来搭一遍、诚实地跑一遍，然后看它吐出一个平庸但有教学意义的结果——这种结果比”完美”的回测更值。

一句话讲完这个策略

短期均线上穿长期均线，就做多。下穿就清仓。

就这么点事。两个参数：短窗口和长窗口。其他都是衍生品。

short_ma = prices.rolling(10).mean()
long_ma = prices.rolling(50).mean()
signal = (short_ma > long_ma).astype(int)

提示词

用 pandas 写均线交叉信号:算 10 日和 50 日均线,短期大于长期时持仓,转成 0/1 信号。

直觉就是：最近的价格站在长期均线上方，趋势向上，那就跟着走；最近价格掉到下方，趋势向下，那就撤。

为什么大家喜欢它

三个理由，都站得住脚：

简单。 两个数。谁都能听懂。要是 30 秒之内你跟一个交易员讲不明白，那这个策略多半也太复杂了，不值得信。
参数化。 窗口可以调。10/50、20/100、5/20——每种组合都是一个”策略”，都可以拿来回测。
有故事。 “动量切换了就跟着趋势走”，人类大脑天然吃这一套。对业绩帮助不大，但在策略亏钱的时候能不能拿得住，全靠它。

故事本身也是陷阱。叙事听着合理，所以我们会原谅策略表现差。

为什么它不太好用

四个原因，每个都独立：

震荡市里来回打脸。 价格在长期均线附近上下晃、不出趋势的时候，短期均线会反复金叉死叉。每次交叉都是一交易，每次交易都是成本。底牌震荡的市里你照样能亏钱，即使指数没怎么动。2015-2016 年的 SPY 就是均线策略的来回打脸节。

入场永远慢一拍。 等到短期均线上穿长期均线那一刻，趋势其实已经走出来了。你是追着前 5%-10% 那段买的。触发你的那个信号，按定义就是滞后的。均值回归策略反过来——入场早，但错的次数多。

无视波动率和风险。 50 日均线交叉把日波动 0.5% 和日波动 5% 当一回事儿。它不知道自己是处在安静期还是危机里。两个时段仓位一样大，差不多是最糟糕的政策。

参数敏感。 坑就埋在这儿。用 MA(10, 50) 跑出来一个夏普，换 MA(20, 100) 跑出来另一个，再换 MA(5, 30) 又是第三个。你挑回测里表现最好的那一组，其实就是过拟合了。你挑的是最能描述历史数据的那组参数，不是在样本外最有可能 work 的那组。

把回测搭起来

咱们老老实实做。SPY 2000 到 2024，30/100 均线交叉（合理的起点，不是我们挑出来的最优参数），双边 5 个 bp 的交易成本（单边 2.5 个 bp，进出各收一次）。

import numpy as np
import pandas as pd
import yfinance as yf

prices = yf.download("SPY", start="2000-01-01", end="2024-01-01",
                    auto_adjust=True)["Close"].squeeze()

short_ma = prices.rolling(30).mean()
long_ma = prices.rolling(100).mean()
signal = (short_ma > long_ma).shift(1).astype(int)  # 下一根 K 线成交

cost_bps = 2.5  # 单边 2.5 个 bp；双边 = 5 个 bp
turnover = signal.diff().abs().fillna(0)
returns = prices.pct_change() * signal - turnover * cost_bps / 10000

equity = (1 + returns).cumprod()
years = len(returns.dropna()) / 252
total_return = (equity.iloc[-1] - 1) * 100
cagr = ((equity.iloc[-1]) ** (1 / years) - 1) * 100
sharpe = (returns.mean() / returns.std()) * np.sqrt(252)
max_dd = ((equity / equity.cummax()) - 1).min() * 100

print(f"年化收益:       {cagr:.2f}%")
print(f"夏普:           {sharpe:.2f}")
print(f"最大回撤:       {max_dd:.1f}%")

# 在 SPY 2000-2024 真实数据上大概的输出：
# 年化收益:       6.8%
# 夏普:           0.52
# 最大回撤:       -24.3%

提示词

用 yfinance 拿 SPY 数据,跑一个 30/100 均线交叉回测:扣交易成本,算 CAGR、Sharpe、最大回撤。

年化 6.8%，夏普 0.52。这就是老实算出来的数。交易书里宣传版本通常是年化 10% 左右、夏普 1.0 以上。差别就在交易成本、滑点，外加——通常——挑过参数。

策略实际在哪里赚、在哪里亏

把夏普汇总起来看是有欺骗性的。按行情阶段拆开看才老实：

returns.index = returns.index.tz_localize(None) if hasattr(
    returns.index, 'tz') else returns.index
returns_by_period = returns.groupby(
    returns.index.year // 10 * 10
).agg(["mean", "std"]) * 252

print(returns_by_period)
# 年代        年化收益      年化波动
# 2000s     -2.1%           18.4%
# 2010s     11.3%           14.2%
# 2020s      8.7%           19.1%

提示词

用 pandas 按年代分组算均线策略的年化收益和波动,看不同行情阶段的表现。

2000 年代是灾难——两轮熊市、震荡复苏、到处打脸。2010 年代是牛市天堂——趋势基本一直向上，均线交叉就跟着吃。2020 年代很分裂——2020 暴跌、2021 狂欢、2022 熊市、2023 复苏。

教训就是：策略本身没坏，行情决定一切。 在持续的趋势行情里赚钱的趋势策略，碰上震荡市就死掉。2009 年部署，扛到 2015 年，你会觉得自己是天才。2000 年部署，2002 年你就放弃了。

“第一个策略看起来太漂亮，先怀疑数据”是什么意思

你跑这个回测跑出夏普 1.0+，第一件事就是查数据。然后查有没有用到未来。然后查成本假设。然后查是不是不小心用了未来的数据。然后查信号 shift 的位置对不对。然后查基准——如果你是跟 SPY 持有不动比，那你也得在 SPY 持有不动上加同样的成本。

一个”平庸”的回测才是一个正确回测的正常结果。要是比这更好，那八成有 bug。

怎么让它不那么糟（但不引入过拟合）

三个调整，每个对应一个已知的弱点：

1. 波动率倒数加仓。 仓位和近期实现波动率成反比。波动率高的时候少拿，波动率低的时候多拿。标准做法是用 Average True Range（ATR）：

atr = (prices - prices.shift(1)).abs().rolling(14).mean()
target_vol = 0.10  # 目标年化波动率 10%
position_size = target_vol / (atr / prices * np.sqrt(252))
position_size = position_size.clip(upper=1.0)  # 不加杠杆
returns_vol = returns * position_size

提示词

用 pandas 写波动率倒数加仓:用 ATR 估算近期波动,目标年化 10% 时算仓位比例,限制不超过 1。

这不会让一个本来不赚钱的策略赚出钱来。它能在波动剧烈的时候把回撤压一压。

2. 波动率过滤器。 实现波动率在长期中位数以下的时候，信号更可靠。波动率爆表的时候，信号基本就是噪声。波动太高就别交易。

3. 更长的窗口来确认趋势。 30/100 交叉来回打脸。50/200 (“golden cross”) 打脸少，但信号更滞后。按你预期要交易的行情阶段来选——没有放之四海而皆准的答案。

这些调整没一个能把策略变成赢家。它们只是把收益分布做得更老实。这才是真正要达成的目标。

收尾

均线交叉不是一个真要你去交易的策略。它是个校准练习。你搭它是为了搞懂回测怎么跑、bug 藏哪儿、交易成本对脆信号干了什么、行情依赖是怎么毁掉汇总指标的。

要是你的第一个策略看起来很美，先怀疑数据。要是看起来很平庸，那说明你做对了。

下一步是把回测撒谎的方式系统地搞明白。这是下一篇文章的主题——也是大部分散户量化浪费好几年的地方。

参考资料

Brock, William, Josef Lakonishok, and Blake LeBaron. “Simple Technical Trading Rules and the Stochastic Properties of Stock Returns.” Journal of Finance 47, no. 5 (1992): 1731-1764.
Aronson, David. Evidence-Based Technical Analysis: Applying the Scientific Method and Statistical Inference to Trading Signals. Wiley, 2006. Chapters 7-9. ISBN 978-0470008744.
Chan, Ernest. Quantitative Trading: How to Build Your Own Algorithmic Trading Business. Wiley, 2008. Chapter 4. ISBN 978-0470284889.