4.4 四大经典策略完整实现¶

前面学了指标，学了回测框架，这一节把它们组合起来—— 四个真实可运行的完整策略，每个都告诉你为什么这么做，而不只是怎么做。

本节结构¶

1. RSI 均值回归策略（超卖买入）
2. 布林带突破策略（价格突破通道）
3. 双均线 + RSI 组合策略（趋势 + 过滤）
4. 价格动量策略（买强卖弱）

1. 这节究竟解决什么实际问题？¶

4.4 四大经典策略完整实现 的具体任务是：在同一成本与基线下比较均线、均值回归和动量等经典规则。 本节将明确输入数据、计算过程、输出及其在后续研究中的用途。

2. 前置知识¶

理解收益率、仓位、交易成本与基本技术指标。 对公式的理解应包括变量定义、单位、时间索引和适用条件。

3. 数据说明¶

默认固定历史样本。历史数据只能说明过去在既定假设下发生了什么，不能承诺未来收益。 运行前先检查 shape、日期范围、列名与缺失值。数据看起来能画图，不代表它适合回答研究问题。

4. 学习目标与完成标准¶

完成本节后，你应能用自己的话解释 4.4 四大经典策略完整实现 的输入、计算步骤、输出和局限；尤其能说明：在同一成本与基线下比较均线、均值回归和动量等经典规则。 你还应能独立改动一个参数并解释结果为什么变化，指出至少一个会让结论失真的假设。

5. 核心概念与公式¶

回测按照明确的成交和成本假设重放历史数据。它不能完整复现未来流动性、订单竞争和系统故障。

策略收益 = 滞后仓位 × 资产收益 − 换手 × 成本；每一项都要有明确单位。 看到公式时依次确认：每个符号的单位是什么？它属于哪个时点？分母会不会为零？它是描述性统计量、预测量，还是交易规则？

6. 从零实现¶

原始代码按照“准备输入 → 计算中间量 → 得到结果 → 解释输出”的顺序组织。每个单元应检查变量类型、索引、维度和代表性数值。中间变量用于核对公式实现和定位计算错误。

7. 成熟库实现¶

回测框架替你管理订单和记录，不会自动判断数据、成本或策略假设是否合理。 使用库函数前先阅读参数含义、默认值和返回对象；库输出一个数字，并不说明这个数字适合你的交易假设。

8. 两种实现的差异¶

从零实现便于核对公式、调试和识别隐含假设；成熟库适合在计算逻辑已验证后复用。两种实现依赖相同的数据口径与时点假设，使用库函数不会改变输入数据的质量。

9. 预期结果与检查范围¶

你应看到维度正确的 Series/DataFrame、日期单调递增的索引，以及能支持“在同一成本与基线下比较均线、均值回归和动量等经典规则。”这一任务的表格或图形。金融日收益率均值通常接近 0；若出现极大的连续收益、空表、全 NaN 或索引错位，应先排查数据和对齐逻辑，而不是立即相信结果。

10. 常见错误与诊断¶

信号未滞后、把手续费只扣一次、忽略空仓收益、年化频率错配、将净值曲线当显著性证明。

诊断顺序：先打印类型与 shape，再看 head()/tail()，接着检查日期和 NaN，最后才比较数值。这样能避免在错误的对象上反复改参数。

11. 研究偏差检查¶

检查未来函数、幸存者偏差、重复测试集调参、成交可得性和失败区间；必须报告基线。 结果至少应与一个简单基线比较，并明确哪些部分只是教学演示。

12. 三层练习与答案¶

• 基础练习：验证一个中间变量、补全一段小计算，并用一句话解释输出。
• 研究练习：改变窗口、样本区间、约束或标的，记录哪些结论仍成立。
• 开放项目：把本节方法嵌入模块项目，报告基线、失败结果和限制。

题目在 ../exercises/04_backtesting/04_classic_strategies_exercises.ipynb；完整推导、可运行参考实现与结果检查在 ../solutions/04_backtesting/04_classic_strategies_solutions.ipynb。请先独立作答，再打开答案。

13. 延伸阅读¶

延伸材料：Advances in Financial Machine Learning（Lopez de Prado）。阅读记录应包括研究假设、数据频率、样本范围和结论适用条件。

14. 下一节¶

下一节是 05_beta_hedging。本节的概念会成为理解它的输入，而不是孤立的名词。

In [1]:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import yfinance as yf

plt.rcParams['figure.figsize'] = (13, 5)

# 下载数据（2018~2024，跨越牛熊）
data = yf.download('SPY', start='2018-01-01', end='2024-01-01', progress=False)
close = data['Close'].squeeze()
high  = data['High'].squeeze()
low   = data['Low'].squeeze()
ret   = close.pct_change()

# ── 公共工具函数 ──────────────────────────────────────────
def rsi(price, period=14):
    delta = price.diff()
    gain  = delta.clip(lower=0)
    loss  = -delta.clip(upper=0)
    avg_g = gain.ewm(com=period-1, min_periods=period).mean()
    avg_l = loss.ewm(com=period-1, min_periods=period).mean()
    return 100 - 100 / (1 + avg_g / avg_l)

def backtest(position_series, returns, commission=0.001, name='策略'):
    """统一的回测函数：持仓序列 × 日收益率，扣手续费，返回统计表"""
    pos   = position_series.shift(1).fillna(0)  # 信号延迟一天（避免 Look-ahead Bias）
    trade = pos.diff().abs().fillna(0)           # 发生交易的时刻
    strat_ret = pos * returns - trade * commission
    strat_ret = strat_ret.dropna()
    cum   = (1 + strat_ret).cumprod()
    mkt   = (1 + returns.dropna()).cumprod()
    n     = len(strat_ret)
    total = cum.iloc[-1] - 1
    ann_r = (1 + total) ** (252 / n) - 1
    ann_v = strat_ret.std() * 252**0.5
    sharpe = ann_r / ann_v if ann_v > 0 else 0
    roll_max = cum.cummax()
    mdd = ((cum - roll_max) / roll_max).min()
    n_trades = int((trade > 0).sum())
    stats = pd.Series({
        '年化收益': f'{ann_r:.2%}',
        '年化波动': f'{ann_v:.2%}',
        '夏普比率': f'{sharpe:.2f}',
        '最大回撤': f'{mdd:.2%}',
        '交易次数': n_trades
    }, name=name)
    return strat_ret, cum, mkt, stats

print('工具函数加载完成 ')

import numpy as np import pandas as pd import matplotlib.pyplot as plt import yfinance as yf plt.rcParams['figure.figsize'] = (13, 5) # 下载数据（2018~2024，跨越牛熊） data = yf.download('SPY', start='2018-01-01', end='2024-01-01', progress=False) close = data['Close'].squeeze() high = data['High'].squeeze() low = data['Low'].squeeze() ret = close.pct_change() # ── 公共工具函数 ────────────────────────────────────────── def rsi(price, period=14): delta = price.diff() gain = delta.clip(lower=0) loss = -delta.clip(upper=0) avg_g = gain.ewm(com=period-1, min_periods=period).mean() avg_l = loss.ewm(com=period-1, min_periods=period).mean() return 100 - 100 / (1 + avg_g / avg_l) def backtest(position_series, returns, commission=0.001, name='策略'): """统一的回测函数：持仓序列 × 日收益率，扣手续费，返回统计表""" pos = position_series.shift(1).fillna(0) # 信号延迟一天（避免 Look-ahead Bias） trade = pos.diff().abs().fillna(0) # 发生交易的时刻 strat_ret = pos * returns - trade * commission strat_ret = strat_ret.dropna() cum = (1 + strat_ret).cumprod() mkt = (1 + returns.dropna()).cumprod() n = len(strat_ret) total = cum.iloc[-1] - 1 ann_r = (1 + total) ** (252 / n) - 1 ann_v = strat_ret.std() * 252**0.5 sharpe = ann_r / ann_v if ann_v > 0 else 0 roll_max = cum.cummax() mdd = ((cum - roll_max) / roll_max).min() n_trades = int((trade > 0).sum()) stats = pd.Series({ '年化收益': f'{ann_r:.2%}', '年化波动': f'{ann_v:.2%}', '夏普比率': f'{sharpe:.2f}', '最大回撤': f'{mdd:.2%}', '交易次数': n_trades }, name=name) return strat_ret, cum, mkt, stats print('工具函数加载完成 ')

工具函数加载完成 

In [ ]:

# 默认使用固定样本，保证课程与 CI 不依赖实时接口。
USE_OFFLINE_DATA = True
if USE_OFFLINE_DATA:
    from pathlib import Path
    import sys
    docs_root = next(parent for parent in [Path.cwd(), *Path.cwd().parents]
                     if (parent / 'utils' / 'offline_data.py').exists())
    sys.path.insert(0, str(docs_root))
    from utils.offline_data import configure_yfinance_offline
    configure_yfinance_offline(yf)
else:
    print('在线下载为扩展步骤；请核对数据字段、时区和下载日期。')

# 默认使用固定样本，保证课程与 CI 不依赖实时接口。 USE_OFFLINE_DATA = True if USE_OFFLINE_DATA: from pathlib import Path import sys docs_root = next(parent for parent in [Path.cwd(), *Path.cwd().parents] if (parent / 'utils' / 'offline_data.py').exists()) sys.path.insert(0, str(docs_root)) from utils.offline_data import configure_yfinance_offline configure_yfinance_offline(yf) else: print('在线下载为扩展步骤；请核对数据字段、时区和下载日期。')

In [2]:

import matplotlib.pyplot as plt

# 1. 设置系统自带的中文字体（这里使用黑体 SimHei）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 如果你想用微软雅黑，可以改成 ['Microsoft YaHei']

# 2. 解决更换字体后，负号（-）显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

import matplotlib.pyplot as plt # 1. 设置系统自带的中文字体（这里使用黑体 SimHei） plt.rcParams['font.sans-serif'] = ['SimHei'] # 如果你想用微软雅黑，可以改成 ['Microsoft YaHei'] # 2. 解决更换字体后，负号（-）显示为方块的问题 plt.rcParams['axes.unicode_minus'] = False

---

策略一：RSI 均值回归¶

策略逻辑¶

这是最经典的「超卖买入，超买卖出」策略，背后是均值回归的逻辑：

当 RSI 跌到 30 以下，意味着最近 14 天下跌的力气远远大于上涨的力气——
市场可能过度恐慌了，橡皮筋拉得太长，弹回来的概率增加。

反之，RSI 超过 70 时，市场可能过于贪婪，价格可能回落。

规则¶

• 买入：RSI < 30（超卖，下一日开盘买入）
• 平仓：RSI > 70（超买，下一日开盘卖出）
• 中间区域：持仓不变

适合的市场¶

震荡行情效果最佳，单边强趋势市会失效（「越跌越买」可能越套越深）

In [3]:

RSI_LOW  = 30   # 超卖线：低于此值买入
RSI_HIGH = 70   # 超买线：高于此值卖出

rsi_val = rsi(close)

# 生成持仓序列：1=多头，0=空仓
position = pd.Series(np.nan, index=close.index)
# 信号触发时更新持仓
position[rsi_val < RSI_LOW]  = 1.0  # 超卖 → 买入
position[rsi_val > RSI_HIGH] = 0.0  # 超买 → 平仓
position = position.ffill().fillna(0)  # 中间不变（前向填充）

strat_ret1, cum1, mkt, stats1 = backtest(position, ret, name='RSI均值回归')
mkt_stats = backtest(pd.Series(1.0, index=close.index), ret, name='买入持有')

fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(13, 10), sharex=True,
                                     gridspec_kw={'height_ratios': [2, 1, 2]})

ax1.plot(close.index, close.values, linewidth=1.2, color='steelblue', label='SPY 价格')
buy_points = close[position.shift(1).fillna(0).diff().fillna(0) > 0]
sell_points = close[position.shift(1).fillna(0).diff().fillna(0) < 0]
ax1.scatter(buy_points.index, buy_points.values, marker='^', color='green', s=80, zorder=5, label='买入')
ax1.scatter(sell_points.index, sell_points.values, marker='v', color='red', s=80, zorder=5, label='卖出')
ax1.set_title('策略一：RSI 均值回归', fontsize=12)
ax1.legend(ncol=3)
ax1.grid(alpha=0.3)

ax2.plot(rsi_val.index, rsi_val.values, color='purple', linewidth=1)
ax2.axhline(RSI_LOW, color='green', linestyle='--', alpha=0.7, label=f'超卖({RSI_LOW})')
ax2.axhline(RSI_HIGH, color='red', linestyle='--', alpha=0.7, label=f'超买({RSI_HIGH})')
ax2.fill_between(rsi_val.index, RSI_LOW, rsi_val, where=(rsi_val < RSI_LOW), alpha=0.3, color='green')
ax2.fill_between(rsi_val.index, RSI_HIGH, rsi_val, where=(rsi_val > RSI_HIGH), alpha=0.3, color='red')
ax2.set_ylim(0, 100)
ax2.set_title('RSI 信号', fontsize=10)
ax2.legend()
ax2.grid(alpha=0.3)

ax3.plot(cum1.index, cum1.values, label='RSI均值回归', linewidth=1.5, color='blue')
ax3.plot(mkt.index, mkt.values, label='买入持有', linewidth=1.5, color='orange', linestyle='--')
ax3.set_title('累积收益对比', fontsize=10)
ax3.legend()
ax3.grid(alpha=0.3)

plt.tight_layout()
plt.show()
print(stats1.to_string())

RSI_LOW = 30 # 超卖线：低于此值买入 RSI_HIGH = 70 # 超买线：高于此值卖出 rsi_val = rsi(close) # 生成持仓序列：1=多头，0=空仓 position = pd.Series(np.nan, index=close.index) # 信号触发时更新持仓 position[rsi_val < RSI_LOW] = 1.0 # 超卖 → 买入 position[rsi_val > RSI_HIGH] = 0.0 # 超买 → 平仓 position = position.ffill().fillna(0) # 中间不变（前向填充） strat_ret1, cum1, mkt, stats1 = backtest(position, ret, name='RSI均值回归') mkt_stats = backtest(pd.Series(1.0, index=close.index), ret, name='买入持有') fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(13, 10), sharex=True, gridspec_kw={'height_ratios': [2, 1, 2]}) ax1.plot(close.index, close.values, linewidth=1.2, color='steelblue', label='SPY 价格') buy_points = close[position.shift(1).fillna(0).diff().fillna(0) > 0] sell_points = close[position.shift(1).fillna(0).diff().fillna(0) < 0] ax1.scatter(buy_points.index, buy_points.values, marker='^', color='green', s=80, zorder=5, label='买入') ax1.scatter(sell_points.index, sell_points.values, marker='v', color='red', s=80, zorder=5, label='卖出') ax1.set_title('策略一：RSI 均值回归', fontsize=12) ax1.legend(ncol=3) ax1.grid(alpha=0.3) ax2.plot(rsi_val.index, rsi_val.values, color='purple', linewidth=1) ax2.axhline(RSI_LOW, color='green', linestyle='--', alpha=0.7, label=f'超卖({RSI_LOW})') ax2.axhline(RSI_HIGH, color='red', linestyle='--', alpha=0.7, label=f'超买({RSI_HIGH})') ax2.fill_between(rsi_val.index, RSI_LOW, rsi_val, where=(rsi_val < RSI_LOW), alpha=0.3, color='green') ax2.fill_between(rsi_val.index, RSI_HIGH, rsi_val, where=(rsi_val > RSI_HIGH), alpha=0.3, color='red') ax2.set_ylim(0, 100) ax2.set_title('RSI 信号', fontsize=10) ax2.legend() ax2.grid(alpha=0.3) ax3.plot(cum1.index, cum1.values, label='RSI均值回归', linewidth=1.5, color='blue') ax3.plot(mkt.index, mkt.values, label='买入持有', linewidth=1.5, color='orange', linestyle='--') ax3.set_title('累积收益对比', fontsize=10) ax3.legend() ax3.grid(alpha=0.3) plt.tight_layout() plt.show() print(stats1.to_string())

年化收益      7.20%
年化波动     17.54%
夏普比率       0.41
最大回撤    -28.41%
交易次数         14

** 反思：** RSI 均值回归策略在震荡市效果好，但在 2020年3月（新冠暴跌）或 2022年（美联储加息导致的单边下跌）时，「超卖了继续买」会越套越深。
这提醒我们：任何单一策略都有「死穴」，你需要知道它在什么市场会失效。

---

策略二：布林带突破¶

策略逻辑¶

和策略一完全相反的哲学——不是「偏离了会回来」，而是「突破了会继续走」。

布林带代表的是价格的「正常波动范围」。
价格突破上轨表示当前价格高于过去窗口的均值加若干倍标准差。它可能对应趋势延续，也可能是短期异常，必须通过明确规则和样本外数据检验。

这两种哲学哪个对？ 都有道理，取决于市场状态：

• 趋势市里：突破策略赚钱，均值回归亏钱
• 震荡市里：均值回归赚钱，突破策略被反复打假信号

规则¶

• 买入：收盘价突破布林带上轨（趋势向上突破「正常范围」）
• 平仓：收盘价跌破中轨（趋势减弱，回到均值附近）

In [4]:

BB_WINDOW = 20
BB_STD    = 2.0

mid   = close.rolling(BB_WINDOW).mean()
std   = close.rolling(BB_WINDOW).std()
upper = mid + BB_STD * std
lower = mid - BB_STD * std

# 持仓逻辑
position2 = pd.Series(np.nan, index=close.index)
position2[close > upper] = 1.0   # 突破上轨 → 买入（趋势延续）
position2[close < mid]   = 0.0   # 跌破中轨 → 平仓（趋势减弱）
position2 = position2.ffill().fillna(0)

strat_ret2, cum2, _, stats2 = backtest(position2, ret, name='布林带突破')

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(13, 9), sharex=True)

ax1.plot(close.index, close.values, linewidth=1.2, label='SPY 价格', color='steelblue')
ax1.plot(mid.index, mid.values, linewidth=1, color='orange', label='中轨 SMA20')
ax1.plot(upper.index, upper.values, linewidth=1, color='gray', linestyle='--', label=f'上轨 (+{BB_STD}σ)')
ax1.plot(lower.index, lower.values, linewidth=1, color='gray', linestyle='--', label=f'下轨 (-{BB_STD}σ)')
ax1.fill_between(close.index, upper, lower, alpha=0.07, color='gray')
buy2  = close[position2.shift(1).fillna(0).diff().fillna(0) > 0]
sell2 = close[position2.shift(1).fillna(0).diff().fillna(0) < 0]
ax1.scatter(buy2.index, buy2.values, marker='^', color='green', s=80, zorder=5, label='买入（突破上轨）')
ax1.scatter(sell2.index, sell2.values, marker='v', color='red', s=80, zorder=5, label='卖出（跌破中轨）')
ax1.set_title('策略二：布林带突破', fontsize=12)
ax1.legend(ncol=3, fontsize=9)
ax1.grid(alpha=0.3)

ax2.plot(cum2.index, cum2.values, label='布林带突破', linewidth=1.5, color='blue')
ax2.plot(mkt.index, mkt.values, label='买入持有', linewidth=1.5, color='orange', linestyle='--')
ax2.set_title('累积收益对比', fontsize=10)
ax2.legend()
ax2.grid(alpha=0.3)

plt.tight_layout()
plt.show()
print(stats2.to_string())

BB_WINDOW = 20 BB_STD = 2.0 mid = close.rolling(BB_WINDOW).mean() std = close.rolling(BB_WINDOW).std() upper = mid + BB_STD * std lower = mid - BB_STD * std # 持仓逻辑 position2 = pd.Series(np.nan, index=close.index) position2[close > upper] = 1.0 # 突破上轨 → 买入（趋势延续） position2[close < mid] = 0.0 # 跌破中轨 → 平仓（趋势减弱） position2 = position2.ffill().fillna(0) strat_ret2, cum2, _, stats2 = backtest(position2, ret, name='布林带突破') fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(13, 9), sharex=True) ax1.plot(close.index, close.values, linewidth=1.2, label='SPY 价格', color='steelblue') ax1.plot(mid.index, mid.values, linewidth=1, color='orange', label='中轨 SMA20') ax1.plot(upper.index, upper.values, linewidth=1, color='gray', linestyle='--', label=f'上轨 (+{BB_STD}σ)') ax1.plot(lower.index, lower.values, linewidth=1, color='gray', linestyle='--', label=f'下轨 (-{BB_STD}σ)') ax1.fill_between(close.index, upper, lower, alpha=0.07, color='gray') buy2 = close[position2.shift(1).fillna(0).diff().fillna(0) > 0] sell2 = close[position2.shift(1).fillna(0).diff().fillna(0) < 0] ax1.scatter(buy2.index, buy2.values, marker='^', color='green', s=80, zorder=5, label='买入（突破上轨）') ax1.scatter(sell2.index, sell2.values, marker='v', color='red', s=80, zorder=5, label='卖出（跌破中轨）') ax1.set_title('策略二：布林带突破', fontsize=12) ax1.legend(ncol=3, fontsize=9) ax1.grid(alpha=0.3) ax2.plot(cum2.index, cum2.values, label='布林带突破', linewidth=1.5, color='blue') ax2.plot(mkt.index, mkt.values, label='买入持有', linewidth=1.5, color='orange', linestyle='--') ax2.set_title('累积收益对比', fontsize=10) ax2.legend() ax2.grid(alpha=0.3) plt.tight_layout() plt.show() print(stats2.to_string())

年化收益      0.20%
年化波动      6.85%
夏普比率       0.03
最大回撤    -12.75%
交易次数         49

---

策略三：双均线趋势 + RSI 过滤（组合策略）¶

策略逻辑¶

策略一（RSI 均值回归）和趋势跟随有时会打架。

一个经典的改进方法：把两个指标组合，用一个给另一个「过滤」假信号。

思路：

1. 主信号（趋势）：SMA20 > SMA60 → 趋势向上，可以做多
2. 过滤条件（不过热）：RSI < 70 → 现在没有超买，不追高点买入

白话翻译：

「趋势是向上的（均线金叉），
而且价格没有严重超买（RSI 合理），
现在是一个相对好的入场时机。」

这样做的好处：

• 避免在趋势刚转好但价格已经透支的时候追高买入
• 减少假突破带来的亏损

这就是策略组合的核心思想：多个信号互相确认，比单个信号更可靠。

In [5]:

FAST_MA = 20
SLOW_MA = 60
RSI_BUY_MAX = 70   # RSI 低于这个值才允许买入（不追高）

sma_fast = close.rolling(FAST_MA).mean()
sma_slow = close.rolling(SLOW_MA).mean()
rsi_val3  = rsi(close)

# 主条件：均线多头排列（快线 > 慢线）
trend_up = sma_fast > sma_slow
# 过滤条件：RSI 没有超买
not_overbought = rsi_val3 < RSI_BUY_MAX

# 两个条件同时满足才持仓
position3 = (trend_up & not_overbought).astype(float)

strat_ret3, cum3, _, stats3 = backtest(position3, ret, name='双均线+RSI过滤')

# 对比只用均线不过滤的版本
pos_no_filter = trend_up.astype(float)
_, cum_nf, _, stats_nf = backtest(pos_no_filter, ret, name='纯双均线（无过滤）')

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(13, 9), sharex=True)

ax1.plot(close.index, close.values, linewidth=1, label='SPY', alpha=0.6, color='steelblue')
ax1.plot(sma_fast.index, sma_fast.values, linewidth=1.5, label=f'SMA{FAST_MA}（快）', color='orange')
ax1.plot(sma_slow.index, sma_slow.values, linewidth=1.5, label=f'SMA{SLOW_MA}（慢）', color='red')
# 高亮持仓区间
in_pos = position3.shift(1).fillna(0).astype(bool)
ax1.fill_between(close.index, close.min() * 0.95, close.max() * 1.05,
                  where=in_pos, alpha=0.1, color='green', label='持仓区间')
ax1.set_title(f'策略三：双均线({FAST_MA}/{SLOW_MA}) + RSI < {RSI_BUY_MAX} 过滤', fontsize=12)
ax1.legend(ncol=4, fontsize=9)
ax1.grid(alpha=0.3)

ax2.plot(cum3.index, cum3.values, label='双均线+RSI过滤', linewidth=1.8, color='blue')
ax2.plot(cum_nf.index, cum_nf.values, label='纯双均线（无过滤）', linewidth=1.5, color='purple', linestyle=':')
ax2.plot(mkt.index, mkt.values, label='买入持有', linewidth=1.5, color='orange', linestyle='--')
ax2.set_title('累积收益对比 — RSI 过滤是否有帮助？', fontsize=10)
ax2.legend()
ax2.grid(alpha=0.3)

plt.tight_layout()
plt.show()

pd.DataFrame([stats3, stats_nf]).T

FAST_MA = 20 SLOW_MA = 60 RSI_BUY_MAX = 70 # RSI 低于这个值才允许买入（不追高） sma_fast = close.rolling(FAST_MA).mean() sma_slow = close.rolling(SLOW_MA).mean() rsi_val3 = rsi(close) # 主条件：均线多头排列（快线 > 慢线） trend_up = sma_fast > sma_slow # 过滤条件：RSI 没有超买 not_overbought = rsi_val3 < RSI_BUY_MAX # 两个条件同时满足才持仓 position3 = (trend_up & not_overbought).astype(float) strat_ret3, cum3, _, stats3 = backtest(position3, ret, name='双均线+RSI过滤') # 对比只用均线不过滤的版本 pos_no_filter = trend_up.astype(float) _, cum_nf, _, stats_nf = backtest(pos_no_filter, ret, name='纯双均线（无过滤）') fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(13, 9), sharex=True) ax1.plot(close.index, close.values, linewidth=1, label='SPY', alpha=0.6, color='steelblue') ax1.plot(sma_fast.index, sma_fast.values, linewidth=1.5, label=f'SMA{FAST_MA}（快）', color='orange') ax1.plot(sma_slow.index, sma_slow.values, linewidth=1.5, label=f'SMA{SLOW_MA}（慢）', color='red') # 高亮持仓区间 in_pos = position3.shift(1).fillna(0).astype(bool) ax1.fill_between(close.index, close.min() * 0.95, close.max() * 1.05, where=in_pos, alpha=0.1, color='green', label='持仓区间') ax1.set_title(f'策略三：双均线({FAST_MA}/{SLOW_MA}) + RSI < {RSI_BUY_MAX} 过滤', fontsize=12) ax1.legend(ncol=4, fontsize=9) ax1.grid(alpha=0.3) ax2.plot(cum3.index, cum3.values, label='双均线+RSI过滤', linewidth=1.8, color='blue') ax2.plot(cum_nf.index, cum_nf.values, label='纯双均线（无过滤）', linewidth=1.5, color='purple', linestyle=':') ax2.plot(mkt.index, mkt.values, label='买入持有', linewidth=1.5, color='orange', linestyle='--') ax2.set_title('累积收益对比 — RSI 过滤是否有帮助？', fontsize=10) ax2.legend() ax2.grid(alpha=0.3) plt.tight_layout() plt.show() pd.DataFrame([stats3, stats_nf]).T

Out[5]:

	双均线+RSI过滤	纯双均线（无过滤）
年化收益	5.22%	6.23%
年化波动	12.28%	12.58%
夏普比率	0.43	0.50
最大回撤	-27.57%	-27.11%
交易次数	98	25

---

策略四：价格动量策略（买强卖弱）¶

策略逻辑¶

这个策略的假设有学术研究支撑——动量效应（Momentum Effect）：

过去 3~12 个月涨幅最高的资产，未来 1~3 个月往往继续跑赢市场。

直觉解释：

• 好消息（比如一家公司的新产品大卖）不会在一天内被市场完全消化
• 机构投资者的加仓需要时间，资金流入有惯性
• 媒体报道和散户的「追涨」行为会进一步推动价格

对于单一资产（如 SPY），动量策略可以这样实现：

• 用过去 N 日收益率作为信号
• 信号为正 → 持有（当前处于上升动量中）
• 信号为负 → 空仓（动量转负，回避下跌）

这其实是一种「趋势过滤」：只在大趋势向上时持有，趋势向下时空仓，类似于简单的「牛市持股，熊市现金」策略。

三个不同动量周期的对比¶

动量有长有短，这里我们比较 20 日、60 日、120 日三种周期的效果：

In [6]:

results_mom = {}

for lookback in [20, 60, 120]:
    # 动量信号：今天的价格 vs N天前的价格
    momentum = close.pct_change(lookback)
    # 持仓：动量为正（最近N天在涨）则持有，否则空仓
    pos = (momentum > 0).astype(float)
    _, cum_m, _, stats_m = backtest(pos, ret, name=f'{lookback}日动量')
    results_mom[f'{lookback}日'] = (cum_m, stats_m)

fig, ax = plt.subplots(figsize=(13, 6))
colors = ['blue', 'green', 'purple']

for (label, (cum_m, _)), color in zip(results_mom.items(), colors):
    ax.plot(cum_m.index, cum_m.values, label=f'动量策略（{label}）', linewidth=1.5, color=color)

ax.plot(mkt.index, mkt.values, label='买入持有', linewidth=2, color='orange', linestyle='--')
ax.set_title('价格动量策略：不同回溯期对比（买入并持有动量为正的时段）', fontsize=12)
ax.legend()
ax.grid(alpha=0.3)
plt.tight_layout()
plt.show()

# 汇总统计
stats_list = [stats for (_, stats) in results_mom.values()]
stats_list.append(mkt_stats[3])
pd.DataFrame(stats_list).T

results_mom = {} for lookback in [20, 60, 120]: # 动量信号：今天的价格 vs N天前的价格 momentum = close.pct_change(lookback) # 持仓：动量为正（最近N天在涨）则持有，否则空仓 pos = (momentum > 0).astype(float) _, cum_m, _, stats_m = backtest(pos, ret, name=f'{lookback}日动量') results_mom[f'{lookback}日'] = (cum_m, stats_m) fig, ax = plt.subplots(figsize=(13, 6)) colors = ['blue', 'green', 'purple'] for (label, (cum_m, _)), color in zip(results_mom.items(), colors): ax.plot(cum_m.index, cum_m.values, label=f'动量策略（{label}）', linewidth=1.5, color=color) ax.plot(mkt.index, mkt.values, label='买入持有', linewidth=2, color='orange', linestyle='--') ax.set_title('价格动量策略：不同回溯期对比（买入并持有动量为正的时段）', fontsize=12) ax.legend() ax.grid(alpha=0.3) plt.tight_layout() plt.show() # 汇总统计 stats_list = [stats for (_, stats) in results_mom.values()] stats_list.append(mkt_stats[3]) pd.DataFrame(stats_list).T

Out[6]:

	20日动量	60日动量	120日动量	买入持有
年化收益	6.99%	6.54%	2.69%	11.84%
年化波动	11.73%	11.75%	12.09%	20.39%
夏普比率	0.60	0.56	0.22	0.58
最大回撤	-15.07%	-21.62%	-26.62%	-33.72%
交易次数	115	69	51	1

---

四大策略横向对比¶

最后，把四个策略放在同一张图里看：

In [7]:

fig, ax = plt.subplots(figsize=(13, 7))

ax.plot(cum1.index, cum1.values, label='①RSI均值回归', linewidth=1.5, color='blue')
ax.plot(cum2.index, cum2.values, label='②布林带突破', linewidth=1.5, color='green')
ax.plot(cum3.index, cum3.values, label='③双均线+RSI过滤', linewidth=1.5, color='purple')
ax.plot(results_mom['60日'][0].index, results_mom['60日'][0].values,
         label='④价格动量(60日)', linewidth=1.5, color='brown')
ax.plot(mkt.index, mkt.values, label='买入持有（基准）', linewidth=2,
         color='orange', linestyle='--', alpha=0.8)

ax.set_title('四大经典策略对比（SPY 2018-2024）', fontsize=13)
ax.legend()
ax.grid(alpha=0.3)
plt.tight_layout()
plt.show()

pd.DataFrame([stats1, stats2, stats3, results_mom['60日'][1], mkt_stats[3]]).T

fig, ax = plt.subplots(figsize=(13, 7)) ax.plot(cum1.index, cum1.values, label='①RSI均值回归', linewidth=1.5, color='blue') ax.plot(cum2.index, cum2.values, label='②布林带突破', linewidth=1.5, color='green') ax.plot(cum3.index, cum3.values, label='③双均线+RSI过滤', linewidth=1.5, color='purple') ax.plot(results_mom['60日'][0].index, results_mom['60日'][0].values, label='④价格动量(60日)', linewidth=1.5, color='brown') ax.plot(mkt.index, mkt.values, label='买入持有（基准）', linewidth=2, color='orange', linestyle='--', alpha=0.8) ax.set_title('四大经典策略对比（SPY 2018-2024）', fontsize=13) ax.legend() ax.grid(alpha=0.3) plt.tight_layout() plt.show() pd.DataFrame([stats1, stats2, stats3, results_mom['60日'][1], mkt_stats[3]]).T

Out[7]:

	RSI均值回归	布林带突破	双均线+RSI过滤	60日动量	买入持有
年化收益	7.20%	0.20%	5.22%	6.54%	11.84%
年化波动	17.54%	6.85%	12.28%	11.75%	20.39%
夏普比率	0.41	0.03	0.43	0.56	0.58
最大回撤	-28.41%	-12.75%	-27.57%	-21.62%	-33.72%
交易次数	14	49	98	69	1

关键结论 & 思考题¶

关键结论¶

1. 策略表现会随市场状态变化；若某策略在所有区间都显著优于基线，应检查过拟合、未来函数和样本选择

2. 策略和市场状态匹配很重要：

   • 2018~2019（震荡）→ 均值回归类表现更好
   • 2020~2021（单边牛市）→ 趋势跟随类表现更好
   • 2022（熊市）→ 动量策略（空仓避开）比买入持有有优势

3. 组合策略通常优于单一策略：策略③（组合）的夏普比率通常高于策略①或单用均线，因为过滤减少了假信号

思考题¶

1. 改变市场：把 SPY 换成 BTC（比特币，代码 'BTC-USD'）重新运行，哪种策略在加密市场效果更好？为什么？

2. 组合策略：能否设计一个「自适应」策略——在震荡市自动切换到均值回归，趋势市自动切换到趋势跟随？（提示：可以用 ADX 指标检测趋势强度）

3. 风险控制：以上策略都没有止损。如果加入「单笔最大亏损 2%」的止损规则，结果会如何变化？

---

下一节 → ../05_portfolio/（如何把多个资产/策略组合成一个投资组合）

练习¶

1. 尝试调整双均线策略的窗口参数（如 5/20, 15/45, 30/90），用夏普比率找出历史最优参数组合。
2. 为均值回归策略增加止损线（如当亏损超过 5% 时平仓），观察它如何影响最大回撤。
3. 在 2020 年新冠崩盘后的反弹行情中，哪种策略最先恢复？为什么？

---

下一节 → 06_pairs_trading_strategy.ipynb

In [ ]: