认识一个量化策略（2）

认识一个量化交易策略（2）

小象实战讲义 · 初阶量化交易：策略编写及系统搭建 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

在量化投资的世界中，构建一个策略究竟需要经历哪些标准步骤？为什么在数学模型上看起来天衣无缝的博弈策略，在真实金融市场中却往往难以直接照搬？

承接上一讲对博弈论策略的探讨，本讲将深入剖析真实市场群体博弈的动态本质，并以量化交易中最经典的原型——**双均线策略（MA5 / MA10）**为例，完整走通从参数初始化、数据准备、信号检测到回测归因诊断的全生命周期，揭示策略从”逻辑构想”到”实战检验”的真实演进规律。

💡 核心导读

• 群体博弈的现实本质：
  • 任何资金都不可能长期绝对控盘或操纵全市场大盘；
  • 真实金融市场充满假象、博弈与反制，不存在固定正期望的静态套利游戏；
  • 量化策略没有绝对的”对与错”，只有与自身风险偏好和资金规模相匹配的”合适与不合适”。
• 量化策略的标准生命周期：
  • 参数与标的初始化：设定基准（Benchmark 如沪深 300）、交易标的、摩擦成本（印花税与佣金）；
  • 行情数据对齐：加载高开低收成交量（OHLCV）标准时序数据；
  • 信号生成逻辑：金叉买入（短周期上穿长周期）、死叉卖出（短周期下穿长周期）；
  • 回测验证与归因诊断：重点观察收益率、最大回撤幅度与回撤持续时长。
• 经典双均线策略实战警示：
  • 朴素双均线策略在震荡行情中极易产生连续假突破与频繁摩擦磨损；
  • 实盘量化追求的是平稳向上的资金曲线，单纯依赖原始均线交叉不可直接上实盘，必须叠加过滤器与头寸控制。

┌─────────────────────────────────────────────────────────────┐
│                    量化策略标准开发与回测流水线                 │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┼─────────────────────────────┐
 ▼                             ▼                             ▼
┌──────────────────┐   ┌──────────────────┐   ┌──────────────────┐
│  参数与环境初始化 │   │  信号检测与触发   │   │  回测归因与诊断   │
├──────────────────┤   ├──────────────────┤   ├──────────────────┤
│ • 标的/基准设定  │   │ • MA5 > MA10 金叉│   │ • 累计收益 vs 基准│
│ • 佣金与税费规费 │   │ • MA5 < MA10 死叉│   │ • 最大回撤与夏普比│
│ • 日线数据加载   │   │ • 生成交易指令   │   │ • 震荡市磨损评估 │
└──────────────────┘   └──────────────────┘   └──────────────────┘

一、从博弈游戏到二级市场：群体博弈的动态真实

在上一讲的猜硬币博弈模型中，当庄家（美女）以特定概率 $y \in (1/4, 3/8)$ 随机出正面时，无论对手采取何种出牌概率 $x$，对手的数学期望收益恒为负：

$$E = 12xy - 4(x+y) + 1 < 0$$

然而，在真实二级市场中，这种”单向绝对收割模型”并不存在：

1. 不存在全知全能的控盘资金：没有任何机构能长期锁定全市场指数。市场由成千上万具有不同目标、周期和信息的参与者共同博弈构成。
2. 反制与动态平衡：若某一策略模式被普遍识别，市场博弈结构会迅速演化出反制策略，原有规律随之钝化或消失。
3. 策略的适配性原则：量化交易中没有放之四海皆准的”圣杯”。高收益往往伴随高波动，稳健收益往往牺牲爆发力。策略研发的核心在于寻找与自身资金属性、流动性需求和心理承受力最契合的方案。

二、经典量化原型：双均线策略的全流程拆解

双均线策略（Dual Moving Average Crossover）是趋势跟踪领域最基础、最直观的经典策略：

1. 策略核心逻辑

• 短期均线（MA5）：反映资产近 5 个交易日的短期持仓成本与动量；
• 长期均线（MA10）：反映资产近 10 个交易日的中期趋势方向；
• 交易规则：
  • 黄金交叉（金叉）：$MA_5$ 向上穿越 $MA_{10}$，表明短期动能强劲，发出买入开仓信号；
  • 死亡交叉（死叉）：$MA_5$ 向下穿越 $MA_{10}$，表明短期趋势转弱，发出平仓卖出信号。

2. 真实回测必须包含的交易摩擦成本

在量化回测中，如果忽略交易成本，回测结果将完全失真。标准股票回测应内置以下摩擦规费：

• 印花税：单边卖出收取万分之五（0.05%，2023-08-28 起减半征收）；
• 佣金费率：双边收取（如万分之三 0.03%），且设置单笔最低佣金（如 5 元）；
• 滑点与冲击成本：市价单成交时的价差损耗。

三、回测诊断与实战反思：为什么简单均线不能直接上实盘？

在专业量化平台对标的进行双均线历史回测时，常观察到以下典型现象：

1. 趋势行情中表现优异：在单边大幅上涨行情中，均线系统能牢牢捕捉主升浪，实现可观收益；
2. 震荡行情中频繁挨打（锯齿形磨损）：在无明显趋势的横盘震荡区间，价格频繁上下穿插均线，导致系统高频发出错误信号，出现”追高买入即回落、止损卖出即反弹”的反复亏损；
3. 回撤持续时间漫长：朴素双均线策略的最大回撤往往超过 20% ~ 30%，且回撤修复周期可能长达一年以上，夏普比率较低（常在 0.3 以下）。

💡 专业量化的改进方向： 简单均线策略是极佳的学习样板，但实战中必须引入波动率过滤器（如 ATR）、均线发散阈值确认、宏观大盘状态过滤以及动态仓位管理模块，才能真正转化为具备抗风险能力的实盘策略。

📝 动手练一练

下面我们用纯 Python 实现一个完整的双均线策略回测引擎，内置佣金与印花税摩擦成本扣除，模拟计算买入持有基准（Benchmark）与双均线策略在 250 个交易日中的资金曲线演变及最大回撤指标：

import numpy as np
import pandas as pd

def dual_moving_average_backtest():
    """
    实现经典双均线(MA5 / MA10)策略回测引擎
    对比策略收益率、买入持有基准收益率与最大回撤
    """
    np.random.seed(42)
    n_days = 250  # 模拟 250 个交易日 (约 1 个完整自然年)
    
    # 1. 模拟资产日线价格序列 (几何布朗运动)
    daily_returns = np.random.normal(0.0005, 0.02, n_days)
    prices = 10.0 * np.exp(np.cumsum(daily_returns))
    
    df = pd.DataFrame({'Close': prices})
    
    # 2. 计算 5 日与 10 日移动平均线
    df['MA5'] = df['Close'].rolling(window=5).mean()
    df['MA10'] = df['Close'].rolling(window=10).mean()
    
    # 3. 信号检测: MA5 上穿 MA10 产生金叉(持仓 Signal=1)，否则空仓(Signal=0)
    df['Signal'] = 0
    df.loc[df['MA5'] > df['MA10'], 'Signal'] = 1
    
    # 次日开盘执行信号 (避免未来函数，持仓滞后一期生效)
    df['Position'] = df['Signal'].shift(1).fillna(0)
    
    # 4. 计算每日收益与累计净值曲线
    df['Pct_Change'] = df['Close'].pct_change().fillna(0)
    df['Strategy_Return'] = df['Position'] * df['Pct_Change']
    
    # 5. 扣除交易摩擦成本: 买入收佣金万三, 卖出收佣金万三 + 印花税万五
    COMMISSION = 0.0003   # 佣金费率 (双边收取)
    STAMP_TAX = 0.0005    # 印花税 (仅卖出单边收取, 2023-08-28 起减半征收)
    position_change = df['Position'].diff().fillna(0)  # 持仓变动: +1 买入开仓, -1 卖出平仓
    cost_rate = np.where(position_change > 0, COMMISSION, COMMISSION + STAMP_TAX)
    df['Strategy_Return'] = df['Strategy_Return'] - np.abs(position_change) * cost_rate
    
    initial_cash = 100000.0
    df['Benchmark_Equity'] = (1 + df['Pct_Change']).cumprod() * initial_cash
    df['Strategy_Equity'] = (1 + df['Strategy_Return']).cumprod() * initial_cash
    
    # 6. 计算最大回撤指标
    peak = df['Strategy_Equity'].cummax()
    drawdown = (peak - df['Strategy_Equity']) / peak
    max_dd = drawdown.max()
    
    strat_ret = (df['Strategy_Equity'].iloc[-1] - initial_cash) / initial_cash
    bench_ret = (df['Benchmark_Equity'].iloc[-1] - initial_cash) / initial_cash
    
    print("================ 双均线策略 (MA5/MA10) 回测诊断 ================")
    print(f"回测周期: {n_days} 个交易日")
    print(f"基准(买入持有)收益: {bench_ret*100:.2f}% | 最终资产: {df['Benchmark_Equity'].iloc[-1]:,.2f} 元")
    print(f"双均线策略收益:     {strat_ret*100:.2f}% | 最终资产: {df['Strategy_Equity'].iloc[-1]:,.2f} 元")
    print(f"策略最大资产回撤:   {max_dd*100:.2f}%")
    print("=============================================================")
    return df

if __name__ == "__main__":
    dual_moving_average_backtest()

运行结果输出：

================ 双均线策略 (MA5/MA10) 回测诊断 ================
回测周期: 250 个交易日
基准(买入持有)收益: 10.79% | 最终资产: 110,788.32 元
双均线策略收益:     -13.54% | 最终资产: 86,456.32 元
策略最大资产回撤:   23.00%
=============================================================

📌 成本侵蚀实证：完全相同的信号序列下，若不扣成本，策略收益为 -11.91%、最大回撤 22.04%；计入佣金与印花税后，收益进一步恶化至 -13.54%、回撤扩大至 23.00%。震荡市中双均线频繁换手，每一次买卖都被摩擦成本持续蚕食净值——这正是「锯齿形磨损」在资金曲线上的量化体现。

本章小结

1. 深刻理解博弈演化：金融市场不存在单向收割的静态套利机会，量化策略的有效性取决于对市场环境变化的动态适应。
2. 掌握策略开发四部曲：参数初始化 → 干净数据对齐 → 明确信号判定 → 严谨回测归因。
3. 正视震荡市假突破缺陷：朴素双均线策略易在震荡行情中产生频繁假信号与资本磨损，必须结合多周期过滤与仓位控制综合优化。

📋 行动清单 (Action Checklist)

• 运行本讲双均线回测代码，尝试将均线参数由 (5, 10) 修改为 (10, 30) 或 (20, 60)，观察交易频率与回撤特征的变化；
• 思考并记录：在双均线策略中加入什么附加过滤条件（如成交量放大或价格偏离幅度），能够有效减少震荡行情中的假金叉亏损；
• 熟练掌握避免未来函数（shift(1) 信号次日生效）的标准回测设计方法。

— 小象教研组