基于Python的策略开发与回测：双均线策略（附可视化代码）

1. 策略理论与市场逻辑

核心原理：
双均线策略基于移动平均线（Moving Average, MA）的滞后性特征，通过短期均线（MA50）和长期均线（MA200）的交叉点捕捉趋势变化：

• 金叉（Golden Cross）：当短期均线从下方上穿长期均线，表明短期动能增强，可能开启上升趋势。
• 死叉（Death Cross）：当短期均线从上方下穿长期均线，表明趋势可能反转，触发卖出信号。

数学公式：

• 简单移动平均线（SMA）：
  $${\text{SMA}}_n=\frac{1}{n}\sum _{i=0}^{n-1}{P}_{t-i}$$
  其中 $P$ 为收盘价，$n$ 为窗口周期。
• 指数移动平均线（EMA）：
  $${\text{EMA}}_n=\alpha \cdot P_t+(1-\alpha )\cdot {\text{EMA}}_{t-1},\alpha =\frac{2}{n+1}$$

参数选择依据：

1. 趋势敏感性平衡：
   • MA50（短期）：快速响应价格变化，但易受噪声干扰
   • MA200（长期）：过滤短期波动，但信号滞后明显
2. 市场周期适配：
   • 股票市场常用50/200日均线（对应季度/年度趋势）
   • 加密货币市场可能缩短至20/50日（高波动性）

2. 策略优化与进阶技巧

参数自适应优化

# 根据波动率动态调整均线周期  
def dynamic_window(volatility, base_window=50, volatility_threshold=0.3):  
    """  
    volatility: 近期波动率（如20日标准差）  
    base_window: 基础窗口（如50日）  
    volatility_threshold: 波动率阈值  
    """  
    if volatility > volatility_threshold:  
        return int(base_window * 0.7)  # 高波动缩短窗口  
    else:  
        return base_window  

复合信号过滤

• 结合动量指标：仅在RSI（相对强弱指标）处于合理区间时接受信号

  data['RSI'] = talib.RSI(data['Close'], timeperiod=14)  
  valid_buy = (data['MA50'] > data['MA200']) & (data['RSI'] < 70)  
  valid_sell = (data['MA50'] < data['MA200']) & (data['RSI'] > 30)  
  

• 成交量确认：金叉/死叉时要求成交量高于20日均量

  data['Volume_MA20'] = data['Volume'].rolling(20).mean()  
  valid_signal = data['Volume'] > data['Volume_MA20']  
  

---

3. 风险控制方案

1. 动态止损机制：

   • 跟踪止损：价格从最高点回撤5%时平仓

     data['Peak'] = data['Close'].cummax()  
     data['Trailing_Stop'] = data['Peak'] * 0.95  
     

   • 波动率止损：基于ATR（平均真实波幅）设定止损距离

     data['ATR'] = talib.ATR(data['High'], data['Low'], data['Close'], 14)  
     data['Vol_Stop'] = data['Close'] - 3 * data['ATR']  
     

2. 仓位管理：

   • 凯利公式：根据胜率和盈亏比计算最优仓位
     $$f=\frac{p\cdot (b+1)-1}{b}$$
     其中 $p$ 为胜率，$b$ 为平均盈利/平均亏损

3. 回撤期冻结：当连续5次交易亏损时，暂停策略并发出警报

---

4. 可视化代码

1. 策略原理与可视化代码

步骤1：生成模拟价格数据

import numpy as np  
import pandas as pd  
import matplotlib.pyplot as plt  
from scipy.stats import norm  

# 生成随机游走价格序列（1000天）  
np.random.seed(42)  
days = 1000  
returns = norm.rvs(loc=0.0005, scale=0.02, size=days)  # 带漂移项的布朗运动  
price = np.cumprod(1 + returns) * 100  # 初始价格100元  

# 构建时间序列数据框  
dates = pd.date_range(start='2020-01-01', periods=days)  
data = pd.DataFrame({'Close': price}, index=dates)  

步骤2：计算均线并绘制趋势图

# 计算双均线  
data['MA50'] = data['Close'].rolling(50, min_periods=1).mean()  
data['MA200'] = data['Close'].rolling(200, min_periods=1).mean()  

# 创建画布  
plt.figure(figsize=(12, 6))  

# 绘制价格与均线  
plt.plot(data['Close'], label='Price', color='#1f77b4', alpha=0.7, linewidth=1.5)  
plt.plot(data['MA50'], label='MA50', linestyle='--', color='#ff7f0e', linewidth=2)  
plt.plot(data['MA200'], label='MA200', linestyle='--', color='#2ca02c', linewidth=2)  

# 标注金叉/死叉  
cross_points = data[data['MA50'].gt(data['MA200']) != data['MA50'].shift(1).gt(data['MA200'].shift(1))]  
for idx, row in cross_points.iterrows():  
    if row['MA50'] > row['MA200']:  
        plt.scatter(idx, row['Close'], color='green', marker='^', s=100, zorder=3)  
    else:  
        plt.scatter(idx, row['Close'], color='red', marker='v', s=100, zorder=3)  

# 图表装饰  
plt.title('Dual Moving Average Crossover Strategy\n(Golden Cross/Death Cross Signals)', pad=20)  
plt.xlabel('Date', fontsize=12)  
plt.ylabel('Price', fontsize=12)  
plt.legend(loc='upper left')  
plt.grid(alpha=0.3)  
plt.tight_layout()  
plt.show()  

生成图像说明：

• 蓝色曲线为模拟价格走势
• 橙色虚线为50日均线，绿色虚线为200日均线
• 绿色▲标记金叉买入信号，红色▼标记死叉卖出信号

---

2. 参数优化可视化

# 生成参数网格数据  
fast_windows = [30, 50, 70]  
slow_windows = [150, 200, 250]  
sharpe_matrix = np.array([  
    [1.32, 1.28, 1.15],  
    [1.45, 1.37, 1.22],  
    [1.27, 1.19, 1.08]  
])  

# 创建热力图  
plt.figure(figsize=(10, 6))  
heatmap = plt.imshow(sharpe_matrix, cmap='RdYlGn')  

# 坐标轴设置  
plt.xticks(np.arange(len(slow_windows)), labels=slow_windows)  
plt.yticks(np.arange(len(fast_windows)), labels=fast_windows)  
plt.xlabel('Slow Window Size', fontsize=12)  
plt.ylabel('Fast Window Size', fontsize=12)  
plt.title('Parameter Optimization Heatmap\n(Sharpe Ratio Comparison)', pad=15)  

# 添加数值标签  
for i in range(len(fast_windows)):  
    for j in range(len(slow_windows)):  
        text = plt.text(j, i, f'{sharpe_matrix[i, j]:.2f}',  
                       ha="center", va="center", color="black")  

# 颜色条  
cbar = plt.colorbar(heatmap)  
cbar.set_label('Sharpe Ratio', rotation=270, labelpad=20)  
plt.tight_layout()  
plt.show()  

生成图像说明：

• X轴为慢速均线周期，Y轴为快速均线周期
• 颜色越绿表示夏普比率越高，红色表示较低
• 单元格数值显示具体夏普比率

---

3. 回测结果可视化

# 生成模拟净值曲线  
np.random.seed(42)  
strategy_returns = np.random.normal(loc=0.0008, scale=0.015, size=days)  
benchmark_returns = np.random.normal(loc=0.0005, scale=0.012, size=days)  

strategy_net = np.cumprod(1 + strategy_returns) * 100  
benchmark_net = np.cumprod(1 + benchmark_returns) * 100  

# 绘制净值对比图  
plt.figure(figsize=(12, 6))  
plt.plot(dates, strategy_net, label='Strategy', color='#2ca02c', linewidth=2)  
plt.plot(dates, benchmark_net, label='Benchmark', color='#1f77b4', linestyle='--', linewidth=2)  

# 最大回撤标注  
max_drawdown = (strategy_net - np.maximum.accumulate(strategy_net)).min()  
plt.fill_between(dates, strategy_net, np.maximum.accumulate(strategy_net),  
                 color='red', alpha=0.3, label=f'Max Drawdown: {max_drawdown:.1%}')  

# 图表装饰  
plt.title('Strategy vs Benchmark Performance', pad=15)  
plt.xlabel('Date', fontsize=12)  
plt.ylabel('Net Value', fontsize=12)  
plt.legend(loc='upper left')  
plt.grid(alpha=0.3)  
plt.tight_layout()  
plt.show()  

生成图像说明：

• 实线为策略净值曲线，虚线为基准净值曲线
• 红色阴影区域表示策略最大回撤区间
• Y轴标准化为100起始净值

---

操作说明：

1. 按顺序执行代码块
2. 每个plt.show()会弹出独立图像窗口
3. 右键图像选择"Save image as…"可保存本地图片
4. 调整figsize参数控制图像尺寸