从零开始：用Python实现双均线策略分析股票收益（金叉死叉实战）

white

461人浏览 · 2026-03-08 08:16:20

white · 2026-03-08 08:16:20 发布

从零构建你的量化交易系统：Python双均线策略深度实战与收益解析

最近几年，身边对股票投资感兴趣的朋友越来越多，但很多人还停留在听消息、看K线图凭感觉的阶段。我自己也走过不少弯路，后来发现，将编程和数据分析能力应用到投资决策中，能带来一种截然不同的、更理性的视角。今天，我想和你深入聊聊一个在量化交易领域堪称“经典入门款”的策略——双均线策略。我们不仅会用Python把它完整地实现出来，更会像拆解一台精密仪器一样，剖析它的每一个齿轮是如何咬合运转的，以及在实际操作中，那些容易被忽略却至关重要的细节。无论你是刚接触Python的开发者，还是对系统化交易感兴趣的投资者，这篇文章都将带你走完从理论到代码、从回测到思考的完整闭环。

1. 策略基石：理解移动平均线与市场逻辑

在开始敲代码之前，我们必须先搞清楚策略背后的逻辑。双均线策略的核心，建立在移动平均线这一技术指标之上。简单来说，移动平均线就是对过去一段时间内股价的平均值进行连续计算并连接成线。它最大的作用是平滑价格波动，过滤掉市场短期内的“噪音”，让我们能更清晰地看到价格的中长期趋势。

为什么是两条均线？这里蕴含着一个朴素的市场假设：短期均线（例如5日）对价格变化更敏感，反应迅速；长期均线（例如30日）则更为稳重，代表更长期的市场成本与趋势。当短期情绪与长期趋势发生碰撞时，就产生了交易信号。

金叉：短期均线从下向上穿越长期均线。这通常被解读为短期买盘力量开始超越长期的平均成本，市场可能开启一波上涨趋势，是买入信号。
死叉：短期均线从上向下穿越长期均线。这意味着短期内的卖压加剧，价格跌破了长期的平均支撑，趋势可能转弱，是卖出信号。

这个策略听起来简单得令人怀疑——仅凭两条线的交叉就能赚钱？事实上，没有任何策略是“圣杯”。双均线策略在趋势明显的市场（单边上涨或下跌）中表现往往出色，但在震荡市（股价在一个区间内来回波动）中，则会频繁产生错误信号，导致“左右打脸”。理解策略的适用场景和局限性，比盲目套用公式重要得多。

注意：本文所有代码示例及分析均基于历史数据进行回测演示，旨在阐述方法原理，不构成任何投资建议。金融市场存在风险，过去的表现不代表未来。

2. 实战环境搭建与数据获取

工欲善其事，必先利其器。我们首先需要一个干净的Python环境。我个人强烈推荐使用 conda 来创建独立的虚拟环境，避免不同项目间的库版本冲突。

# 创建一个名为quant的新环境，并指定Python版本
conda create -n quant python=3.9
# 激活该环境
conda activate quant

接下来，安装我们所需的核心库。除了数据处理三剑客（pandas, numpy）和绘图库（matplotlib）外，我们需要一个可靠的数据源。这里我选择 akshare 作为一个免费、丰富且稳定的金融数据接口库，它避免了某些库的接口限制问题。

# 在激活的quant环境中安装依赖
pip install pandas numpy matplotlib akshare

数据是量化分析的血液。我们以A股市场的贵州茅台（股票代码：600519.SH）为例，获取其历史日线行情数据。

import akshare as ak
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 设置绘图风格和显示中文
plt.style.use('seaborn-v0_8-darkgrid')
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 获取贵州茅台复权后的日线数据（前复权更能反映真实股价走势）
stock_code = "600519"
df = ak.stock_zh_a_hist(symbol=stock_code, period="daily", start_date="20100101", end_date="20231231", adjust="qfq")

# 查看数据前几行和基本信息
print(df.head())
print(df.info())

# 进行必要的数据清洗：将‘日期’列设为索引并转换为datetime格式
df['日期'] = pd.to_datetime(df['日期'])
df.set_index('日期', inplace=True)
# 确保数据按时间排序
df.sort_index(inplace=True)
# 我们主要关注收盘价
df = df[['收盘']].copy()
print(df.head())

运行上述代码，你将得到一个以日期为索引、包含收盘价列的DataFrame。这是后续所有计算的基础。

3. 核心引擎：均线计算、信号生成与策略逻辑

有了数据，现在我们来构建策略的核心部分。这一步我们将计算移动平均线，精确识别金叉和死叉点，并据此模拟买卖操作。

3.1 计算移动平均线

在pandas中，计算移动平均线异常简单，使用 .rolling() 窗口函数即可。

# 计算5日简单移动平均（SMA）和30日简单移动平均
short_window = 5
long_window = 30

df['MA_5'] = df['收盘'].rolling(window=short_window, min_periods=1).mean()
df['MA_30'] = df['收盘'].rolling(window=long_window, min_periods=1).mean()

# 为了图表清晰，我们可以截取一段时间的数据进行可视化
df_plot = df.loc['2020-01-01':'2021-06-30']

fig, ax = plt.subplots(figsize=(14, 7))
ax.plot(df_plot.index, df_plot['收盘'], label='收盘价', alpha=0.5, linewidth=1.5)
ax.plot(df_plot.index, df_plot['MA_5'], label=f'{short_window}日均线', linewidth=2)
ax.plot(df_plot.index, df_plot['MA_30'], label=f'{long_window}日均线', linewidth=2)
ax.set_title('贵州茅台股价与双均线走势')
ax.set_xlabel('日期')
ax.set_ylabel('价格（元）')
ax.legend()
ax.grid(True)
plt.show()

这张图能让你直观地看到股价与两条均线缠绕、分离、交叉的过程。

3.2 识别金叉与死叉信号

识别交叉点的逻辑是量化策略的关键。我们不能靠肉眼判断，必须用严格的布尔条件来定义。

# 生成交易信号
# 当短期均线上穿长期均线时，产生金叉信号（1）；下穿时产生死叉信号（-1）
df['Signal'] = 0  # 初始化信号列

# 使用 .shift(1) 获取前一天的均线值，避免使用未来数据
df['MA_5_prev'] = df['MA_5'].shift(1)
df['MA_30_prev'] = df['MA_30'].shift(1)

# 金叉条件：今日MA5 > MA30，且昨日MA5 <= MA30
golden_cross = (df['MA_5'] > df['MA_30']) & (df['MA_5_prev'] <= df['MA_30_prev'])
# 死叉条件：今日MA5 < MA30，且昨日MA5 >= MA30
death_cross = (df['MA_5'] < df['MA_30']) & (df['MA_5_prev'] >= df['MA_30_prev'])

df.loc[golden_cross, 'Signal'] = 1
df.loc[death_cross, 'Signal'] = -1

# 查看信号点
signals = df[df['Signal'] != 0]
print(signals[['收盘', 'MA_5', 'MA_30', 'Signal']].head(10))

为了更直观，我们可以在价格图上标注出买卖信号点。

fig, ax = plt.subplots(figsize=(14, 8))
ax.plot(df_plot.index, df_plot['收盘'], label='收盘价', alpha=0.7)
ax.plot(df_plot.index, df_plot['MA_5'], label='MA5')
ax.plot(df_plot.index, df_plot['MA_30'], label='MA30')

# 标注金叉（买入）和死叉（卖出）点
buy_signals = df_plot[df_plot['Signal'] == 1]
sell_signals = df_plot[df_plot['Signal'] == -1]

ax.scatter(buy_signals.index, buy_signals['收盘'], color='green', marker='^', s=100, label='金叉买入', zorder=5)
ax.scatter(sell_signals.index, sell_signals['收盘'], color='red', marker='v', s=100, label='死叉卖出', zorder=5)

ax.set_title('双均线策略交易信号示意图')
ax.legend()
plt.show()

3.3 模拟交易与持仓记录

信号有了，接下来就是根据信号执行交易，并记录每一次操作后的账户状态。这是回测的核心。

# 初始化回测参数
initial_capital = 100000.0  # 初始本金10万元
capital = initial_capital
holdings = 0  # 持有股票数量（股）
trade_log = []  # 交易记录
position = 0  # 持仓状态，0为空仓，1为持仓

# 遍历每一天（跳过前30天，因为长期均线尚未计算完整）
for i in range(long_window, len(df)):
    current_date = df.index[i]
    current_price = df.iloc[i]['收盘']
    current_signal = df.iloc[i]['Signal']

    # 交易逻辑：金叉买入，死叉卖出
    if current_signal == 1 and position == 0:  # 出现金叉且当前空仓
        # 计算可买入股数（A股最小交易单位为100股）
        shares_to_buy = (capital // (current_price * 100)) * 100
        if shares_to_buy > 0:
            cost = shares_to_buy * current_price
            capital -= cost
            holdings += shares_to_buy
            position = 1
            trade_log.append([current_date, 'BUY', current_price, shares_to_buy, capital, holdings])
            # print(f"{current_date.date()}: 买入 {shares_to_buy} 股， 价格 {current_price:.2f}， 现金剩余 {capital:.2f}")

    elif current_signal == -1 and position == 1:  # 出现死叉且当前持仓
        if holdings > 0:
            revenue = holdings * current_price
            capital += revenue
            trade_log.append([current_date, 'SELL', current_price, holdings, capital, 0])
            # print(f"{current_date.date()}: 卖出 {holdings} 股， 价格 {current_price:.2f}， 现金变为 {capital:.2f}")
            holdings = 0
            position = 0

# 回测结束日，如果仍持有股票，按最后一日收盘价清算
final_price = df.iloc[-1]['收盘']
final_portfolio_value = capital + (holdings * final_price)
total_return = final_portfolio_value - initial_capital
return_rate = (total_return / initial_capital) * 100

print("="*50)
print("回测结果摘要")
print("="*50)
print(f"初始本金：{initial_capital:.2f} 元")
print(f"最终资产总值：{final_portfolio_value:.2f} 元 (现金 {capital:.2f} + 股票价值 {holdings*final_price:.2f})")
print(f"总收益：{total_return:.2f} 元")
print(f"总收益率：{return_rate:.2f}%")
print(f"交易次数：{len(trade_log)} 次")

4. 深入分析：策略评价、优化与陷阱规避

跑出一个收益率数字只是开始，更重要的是理解这个数字背后的含义。一个策略好不好，需要多维度衡量。

4.1 关键绩效指标计算

除了总收益率，我们还需要计算更专业的指标来评估策略的风险和稳定性。

# 计算每日资产净值曲线
df['持仓'] = 0
df['现金'] = initial_capital
df['总资产'] = initial_capital

# 这里简化处理，根据交易日志反向填充每日持仓和现金状态是一个更严谨但复杂的过程。
# 为简化演示，我们直接利用交易日志和股价序列估算资产曲线（仅作原理展示）。
# 在实际项目中，需要逐日跟踪仓位变化。

# 假设我们主要考察策略收益序列与基准（如简单持有）的对比
# 生成策略的每日收益率序列（简化版，假设信号发出后次日以开盘价成交）
df['策略日收益率'] = 0.0
df['基准日收益率'] = df['收盘'].pct_change()  # 买入持有的日收益率

# 根据信号粗略估算策略日收益率（当持仓时，收益率等于股价日涨跌幅；空仓时，收益率为0）
df['策略日收益率'] = df['基准日收益率'].where(df['Signal'].shift(1) == 1, 0)  # 注意使用shift避免未来函数

# 计算累计收益
df['策略累计收益'] = (1 + df['策略日收益率']).cumprod()
df['基准累计收益'] = (1 + df['基准日收益率']).cumprod()

# 绘制收益对比曲线
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 10), sharex=True)
ax1.plot(df.index, df['策略累计收益'], label='双均线策略', linewidth=2)
ax1.plot(df.index, df['基准累计收益'], label='买入持有', linestyle='--', linewidth=2)
ax1.set_ylabel('累计收益倍数')
ax1.set_title('策略 vs 基准累计收益对比')
ax1.legend()
ax1.grid(True)

# 绘制资产曲线（估算）
ax2.plot(df.index, df['策略累计收益'] * initial_capital, label='策略资产')
ax2.plot(df.index, df['基准累计收益'] * initial_capital, label='基准资产')
ax2.set_xlabel('日期')
ax2.set_ylabel('资产价值（元）')
ax2.set_title('策略 vs 基准资产曲线')
ax2.legend()
ax2.grid(True)
plt.tight_layout()
plt.show()

我们可以计算几个核心指标：

指标	公式/说明	意义
年化收益率	`(最终价值/初始价值)^(1/年数) - 1`	衡量平均每年赚多少钱，便于比较不同时间长度的策略。
最大回撤	资产曲线从高点下跌到最低点的最大幅度	衡量策略的最大风险，即你可能承受的最大亏损。回撤过大，心理压力也大。
夏普比率	`(年化收益率 - 无风险利率) / 年化波动率`	衡量每承受一单位风险，能获得多少超额回报。越高越好。
胜率	`盈利交易次数 / 总交易次数`	交易成功的概率。但高胜率不一定等于高盈利。
盈亏比	`平均盈利金额 / 平均亏损金额`	衡量盈利交易的“质量”。盈亏比高，即使胜率一般，也可能赚钱。

# 计算最大回撤（简化版，基于累计收益曲线）
cumulative_returns = df['策略累计收益'].dropna()
running_max = cumulative_returns.expanding().max()
drawdown = (cumulative_returns - running_max) / running_max
max_drawdown = drawdown.min()
print(f"最大回撤：{max_drawdown*100:.2f}%")

4.2 策略优化思路与常见陷阱

看到这里，你可能会想：“5日和30日是最优参数吗？” 当然不是。参数优化是量化策略中既充满诱惑又布满陷阱的一环。

优化方向：

参数寻优：可以尝试不同的短期和长期均线组合（如10/60， 20/120），寻找在历史数据上表现更佳的参数。可以使用网格搜索等方法。
增加过滤器：例如，要求金叉发生时股价需在长期均线之上，以确认趋势；或要求交易量放大，增加信号的可靠性。
引入止损止盈：这是风险管理的关键。设定一个固定的百分比或ATR（平均真实波幅）作为止损线，防止单次亏损过大。

必须警惕的陷阱：

过度拟合：这是新手最容易犯的错误。如果你不断调整参数，直到策略在历史数据上画出完美的盈利曲线，那么这个策略很可能已经“记住”了历史噪音，在未来实盘中会惨败。一定要使用样本外数据进行验证。
忽略交易成本：我们的回测假设了瞬时、无滑点、无手续费成交。现实中，频繁交易产生的佣金和印花税会大幅侵蚀利润。在回测中必须加入成本模型。
未来函数：确保在计算信号时，只使用了到当前时点为止的历史数据。使用 .shift() 是避免未来函数的常用方法。
幸存者偏差：如果你只测试了茅台这一只长期上涨的股票，策略表现自然好。一个健壮的策略应该在多个股票、不同市场周期中进行测试。

4.3 一个简单的参数优化示例

让我们快速看一下如何测试不同参数组合。这里我们测试短期窗口从3到10，长期窗口从20到50的组合。

# 注意：这是一个计算量较大的示例，仅展示框架，实际运行可能需要时间
results = []
for short in range(3, 11):
    for long in range(20, 51, 5):
        if short >= long:
            continue
        # 这里需要将上述回测逻辑封装成一个函数 `backtest(short, long, df)`
        # 函数返回该参数下的年化收益率、最大回撤、夏普比率等
        # annual_return, max_dd = backtest(short, long, df)
        # results.append([short, long, annual_return, max_dd])
        pass

# 将results转为DataFrame并分析
# results_df = pd.DataFrame(results, columns=['Short_MA', 'Long_MA', 'Return', 'Max_DD'])
# 可以寻找收益回撤比（Return / Max_DD）较高的组合

跑完整个流程，我最大的体会是：量化交易不是寻找一个“一劳永逸”的印钞机代码，而是搭建一个系统化的决策框架。双均线策略为我们提供了一个绝佳的起点，它像一把尺子，强迫我们脱离情绪，用规则去衡量市场。在实盘之前，务必进行充分的回测，理解策略的盈亏分布和脆弱环节，并始终将风险管理放在首位。编程和数据分析能力，让你拥有了自己动手验证想法、构建系统的可能，这才是最有价值的部分。