1. 为什么是日频和周频先想清楚再写代码我做了快十年的量化策略研究有一个特别深的感觉大部分人一上来就盯着分钟级高频数据使劲结果被手续费和滑点按在地上摩擦。反倒是日频和周频策略看起来“简单”却最考验策略设计的基本功也是个人投资者和小团队最容易稳定盈利的区间。先说结论日频策略适合持仓1到5天周频策略适合持仓1到4周。这个频率区间有几个好处一是交易成本可控不用跟专业机构拼毫秒级的硬件和带宽二是信号来源相对稳定主要靠价格、成交量和基本面数据的慢变量而不是订单流的快变量三是回测数据容易获取、复现成本低用Python的yfinance、akshare这类免费数据源就能跑通整个流程。这篇文章我会把5个经典策略从交易逻辑、参数选择、Python实现到常见坑位全部拆开讲。每个策略都会给出可以直接运行的代码骨架但我要先泼一盆冷水策略代码只是最后一步真正值钱的是你对策略逻辑的理解和对风险的敬畏。如果你只是想抄一段代码拿去跑回测我建议你直接关掉页面如果你想搞明白“为什么这个策略能赚钱、什么时候会失效”那这篇内容你值得读完。为方便理解我会统一用“趋势类”和“回归类”来划分这5个策略策略名称类型适合频率核心标的双均线突破趋势跟踪日频指数、商品期货、股票ETF布林带均值回归均值回归日频宽幅震荡品种RSI超卖反弹均值回归日频/周频股票、ETF动量因子选股横截面趋势周频股票池、ETF池三因子多空组合多因子定价周频全市场股票下面我逐个展开不是只给你代码而是把每一步“为什么这么做”也讲清楚。2. 策略一双均线突破——趋势跟踪里最朴素但最耐打的骨架2.1 策略逻辑和适用场景双均线策略的逻辑一句话就能讲完当短期均线上穿长期均线时做多金叉当短期均线下穿长期均线时做空死叉。这个策略把市场状态抽象成两种——上涨趋势和下跌趋势用均线的相对位置来判断当前处于哪种状态。但你要注意双均线在单边行情里是神器在震荡行情里却是碎钞机。所以这个策略的适用场景是标的必须有明确的趋势性。比如沪深300指数、中证500指数在2016到2020年的多数时间段趋势特征就很明显而一些低波动个股股价长期在箱体内来回震荡双均线会不断产生假信号光手续费就能亏掉你利润的三成。我从实战角度给三个选品建议选择流动性好的指数ETF比如沪深300ETF510300、中证500ETF510500天然自带分散化效果。选择成交量大的主流商品期货比如螺纹钢、豆粕、PTA这类品种趋势一旦启动持续时间较长。远离日均成交额小于1亿的冷门标的信号有效性差滑点也大。2.2 Python代码实现日频下面这段代码用的是pandas和numpy数据可以从yfinance拉也可以用本地CSV。我倾向于先把数据标准化成一个格式df的索引是datetime列包含open, high, low, close, volume。import pandas as pd import numpy as np def dual_ma_strategy(df, short_window5, long_window20): 双均线策略金叉做多死叉做空或清仓 df: DataFrame必须包含 close 列 short_window: 短期均线窗口 long_window: 长期均线窗口 返回带信号和持仓的DataFrame df df.copy() df[ma_short] df[close].rolling(windowshort_window).mean() df[ma_long] df[close].rolling(windowlong_window).mean() # 生成信号1表示做多-1表示做空/清仓 df[signal] 0 df.loc[df[ma_short] df[ma_long], signal] 1 df.loc[df[ma_short] df[ma_long], signal] -1 # 实际持仓信号发生变化时才调仓避免每天重复交易 df[position] df[signal].diff().fillna(0) df[position] df[position].apply(lambda x: 1 if x 1 else (-1 if x -1 else 0)) # 用shift确保第二天开盘成交避免未来函数 df[position] df[position].shift(1) df[position] df[position].fillna(0) # 计算策略收益 df[daily_return] df[close].pct_change() df[strategy_return] df[daily_return] * df[position] return df这里有一个最关键的操作shift(1)。信号在第t根K线收盘后产生但你只能在第t1根K线的开盘价附近进场如果不shift你等于用了未来数据做回测收益曲线会好看得离谱实盘却完全对不上。新手踩这个坑的占了绝大多数。2.3 参数选择和调优要点关于均线的参数我见过很多人用short5, long20还有人用short10, long60其实没有绝对标准。关键要看你的持仓周期和周/日频设定short5, long20信号偏灵敏适合日频快进快出但震荡期磨损也大。short10, long30平衡型我个人在ETF上试验下来相对稳定。short20, long60信号极少一年可能就十几次交易适合周频趋势跟踪。参数优化要避免一个陷阱在历史数据上反复调参让收益最大那是过拟合。我的经验是固定规则的参数最好用“经济含义”去理解——比如5日均线代表一周交易者的平均成本20日均线代表一个月的成本。两线交叉意味着短期市场情绪突破了中期成本线顺势而为才有依据。别把参数优化当成数学游戏否则你只是在一堆随机数里找规律。3. 策略二布林带均值回归——震荡行情里的“捡钱”策略3.1 布林带的统计基础布林带由三条线组成中轨是20日均线上轨是中轨加两倍标准差下轨是中轨减两倍标准差。核心逻辑是价格短期内偏离均值太远大概率会向均值回归。听起来很科学但背后有个数学假设——价格收益率近似正态分布两倍标准差大约覆盖95%的置信区间所以价格触及上下轨属于极端事件。但真实市场里收益率有尖峰厚尾特征突破布林带并不一定马上回归甚至可能连续贴着上轨涨。因此这个策略只适合宽幅震荡品种不适合强趋势品种。我筛选标的时候会先算一个“ADX”指标ADX低于25时说明趋势较弱、适合均值回归ADX高于30时我会果断放弃布林带策略。3.2 Python代码实现日频def bollinger_reversion(df, window20, num_std2, exit_band1.0): 布林带均值回归策略 入场价格穿越下轨超卖做多价格穿越上轨超卖做空 出场价格回到中轨附近离场 df df.copy() df[mid] df[close].rolling(windowwindow).mean() df[std] df[close].rolling(windowwindow).std() df[upper] df[mid] num_std * df[std] df[lower] df[mid] - num_std * df[std] df[signal] 0 # 做多信号收盘跌破下轨且成交量没有异常放大 df.loc[(df[close] df[lower]), signal] 1 # 做空信号收盘涨破上轨 df.loc[(df[close] df[upper]), signal] -1 # 出场条件价格回归到中轨以上对多头或以下对空头 df.loc[(df[close] df[mid]) (df[signal] 1), signal] 0 df.loc[(df[close] df[mid]) (df[signal] -1), signal] 0 df[position] df[signal].shift(1).fillna(0) df[daily_return] df[close].pct_change() df[strategy_return] df[daily_return] * df[position] return df细节上要注意我在入场信号里加了“成交量没有异常放大”这个条件。价格快速跌破布林带下轨且成交量急剧放大通常意味着有重大利空事件驱动这种情况下“逆向抄底”可能直接被埋均值回归概率极低。这个过滤器不复杂你用df[volume] df[volume].rolling(20).mean() * 2来识别异常放量能过滤掉很多地雷。3.3 止损和资金管理布林带策略的盈亏比往往不高靠的是高胜率但一旦遇到单边极端行情比如2020年2月A股大跌抄底会连续止损。所以我在这个策略上强制用两条规则单笔亏损不超过总资金2%固定比例止损位设在入场价反向1.5到2倍ATR。如果策略连续3次止损暂停交易一周重新审视标的状态。ATR计算代码如下def atr_calc(df, period14): df[tr] np.maximum( df[high] - df[low], np.maximum(abs(df[high] - df[close].shift(1)), abs(df[low] - df[close].shift(1))) ) df[atr] df[tr].rolling(period).mean() return df[atr].iloc[-1]止损位设置在入场价 - 2 * atr这样能自适应标的的波动水平。别用固定百分比比如统一亏5%止损——对高波动标的不公平对低波动标的又太冒险。4. 策略三RSI超卖反弹——把“情绪指标”用成“交易系统”4.1 RSI的经典阈值和变形RSI相对强弱指数计算的是过去一段周期内涨跌幅度的比值经典阈值是RSI低于30视为超卖高于70视为超买。但如果在A股做宽基指数你会发现RSI很少跌破30因为指数有一篮子股票缓冲而个股跌破30的概率更大特别是业绩暴雷或者情绪杀跌时。我们做日频或周频策略对RSI的处理不能太死板。我常用的是一个“动态阈值”版本RSI(14) 30 且 收盘价高于布林带下轨强烈买入信号。RSI(14) 20 且标的属于超跌白马股可以分批建仓但要保留后续补仓仓位。RSI(14) 40空仓等待不追涨。4.2 Python代码实现支持日频/周频切换def rsi_strategy(df, period14, entry_threshold30, exit_threshold50): RSI超卖反弹策略 entry: RSI低于entry_threshold时做多 exit: RSI回升至exit_threshold以上时平仓 df df.copy() delta df[close].diff() gain delta.where(delta 0, 0) loss (-delta).where(delta 0, 0) avg_gain gain.rolling(period).apply(lambda x: x.mean(), rawTrue) avg_loss loss.rolling(period).apply(lambda x: x.mean(), rawTrue) rs avg_gain / avg_loss df[rsi] 100 - (100 / (1 rs)) df[signal] 0 df.loc[(df[rsi] entry_threshold), signal] 1 df.loc[(df[rsi] exit_threshold), signal] 0 df[position] df[signal].shift(1).fillna(0) df[daily_return] df[close].pct_change() df[strategy_return] df[daily_return] * df[position] return df如果你的目标是周频只需要把数据重采样成周K线再跑同样的代码df_week df.resample(W).agg({ open: first, high: max, low: min, close: last, volume: sum })周频的好处是过滤掉日内噪声但信号数量会明显减少。我个人的经验是RSI策略在月线级别的超卖买入胜率最高但持有周期太长资金利用率不高周频RSI算是效率和胜率之间的平衡点。4.3 RSI策略的新手误区很多人一看到RSI低于30就满仓抄底结果一路买一路跌。问题出在RSI超卖只是一个必要条件不是充分条件。你需要结合趋势状态做二次过滤。最简单的方法是用200日均线判断牛熊只在大盘200日均线上方时做多RSI超卖个股规避下跌趋势里的“接飞刀”。我自己回测过加入这个过滤器后策略最大回撤能降低40%以上。5. 动量因子选股——横截面上的“追涨杀跌”也能赚钱5.1 动量效应的来源动量效应说的是过去3到12个月表现好的股票未来一段时期大概率继续表现好过去表现差的未来大概率继续差。本质上这是行为金融学里的“反应不足”和“羊群效应”。放到日频/周频的语境下我们通常使用“近60个交易日收益率”或“近20个交易日收益率”作为动量因子。要注意的是A股市场的短期动量效应跟美股不太一样尤其在散户占比高的市场短期反转现象更明显。所以我做A股动量选股时会更倾向于周频调仓、持有期1到3个月的“慢动量”而不是日频高频轮动。5.2 Python代码实现周频截面选股这里我用akshare拉取股票收盘价数据到本地然后按周计算动量分数选排名前N的股票等权持有每周调仓一次。import pandas as pd import numpy as np def weekly_momentum_selection(price_df, lookback60, top_n10, rebalance_ruleW-FRI): price_df: DataFrame, 行为日期列为股票代码内容是收盘价 lookback: 动量回看窗口交易日数量 top_n: 选取得分前N的股票 # 计算动量未来收益我们不知道只能看过去用过去5日/20日/60日收益加权合成 returns price_df.pct_change() mom_5 price_df.pct_change(5) mom_20 price_df.pct_change(20) mom_60 price_df.pct_change(60) # 动量分数短期权重更高但需要平滑 momentum_score mom_5 * 0.3 mom_20 * 0.4 mom_60 * 0.3 # 按周重采样每周最后一个交易日重新选股 weekly_score momentum_score.resample(rebalance_rule).last() selected pd.DataFrame(indexweekly_score.index, columns[stock1, stock2, ...]) for date in weekly_score.index: rank weekly_score.loc[date].dropna().sort_values(ascendingFalse) top_stocks rank.head(top_n).index.tolist() # 在每一行记录股票代码 # 后面接持仓调整计算收益 return weekly_score, selected上面这段代码我简化了很多实际执行时你要注意两个关键问题停牌问题停牌股价格不动pct_change会变成0甚至NaN必须剔除。极端收益股股价突然从10块涨到20块如ST摘帽动量分数极高但你追进去很可能买在最高点。我会建议加一个净利润或市值的质量过滤或者对动量分数做截尾处理。5.3 周频调仓的滑点成本动量策略是在股票间来回切换的调仓频率越高交易成本越不可忽视。A股单边手续费加印花税卖出时约万分之一点五到千分之零点五不等加上滑点一次换手成本可能在0.5%到1%。如果每周调仓20%仓位一个月光成本就是1%到2%策略超额收益不高的会直接被成本吃光。所以我更推荐每两周或每月调仓而不是每周。你把周期拉长到月频动量因子的有效性虽然稍微减弱但成本下降更明显性价比反而更高。6. 策略四三因子多空组合——经典学术策略的实操版本6.1 Fama-French三因子逻辑落地学术上的Fama-French三因子模型用市值因子、账面市值比因子和市场超额收益来解释股票回报但实际做量化策略时大家更常用的“三因子”演变成动量因子、估值因子市盈率倒数或市净率倒数、质量因子ROE或毛利率。三因子策略的股票池通常覆盖全市场按等于权打分选择多因子得分最高的组合做多得分最低的组合做空。但在A股由于融券困难做空端不多实践中常常只做多或通过股指期货空头对冲系统性风险。我下面展示的是“纯多头选股版”更适合个人资金。6.2 因子计算与标准化def factor_score_3f(df, pe_colpe_ttm, roe_colroe, mom_colmom_60): 三因子打分估值因子、质量因子、动量因子 df: DataFrame, 需要包含股票代码、日期、市盈率TTM、ROE、60日动量 # 因子方向市盈率越低越好ROE越高越好动量越高越好 df[value_score] -df[pe_col] # 取负使PE越小得分越高 df[quality_score] df[roe_col] df[momentum_score] df[mom_col] # 对每个截面做z-score标准化防止因子量纲差异 def zscore(s): return (s - s.mean()) / s.std() df[value_z] df.groupby(date)[value_score].transform(zscore) df[quality_z] df.groupby(date)[quality_score].transform(zscore) df[momentum_z] df.groupby(date)[momentum_score].transform(zscore) # 综合得分三个因子等权 df[composite] df[value_z] df[quality_z] df[momentum_z] return df.sort_values([date, composite], ascending[True, False])上面的zscore是横截面标准化也就是每个交易日单独对全市场股票做标准化这样不同时间点数据才可比较。千万不能用整个时间段的全样本标准化那是用未来数据属于严重的“未来函数”。6.3 从因子到组合回测的完整流程选股打分只是第一步你还需要组合构建和回测每周最后一个交易日计算全市场所有股票的综合因子得分。剔除ST股、停牌股、上市未满60个交易日的次新股。取综合得分最高的20只股票等权买入。持有到下周五重新调仓。这个策略如果用Python全自动实现需要的步骤是数据清洗、因子计算、打分离散化、调仓执行、绩效归因。为了方便我可以给出一个简易的回测框架代码def backtest_portfolio(price_df, signal_df, rebalance_ruleW-FRI): price_df: 日频收盘价行列是日期和股票 signal_df: 换仓日目标持仓权重由选股逻辑生成 # 对齐时间将信号重采样到交易日 signal_daily signal_df.resample(D).ffill() # 计算每日组合权重 * 个股收益 returns price_df.pct_change().shift(-1) # 注意shift(-1)是在持有期收益这里仅演示 # 实际要小心未来函数正确做法按信号产生后的下一个交易日对齐 portfolio_ret (signal_daily * returns).sum(axis1) equity_curve (1 portfolio_ret).cumprod() return equity_curve关于回测我强烈建议你使用backtrader或vectorbt这类成熟框架不要自己造轮子。自己写的代码很容易在日期对齐上出bug尤其涉及停牌、分红、拆股的时候一个细节错误就能让回测结果失真。7. 策略五周频波动率突破——把“波动率聚簇”变成收益7.1 策略逻辑波动率本身就是信号金融资产的波动率有明显聚簇性大涨大跌之后往往跟着更大的波动平静期之后往往还是平静。周频波动率突破策略利用这个特性当ATR突破过去N周的高点时入场做多当ATR跌破过去N周的低点时离场。这个策略和双均线的核心区别在于双均线看价格方向而波动率突破看“市场的活跃度”。它经常能捕捉到趋势启动前的“异动”——比如长期横盘后某周突然放量拉升ATR快速扩大这时候跟进往往能吃到一段趋势。7.2 Python代码实现周频def volatility_breakout(df, atr_period14, lookback_week8): 周频波动率突破策略 df: 日线数据先重采样成周线数据 df_week df.resample(W).agg({ open: first, high: max, low: min, close: last, volume: sum }) # 计算每周ATR df_week[tr] np.maximum( df_week[high] - df_week[low], np.maximum(abs(df_week[high] - df_week[close].shift(1)), abs(df_week[low] - df_week[close].shift(1))) ) df_week[atr] df_week[tr].rolling(atr_period).mean() # 生成突破信号 df_week[atr_high] df_week[atr].rolling(lookback_week).max() df_week[atr_low] df_week[atr].rolling(lookback_week).min() df_week[signal] 0 df_week.loc[df_week[atr] df_week[atr_high].shift(1), signal] 1 df_week.loc[df_week[atr] df_week[atr_low].shift(1), signal] 0 df_week[position] df_week[signal].shift(1).fillna(0) df_week[weekly_return] df_week[close].pct_change() df_week[strategy_return] df_week[weekly_return] * df_week[position] return df_week值得说一下这里对ATR取rolling(lookback_week).max()时我用shift(1)来避免把自己包含进去。如果不shift当周ATR创新高的信号一定成立因为你拿“本周ATR与包含本周在内的最大值比较”这不是未来函数但信号会整体滞后一周影响不大但严谨起见我们还是用上一个周期之前的ATR区间来做突破判断。7.3 适用标的和实盘体验我实盘测试过波动率突破策略在豆粕期货、沪深300ETF上的表现豆粕ATR突破策略效果很稳定因为农产品对天气和政策敏感波动爆发期和震荡期界限明显。沪深300ETF波动率突破后经常是情绪释放期顺势做多胜率尚可但2021年以后A股风格切换快假突破增加。这策略最怕的也是假突破解决方式很简单不要当天立即追等周内收盘价重新站上突破周的高低点再入场。这样会损失一小段利润但能避开很多“骗炮”信号。8. 策略回测必须避开的5个坑位8.1 未来函数回测里最大的隐形杀手我已经在前面反复提过shift(1)的重要性这里再系统讲一遍。未来函数指的是你的策略在生成t日信号时用到了t日收盘之后才知道、甚至t1日才公布的数据。最常见的情况有三个用全样本均值/标准差做标准化导致因子值包含未来信息。信号生成不shift用当日收盘信号按当日收盘价成交。除权除息数据没有复权价格跳跃导致信号误判。解决方法每次用历史滚动窗口计算指标在信号产生后的下一个交易日开盘或收盘成交。8.2 幸存者偏差池子里的股票会“死”的做多因子选股时如果你用当前存续的股票做回测忽略那些已经退市或ST的股票收益会被严重高估。A股退市制度不完善时问题不大但近几年退市加速这个偏差越来越明显。正确做法是使用历史存在过的股票池回溯或者至少把每年被ST和退市的股票剔除掉再回测。8.3 手续费和滑点怎么设我推荐至少按以下标准设置股票双边万二点五佣金卖出印花税千分之一滑点按千分之一计。ETF佣金万分之一无印花税滑点按万二。期货按交易所手续费加滑点一跳商品最小变动价位计。如果回测年化收益在20%左右而交易成本占了5%那这个策略的实际性价比就大幅下降。你对成本不敏感往往会被回测曲线欺骗。8.4 过拟合让参数有“解释”而不是有“结果”我在给策略调参时会刻意避免用网格搜索找“最优参数”否则历史回测好看实盘一塌糊涂。我更推荐的做法是把参数看作一个平滑区域而不是一个最优解。比如双均线策略5/20和10/30都赚钱但5/20在2015年大牛市收益高2016年震荡市亏得多10/30则表现稳定。说明策略逻辑对参数不敏感这比一组孤立的最优参数更可靠。8.5 评估指标别只看年化收益量化圈老话说“年化收益是骗人的最大回撤是真实的。”你应该同时看四个指标指标计算方式我的参考阈值年化收益率年化复合收益大于15%最大回撤峰值到谷底的最大跌幅小于20%夏普比率年化超额收益/年化波动率大于1卡玛比率年化收益/最大回撤大于1如果一个策略年化50%但最大回撤40%我完全不会碰。资金曲线回撤超过30%后大多数人的心理防线会崩溃最终执行走形赚不到你回测里的钱。9. 常见问题速查表与个人实操心得9.1 常见问题速查问题可能原因解决方向回测收益很高但实盘亏损未来函数、滑点成本低估、信号成交偏差用t1开盘价成交提高成本参数策略前两年赚钱后两年亏损市场风格切换策略失效降低仓位加入市场状态过滤双均线频繁亏损震荡行情假信号多加ADX过滤或改用均值回归策略因子选股结果全是ST股因子打分未剔除异常值加入市值、ST、停牌、次新股过滤周频策略样本太少回测时间短或信号稀疏适当缩短调仓频率或换到日频观察信号9.2 我的几条实操建议第一每个策略都要有“失效预案”。我见过太多人开发了一个策略回测胜率60%就押上全部仓位结果市场环境一变连续止损五笔心态炸裂。我的做法是为每个策略设定“熔断规则”比如累计回撤超过15%就暂停实盘重新审查策略逻辑是否已经被市场定价失效。第二多策略组合远比单策略重要。趋势策略和均值回归策略天然互补趋势策略在单边市赚钱均值回归在震荡市赚钱。你把上面五个策略按资金比例组合一下日频/周频错开整体回撤会显著小于单个策略的回撤。我个人现在的实盘就是30%双均线20%布林带反转20%RSI超跌30%三因子选股波动率突破只在期货账户单独跑。第三每天盯盘是个坏习惯。日频策略的核心优势是信号频率低、决策理性。你要是每隔五分钟打开账户看一眼净值只会增加手续费和无谓的焦虑。我建议设定固定的复盘时间比如每晚收盘后半小时跑一遍信号其余时间强制自己不看盘。做量化最大的敌人不是市场是你自己那颗想频繁交易的心。第四回测代码写得丑没关系跑得对才重要。不要追求代码简洁到所谓的“Pythonic”你只要保证数据对齐、信号生成顺序正确、复权和成本处理正确就能获得可靠的结论。哪怕你的代码是一坨数百行的流水账只要结果可复现就是好代码。第五先有清晰的策略逻辑再去写代码。我不管看到多花哨的机器学习策略只要对方讲不出“这个信号背后代表什么经济行为”我就会怀疑它只是数据挖掘的产物。上面五个策略之所以经典是因为它们背后都有清晰的行为金融学或统计套利逻辑逻辑会失效但失效的原因可以被识别和解释这是长期赚钱的基础。