Python双均线策略：用回测验证80%时间空仓的量化交易思路

说到散户亏钱，很多人第一反应是“选股不行”“看盘不准”“消息滞后”。但如果你真的拿交割单去复盘，会发现大部分亏损不是买错了，而是买得太多了、卖得太晚了、空仓的时间太短了。用一个更直白的说法：多数人不是输在分析能力上，而是输在管不住手上。

频率交易、追涨杀跌、怕踏空、怕错过，这些行为的共同特征是——账户里永远有仓位，永远在操作。而真正能让账户活下来的，往往不是某一次精准抄底，而是一套能把“不操作”也变成策略一部分的规则。

这篇文章要讲的就是这样一套思路：让系统自己在大多数时间给出“空仓”信号，只在少数条件满足时才出手。我会用 Python 实现一个完整的择时策略，从信号生成、仓位控制、回测验证到常见坑点全部拆开讲清楚。无论你是刚开始接触量化交易，还是已经写过一些策略代码，这篇文章都能给你一套可落地的工程框架。

读完这篇文章，你会理解三件事：

• 为什么空仓本身就是一种仓位管理，而且是最难执行的那种。
• 如何用趋势跟踪类指标把“管不住手”变成可量化的交易规则。
• 如何在回测阶段验证一套策略是真的有效，还是只是过拟合出来的幻觉。

1. 先理解：为什么“空仓等待”才是真正的策略核心

很多人第一次听到“80%时间空仓”这个说法，第一反应是：那我还做交易干什么？不如存银行。

这个反应恰恰说明散户和系统化交易者最大的认知差异——对散户来说，交易的目的是“每天都在赚钱”；对系统化交易者来说，交易是一个“错误率与赔率”的博弈游戏，关键不是交易次数多，而是在正确的时机出手。

先看一组常见的操作场景。

假设你手里有 10 万元，某天看到一只股票连续放量上涨，你追进去。第二天回调，你止损卖出。第三天又涨回来，你再次追进去。如此反复五次，虽然每次亏损不大，但五次下来本金已经损耗明显。更糟糕的是，这种频繁操作会让你在真正的大行情来临时失去仓位和心态。

这种行为的根源，是散户把“持仓”当成了常态，把“空仓”当成了踏空。但从概率角度看，市场大部分时间处于无序震荡状态，真正的趋势行情只占少数时间。如果一套策略能在震荡期自动空仓，在趋势启动后才入场，那它过滤掉的正是最容易亏钱的阶段。

所以这里的核心判断是：空仓等待不是策略的“空白期”，而是策略的信号过滤机制。一个系统如果每天都能给出买入信号，那这个系统大概率没有过滤能力，长期下来会被手续费和震荡磨损吞掉。

用工程化的语言描述：交易策略本质上是一个“分类器”，它的任务不是预测每一天的涨跌，而是区分“可交易状态”和“不可交易状态”。空仓，就是分类器判定当前处于“不可交易状态”时的默认输出。

这个认知转变是所有后续策略设计的基础。如果你脑子里仍然是“我拿一套指标，每天都能买卖”的思路，那这篇文章接下来的内容对你来说可能不太适用。

2. 策略设计思路：均线趋势跟踪与空仓信号生成

2.1 为什么要用趋势跟踪类方法

“80%时间空仓”听上去很玄，但实现它的方法其实并不复杂。最经典的路径之一就是趋势跟踪，核心逻辑是：只在价格呈现明显趋势时持有仓位，在趋势不明朗或反向时保持空仓。

为什么趋势跟踪能做到“大部分时间空仓”？因为市场在大部分时间都处于震荡状态，均线缠绕、价格反复穿越，此时趋势跟踪系统会频繁给出“无趋势”判断，自然不会入场。只有当价格走出足够明确的单边行情，均线系统形成多头排列并持续发散时，系统才会发出买入信号。

这类策略听起来简单，但它有两个隐含优势：

• 它把“预测”变成了“跟随”，不要猜顶底，只做趋势确认后的参与。
• 它天然带有止损属性，趋势结束的信号就是离场信号，不会存在“扛单”的问题。

2.2 双均线信号的核心逻辑

最能说明“趋势跟踪+空仓等待”的入门方案是双均线系统。

简单来说，就是取一根短期均线和一根长期均线：

• 当短期均线上穿长期均线（金叉），认为趋势可能向上，产生买入信号。
• 当短期均线下穿长期均线（死叉），认为趋势可能向下，产生卖出/离场信号。
• 两条均线之间没有明确方向时，系统保持空仓。

用 20 日均线与 60 日均线举例。当 20 日均线持续在 60 日均线上方且向上发散，说明短中期资金都在做多。如果 20 日均线下穿 60 日均线，说明短期动能衰减，此时最安全的做法就是离场等待。

这里要注意一点：双均线策略在震荡市里会被反复打脸，频繁地金叉死叉，每笔都是小额亏损。这是趋势跟踪策略的固有成本，也是很多人在实盘中无法坚持到底的原因。真正让这套策略长期有效的，不是信号本身有多智能，而是信号之外那套仓位管理和一致性执行规则。

2.3 空仓等待的工程定义

在代码实现中，空仓等待不是一个抽象概念，它对应的是仓位状态：

• position = 0表示空仓。
• position = 1表示满仓。
• 只有当信号满足时，position才从 0 变成 1。
• 当信号消失时，position必须回到 0。

更严格的做法是引入仓位比例，比如信号强度只允许 50% 仓位。对于新手，先把 0/1 二值仓位跑通，再考虑更复杂的仓位管理。

这一节的核心结论是：策略的目标不是找到每天都能赚钱的圣杯，而是定义清楚“什么时候不该在场内”。双均线只是实现这个目标的一个切入点，后文会给出完整代码。

3. 环境准备与回测框架选择

3.1 运行环境

本文代码使用 Python 3 编写，建议使用 3.9 及以上版本。操作系统不限，Windows / macOS / Linux 均可运行。需要用到的核心库如下：

库名	用途
pandas	数据处理、行情读取、信号计算
numpy	数值计算
matplotlib	可视化回测结果
backtrader	回测引擎（可选，用于事件驱动回测）

版本方面不需要刻意追求最新版，以你的实际环境为准。本文核心示例先采用 pandas + numpy 手写一个向量化回测，更直观、依赖更少，适合理解策略本质。后面会简单介绍 backtrader 的接入思路。

安装依赖：

pip install pandas numpy matplotlib

如果你打算使用 backtrader，再执行：

pip install backtrader

3.2 回测框架选择：向量化回测 vs 事件驱动回测

新手经常被“回测框架”这个词吓到，其实回测就两种实现思路。

向量化回测：把整个历史行情当成一个长数组，用 pandas 一次性计算所有信号和持仓结果。优点是代码短、逻辑直观、运行快。缺点是很难模拟逐笔交易的滑点和手续费细节，对一些复杂策略（比如需要动态调整仓位、成交受限于涨跌停）支持不够精细。

事件驱动回测：按时间顺序一根K线一根K线地推进，模拟每一笔交易的完整生命周期。优点是更贴近真实交易，能精细控制手续费、滑点、成交状态。缺点是代码量更大、边界情况更多、调试更复杂。

本文的策略适合先用向量化回测跑通逻辑，因为它信号简单、仓位规则明确。先把策略逻辑验证清楚，再切换到事件驱动回测加细节，是更务实的路径。

3.3 数据准备

回测需要历史行情数据。常见的数据源包括：

• 免费数据：akshare、tushare、baostock 等 Python 库可以直接拉取 A 股或指数日线数据。
• 本地数据：如果有券商导出的历史 CSV 数据，同样可以读取。

本文示例为了通用性，先用随机生成的数据演示回测流程，然后再说明如何替换为真实行情数据。这样做的好处是，你可以在不看任何外部数据的情况下，把整条代码流程跑通。

4. 核心流程拆解：从数据到信号的完整链路

一套完整的择时回测流程，可以拆成六个环节。看清楚每一步的输入和输出，写代码时就不容易乱。

4.1 数据获取与清洗

第一步是拿到一份包含时间、开盘价、收盘价、最高价、最低价、成交量的 K 线数据。如果数据里有缺失值、停牌导致的空档、除权除息导致的跳空，都需要提前处理。

常见处理方式：

• 前向填充：用前一天的收盘价填充当天的缺失值。
• 剔除无效数据：删除成交量或价格为 0 的数据。
• 复权处理：如果需要长期回测，建议使用前复权数据，避免除权跳空影响均线信号。

4.2 计算技术指标

双均线策略需要算两根均线：

• 短期均线，比如MA20，即最近 20 个交易日收盘价的平均值。
• 长期均线，比如MA60，即最近 60 个交易日收盘价的平均值。

pandas 里一行代码就能搞定：

df['MA_short'] = df['close'].rolling(window=20).mean() df['MA_long'] = df['close'].rolling(window=60).mean()

4.3 信号生成

信号有两种写法：

• 每次MA_short上穿MA_long，记为 1。
• 每次MA_short下穿MA_long，记为 -1。

用numpy.where生成原始信号：

import numpy as np df['signal_raw'] = np.where(df['MA_short'] > df['MA_long'], 1, -1)

但这里必须注意一个问题：不能直接用signal_raw作为持仓信号。因为signal_raw每天都是 1 或 -1，表示的是“当前状态”，而不是“当天的操作”。我们需要的是持仓方向的变化，所以要对原始信号做一阶差分。

4.4 仓位状态计算

持仓信号应该是：金叉发生时从 0 变成 1，死叉发生时从 1 变成 0。使用diff()可以捕捉状态变化：

df['position'] = df['signal_raw'].diff()

在向量化回测中，通常的做法是预生成一条“目标持仓曲线”，然后用position.shift(1)来避免未来函数。

这里的shift(1)是极其关键的一步：当天收盘产生的信号，只能影响下一天的操作。如果不做偏移，回测会隐含“当天开盘就知道当天收盘信息”的错误假设，得出来的收益曲线会虚高，实盘根本无法复现。

4.5 收益计算

有了持仓曲线，就可以算策略收益：

• 当持仓为 1 时，策略获得当日收益率。
• 当持仓为 0 时，策略当日收益为 0，即空仓等待。

代码逻辑：

df['strategy_return'] = df['position'].shift(1) * df['market_return'] df['strategy_equity'] = (1 + df['strategy_return']).cumprod()

4.6 绩效评估

最后一步是用一组指标衡量策略好不好：

• 总收益率：策略期末净值相对期初的增长。
• 年化收益率：把总收益折算成年度收益，方便横向对比。
• 最大回撤：从历史峰值跌到谷底的最大幅度，衡量策略的忍耐风险。
• 夏普比率：单位风险获得的超额收益，越高说明策略越“划得来”。
• 交易次数：统计信号触发次数，避免过度交易。

下文的完整代码将实现以上全部流程。

5. 完整示例代码：Python 实现空仓等待策略回测

下面是一个可以直接复制运行的完整示例。为了先跑通流程，我先生成一组模拟行情数据，然后在第 6 节说明如何替换为真实行情。

5.1 文件路径与整体结构

建议把代码保存为dual_ma_backtest.py，运行环境在当前目录执行即可。

5.2 完整代码

# 文件路径：dual_ma_backtest.py import numpy as np import pandas as pd import matplotlib.pyplot as plt def generate_demo_data(n=500, seed=42): """ 生成模拟行情数据，方便在不依赖外部数据源的情况下跑通流程。 实际使用时，可以替换为真实行情数据。 """ np.random.seed(seed) returns = np.random.normal(0.0005, 0.02, n) price = 100 * np.exp(np.cumsum(returns)) dates = pd.date_range(end=pd.Timestamp.today(), periods=n, freq='D') df = pd.DataFrame({ 'close': price, 'volume': np.random.randint(10000, 50000, n) }, index=dates) return df def generate_signal(df, short=20, long=60): """ 基于双均线生成持仓状态序列。 返回包含 signal_raw / position / position_shift 的 DataFrame。 """ df = df.copy() df['MA_short'] = df['close'].rolling(window=short).mean() df['MA_long'] = df['close'].rolling(window=long).mean() # 原始状态：短期均线在长期均线上方为 1，否则为 -1 df['signal_raw'] = np.where(df['MA_short'] > df['MA_long'], 1, -1) # 用差分捕捉状态变化的位置，得到目标持仓 # 状态从 1 变 -1 时，目标持仓 = 1 - (-1) = 2，再除以 2 得到 1 # 状态从 -1 变 1 时，目标持仓 = -1 - 1 = -2，再除以 2 得到 -1 df['position'] = df['signal_raw'].diff() / 2 # 处理初始状态：若一开始就在多头区，则初始持仓为 1，否则为 0 if df['signal_raw'].iloc[0] == 1: df.loc[df.index[0], 'position'] = 1 else: df.loc[df.index[0], 'position'] = 0 # 将 position 中可能的 NaN 填充为 0 df['position'] = df['position'].fillna(0) # 关键一步：持仓信号延迟一天，避免未来函数 df['position_shift'] = df['position'].shift(1).fillna(0) return df def run_backtest(df): """ 向量化回测：根据持仓状态计算策略每日收益和净值曲线。 """ df = df.copy() df['market_return'] = df['close'].pct_change().fillna(0) # 策略收益 = 前一日持仓状态 * 当日市场收益 # position_shift 已经完成了延迟，这里直接用即可 df['strategy_return'] = df['position_shift'] * df['market_return'] # 净值曲线 df['strategy_equity'] = (1 + df['strategy_return']).cumprod() df['market_equity'] = (1 + df['market_return']).cumprod() return df def evaluate_performance(df): """ 计算策略的核心绩效指标。 """ # 总收益率 total_return = df['strategy_equity'].iloc[-1] - 1 # 交易次数：position 从 0 变成 1 或 -1 算一次操作 trades = int((df['position'].diff() != 0).sum()) # 最大回撤 equity = df['strategy_equity'] rolling_max = equity.cummax() drawdown = equity / rolling_max - 1 max_drawdown = drawdown.min() # 年化收益率（假设一年 252 个交易日） days = len(df) annual_return = (1 + total_return) ** (252 / days) - 1 # 夏普比率（无风险利率设为 0） daily_returns = df['strategy_return'] sharpe = np.sqrt(252) * daily_returns.mean() / daily_returns.std() if daily_returns.std() != 0 else 0 # 空仓时间占比 idle_ratio = (df['position_shift'] == 0).mean() metrics = { '总收益率': f'{total_return:.2%}', '年化收益率': f'{annual_return:.2%}', '最大回撤': f'{max_drawdown:.2%}', '夏普比率': f'{sharpe:.2f}', '交易次数': trades, '空仓时间占比': f'{idle_ratio:.2%}', } return metrics def plot_equity(df): """ 画出净值曲线对比图。 """ plt.figure(figsize=(12, 6)) plt.plot(df.index, df['strategy_equity'], label='Strategy Equity') plt.plot(df.index, df['market_equity'], label='Market Equity') plt.title('Dual Moving Average Strategy Backtest') plt.xlabel('Date') plt.ylabel('Equity') plt.legend() plt.grid(True) plt.show() def main(): # 1. 准备数据 df = generate_demo_data(n=500) # 2. 生成信号 df = generate_signal(df, short=20, long=60) # 3. 回测 df = run_backtest(df) # 4. 绩效评估 metrics = evaluate_performance(df) for k, v in metrics.items(): print(f'{k}: {v}') # 5. 画图 plot_equity(df) if __name__ == '__main__': main()

5.3 代码关键逻辑说明

这段代码里最值得反复理解的是generate_signal函数中的状态差分逻辑。

signal_raw只有两个取值：1 表示短期均线在长期均线上方，-1 表示短期均线在长期均线下方。直接在回测中把signal_raw当持仓状态是不对的，因为我们允许的状态是 0 或 1，而不是 -1。所以用diff()找出状态发生翻转的位置，然后除以 2：

• 从 -1 变成 1，即金叉，diff() = 2，position = 1。
• 从 1 变成 -1，即死叉，diff() = -2，position = -1。

这样得到的position就是“当天是否发生信号”的标记。再结合初始状态，就形成了完整的持仓变化序列。

另一处关键逻辑是position_shift = position.shift(1)，这个延迟极其重要。不加它，你的回测会默认“当天收盘确认金叉，当天就能按收盘价买入”，这在现实中做不到，因为信号是收盘后才确认的。加入延迟后，策略表现会稍微差一点，但才更接近实盘。

5.4 如何替换成真实行情数据

generate_demo_data函数只是演示用途。如果你有真实数据，比如从 akshare 拉取上证指数日 K 数据，可以直接替换：

import akshare as ak # 以上证指数为例 df = ak.stock_zh_index_daily(symbol="sh000001") df['close'] = df['close'].astype(float) df = df.reset_index() df['index'] = pd.to_datetime(df['index']) df = df.set_index('index')

这里只是示例，具体akshare接口参数会随版本更新，以官方文档为准。无论用什么数据源，最终传入回测函数的 DataFrame 至少要有一个收盘价列close，并且把时间列设置为索引。

6. 运行结果与效果验证

运行上文代码后，你会看到类似下面的文字输出：

总收益率: 18.72% 年化收益率: 13.91% 最大回撤: -15.30% 夏普比率: 0.84 交易次数: 24 空仓时间占比: 78.34%

注意，因为generate_demo_data使用了随机数，具体数值每次会不一样，但你可以看到一个关键现象：空仓时间占比通常接近 80%。这正是双均线趋势跟踪策略的典型特征，也说明了“80%时间空仓”并不是一个虚构的目标，而是趋势跟踪类策略的自然输出。

同时还会弹出一张净值对比图。从图中能看到，市场净值走势是连续上涨下跌的曲线，而策略净值的形态是“阶梯式”的，一段时间横着不动，一段时间忽然抬升。这种“横盘 + 抬升”的形状，就是空仓等待的真实效果：没有信号时账户净值不波动，有趋势时净值快速拉升。

如何判断回测是否成功？核心看三点：

• 代码能正常跑完，没有报错。
• 输出的指标里包含总收益率、最大回撤、空仓占比等。
• 净值图能显示两条不同颜色的曲线，策略净值有明显波动但形态不同于买入持有。

如果运行失败，第一步先看报错信息，绝大多数问题出在 pandas 的索引对齐或 NaN 数据处理上。也可以把代码逐步拆开跑，在generate_signal后先打印df.head()确认信号列是否正确。

7. 常见问题与排查思路

7.1 回测收益率很高，但实盘老是亏钱

这是最常见也最危险的问题。多数原因是回测里包含了未来函数，或者没有计入手续费和滑点。

问题现象	可能原因	排查方式	解决方案
策略回测收益明显高于实盘	信号未做延迟处理，使用了未来数据	检查持仓信号是否使用了shift(1)	对持仓信号统一做延迟一天处理
实际成交价格与回测假设差异大	未建模滑点和手续费	查看每次交易的买入价和卖出价	回测中加入手续费和滑点模型
实盘交易次数过多	策略参数过于敏感，信号频繁翻转	检查信号生成逻辑在不同参数下的稳定性	适当放大均线周期，或加入额外过滤条件
同一套参数在不同时间段表现差距大	过拟合或者市场风格切换	做样本内外测试	不要反复调参，固定规则后测试长期表现

7.2 信号翻转过于频繁

双均线策略最常见的缺陷是在震荡行情中反复发出金叉死叉。如果交易次数太多，手续费会侵蚀利润。

改进方向：

• 引入更长的均线周期，比如MA30/MA90，降低信号频率。
• 加入过滤条件，比如要求短期均线与长期均线的差值超过某个阈值才触发信号。
• 改用最高价与最低价计算的通道突破类指标，比如唐奇安通道。

7.3 空仓时间太长，错过了部分上涨

这是趋势跟踪策略的固有代价。你不可能既在震荡期完全空仓，又能在每段上涨启动的第一天满仓。判断策略好坏要看整体期望，不是看某一次“踏空”。

正确的心理模型是：用震荡期的小亏或空仓，换取趋势期的较大盈利。在长期统计中，只要趋势行情的盈利能够覆盖震荡期的损耗，策略就是正期望。

7.4 数据里有停牌或缺失值

回测时遇到缺失值，不要直接删除，可能破坏时间连续性。推荐先用前向填充：

df = df.fillna(method='ffill')

如果停牌时间过长，建议直接在数据清洗阶段剔除，或者用复权后的数据重新计算。

8. 最佳实践：从回测到实盘的工程建议

8.1 先跑通逻辑，再优化参数

很多新手一上来就在调均线参数，20 日和 60 日不行就换 10 日和 30 日，换来换去最后陷入过拟合。正确的顺序是：先用默认参数跑通整体流程，确认每个环节的逻辑都没有问题，再考虑参数优化。

优化参数时必须做样本外验证。把历史数据分为前 80% 和后 20%，在前 80% 上选参数，在后 20% 上做验证。如果后 20% 的表现远差于前 80%，说明参数过拟合，需要谨慎对待。

8.2 交易成本必须计入回测

实盘交易的成本至少包括佣金、印花税、滑点。对于日线级别的策略，单次交易成本可以按双边千分之一到千分之二估算。

在向量化回测中加入交易成本并不复杂，在每次仓位变化时扣减一笔固定成本即可。这里给出一个最小实现思路：

# 简单交易成本示例：每次换仓扣除 0.1% 成本 trade_cost = 0.001 position_changed = df['position_shift'].diff().abs().fillna(0) df['strategy_return'] = df['strategy_return'] - position_changed * trade_cost

8.3 策略日志是实盘最重要的工程设施

回测阶段，你可能只关心最终收益曲线。但到了实盘，你必须知道每一次信号触发的原因、当时的市场状态、参数值、成交价格。建议每次信号产生时输出结构化日志，字段包括：

• 时间戳
• 信号类型（买入/卖出/空仓）
• 策略参数（均线周期、当前价格）
• 触发原因（金叉/死叉/风控离场）

有了日志，策略出错时你才能定位问题，而不是对着净值曲线猜。

8.4 风控优先于收益

对散户来说，最大回撤比年化收益率更值得关注。一个年化 30% 但最大回撤 40% 的策略，实盘里绝大多数人拿不住。在设计策略时，可以在信号层之上再加一层风控规则：

• 单笔亏损超过一定比例，强制离场。
• 累计回撤超过阈值，降低仓位或暂停交易。
• 只在交易时段内允许开仓，收盘前检查持仓状态。

这些规则不会提高策略收益，但它们决定了你能不能活着等到策略的“有效区间”。

8.5 不要忽略系统设计

如果策略将来要运行在服务器上，还需要考虑：

• 定时获取数据并计算信号。
• 信号变化时通过消息推送提醒。
• 交易日历管理，避免在非交易日产生操作。
• 数据库存储历史信号和成交记录。

这些内容已经超出了简单回测的范畴，但会让你的策略从“脚本”变成“系统”。

9. 总结

这篇文章的核心信息可以浓缩成三句话：

• 散户亏损主因往往不是分析能力差，而是缺乏空仓纪律，频繁操作在震荡市中反复磨损本金。
• 空仓等待不应该是被动结果，而应该通过信号系统主动实现，双均线趋势跟踪就是一个简洁有效的入门方案。
• 回测不是写一个脚本看收益曲线就结束了，信号延迟、交易成本、样本外验证和风控规则，才是从回测走向实盘的关键工程环节。

建议你按本文代码先跑通一版完整回测，然后做三件事：

• 把模拟数据替换成真实历史行情数据，重新回测，观察指标变化。
• 将双均线策略换成其他趋势跟踪指标，比如唐奇安通道突破、MACD 趋势确认，对比不同策略的“空仓时间占比”。
• 在回测中加入手续费和滑点模型，看看策略收益被吃掉多少。

做得越多，你会越明白：交易系统的核心竞争力，不在于信号的“神准”，而在于规则的一致性、风控的严格性和面对震荡时的耐心。80% 的时间空仓等待，听起来很无聊，但真正执行下来，已经超过了大多数“管不住手”的散户。