1. 先搞清楚这两个指标为什么要凑一对
做期货量化交易软件的朋友大概都遇到过这种需求：客户或者业务方丢过来一句话，“我要一个用 BOLL 和 RSI 的策略”。这句话信息量极低，但坑极深。BOLL（布林带）和 RSI（相对强弱指标）都是上世纪就已经成型的老指标，任何一个期货量化交易软件里都自带，可真正把它们拼成一个能上实盘跑的策略，中间隔着的不是代码量，而是对“这两个东西各自在算什么”的理解。我前后改过七八个版本的双指标策略，从最初的“上轨超买做空、下轨超卖做多”这种教科书式写法，到后面能勉强在日内周期上跑出正期望的版本，踩的坑基本都集中在两个地方：指标本身的计算口径不一致，以及信号组合的逻辑不自洽。
这篇内容适合三类人看：第一类是想在期货量化交易软件里写自定义策略、但被指标细节卡住的开发者；第二类是拿到了策略需求文档、需要判断这个需求是否合理的 quant 从业者；第三类是已经写出了策略、回测曲线很好看、实盘一上就亏，想知道问题出在哪里的实操者。我会把 BOLL 和 RSI 的组合逻辑拆到参数级别，给出可以照着写的代码骨架，也会讲清楚那些文档里不会写的坑。前面先给结论：这两个指标不该被当成“两个独立信号取交集”来用，正确的用法是BOLL 定位置和波动状态，RSI 定动能和衰竭程度，一静一动，一个负责“现在是不是该动手”，一个负责“动手的力气够不够”。
1.1 两个指标到底在算什么
BOLL 的本质是“均线加统计学的波动范围”。中轨是一条 N 周期均线，上下轨是中轨加减 K 倍的标准差。它回答的问题是：当前价格相对最近的均价偏了多少个标准差。注意，标准差是波动幅度的度量，不是方向的度量。价格暴涨和暴跌，带宽都会放大；横盘整理，带宽会收缩。很多人把“触及上轨”直接理解成“超买要跌”，这是把统计意义上的偏离当成了方向判断，实际上在趋势行情里，价格可以贴着上轨走十几根 K 线不下来。
RSI 的本质是“一段时间内上涨幅度占总波动幅度的比例”。它回答的问题是：最近这段波动里，多头和空头谁更占主导。RSI 在 70 以上，说明近期上涨的力度远大于下跌的力度，但这不等于要反转，只能说明多头力气很足。RSI 真正的价值不在绝对值高低，而在两件事：一是穿越 50 这个多空分界线，二是与价格形成背离。
理解了这个差异，就明白为什么单纯用“价格触上轨 + RSI 超买”去做空，在趋势品种上会被打得很惨——两个条件在趋势行情里会同时长期成立，策略会一路逆势加仓。我早期就犯过这个错，回测某黑色系品种的日线，胜率 70% 以上，看起来很漂亮，但最大回撤发生在单边上涨那段，一次就把半年利润吐干净。
1.2 单一指标的失效场景，才是组合的出发点
单独用 BOLL，失效场景很明确。第一，趋势行情里价格会长时间贴住上下轨，均线回归的逻辑失效；第二，带宽剧烈变化时，同样的“触及上轨”在不同波动环境下含义完全不同，昨天触及上轨可能是 3 倍标准差，今天同样价位只是 1.2 倍标准差。单独用 RSI，失效场景同样明显：强趋势中 RSI 可以在 70 上方钝化很久，也可能在 20 下方反复“超卖”，机械地按超买超卖做反向，等于在趋势里持续对抗。
组合的价值就来自这里：BOLL 提供波动率标尺和位置感，把“超买”从一个绝对值变成一个相对位置；RSI 提供动能确认，避免在价格只是随机波动到轨道边缘时就出手。举个具体例子，同一个“价格触及下轨”的条件，如果 RSI 在 25 以下且在往上抬，说明是恐慌后的动能修复，值得试多；如果 RSI 在 45 附近，说明只是价格慢慢滑到下轨，空头动能还在持续释放，这时候接多就是在接飞刀。这个区分，单靠任何一个指标都做不到。
1.3 三种组合接法，以及我为什么选第三种
市面上常见的接法有三类。
| 接法 | 逻辑 | 优点 | 致命问题 |
|---|---|---|---|
| 叠加共振型 | 两指标同时给出同向信号才开仓 | 信号数少，看起来精准 | 信号极度稀疏，趋势行情中几乎永不出手 |
| 主从过滤型 | BOLL 出信号，RSI 做方向过滤 | 逻辑简单，参数少 | 过滤条件容易过拟合，且没利用 BOLL 的波动信息 |
| 分工协同型 | BOLL 定位置与波动状态，RSI 定动能触发 | 逻辑自洽，参数可解释 | 实现稍复杂，需要状态机管理 |
我最终选的是第三种。理由是每个指标只用它最擅长的那部分信息。BOLL 只用三样东西：中轨判方向、轨道判位置、带宽判波动环境；RSI 只用两样东西：50 线的穿越判动能方向、极值区间的读数判衰竭。两者不互相做冗余确认，各司其职，参数也能各自独立优化，不会出现“改一个参数两边都受影响”的连锁反应。
这里有个容易忽略的点：趋势过滤和位置判断必须用不同的数据窗口。如果你用 BOLL(20) 的中轨判断趋势，又用同一个 BOLL(20) 的轨道判断位置，本质上是在用同一个统计量做两件事，信息高度重叠，等于没有过滤。我在实现里是把“趋势方向”用更长周期的中轨斜率来做（比如 20 周期中轨相对 5 根 K 线前的值变化率），位置判断仍用当前周期的轨道，这样两个判断的信息来源就分开了。
注意：不要用“两指标共振次数太少”作为加宽松条件的理由。信号稀疏不是问题，可以在多品种上铺开；把条件放宽到能出信号，通常意味着把无效信号一起放进来了。
2. 计算口径不对，后面全白搭
这一节是纯技术细节，但恰恰是最容易出事的地方。我见过不止一次这样的情况：策略在自研回测里一年赚 30%，接到期货量化交易软件实盘后，第一周就发现信号触发时间和软件图表上显示的完全对不上。绝大多数情况不是代码逻辑错了，而是 RSI 的平滑方式或者 BOLL 的标准差自由度跟软件对不上，导致阈值附近的信号发生了翻转。
2.1 BOLL 的参数选择与标准差自由度
标准参数是 20 周期、2 倍标准差，这个几乎不用改，因为改它的收益远不如改资金管理和出场规则。但有两个细节必须钉死。
第一个是标准差用样本还是总体。pandas 的rolling().std()默认是ddof=1（样本标准差，分母 N-1），而部分图表软件的历史实现用的是总体标准差（分母 N）。当 N=20 时,两者的比值是 sqrt(19/20)≈0.9747，也就是上下轨宽度差约 2.5%。听起来很小，但在“价格距离上轨还差 0.1%”这种临界状态下，足以让信号从有变无。我的处理方式是：以你的期货量化交易软件图表显示值为准，先在软件里找一个历史点，手动算出上下轨，再回头调代码里的 ddof，对齐后再往下做。
第二个是均线类型。绝大多数 BOLL 用简单均线（SMA），但如果你在软件里把均线类型改成了 EMA，中轨会立即响应最近价格，轨道的形态差别很大。我的建议是保持 SMA，理由是 BOLL 的统计学解释建立在“N 个样本的均值和标准差”之上，换成 EMA 后这个解释就不成立了，你在做参数敏感性分析时会得到一堆无意义的结论。
import numpy as np import pandas as pd def boll(close: pd.Series, n: int = 20, k: float = 2.0, ddof: int = 1): mid = close.rolling(n, min_periods=n).mean() std = close.rolling(n, min_periods=n).std(ddof=ddof) upper = mid + k * std lower = mid - k * std # 带宽：归一化后的波动度量，用来判断挤压/扩张 width = (upper - lower) / mid.replace(0, np.nan) return mid, upper, lower, width带宽width这个量别丢，后面判断“波动挤压”全靠它。它还有一个好处：不同品种、不同价格量级的合约之间，带宽可以直接横向比较，而上下轨的绝对价差不行。
2.2 RSI 的平滑方式差异，是信号错位的第一大来源
RSI 的原始定义（Wilder）是：先算 N 周期内上涨幅度均值 U 和下跌幅度均值 D，然后 RS = U/D，RSI = 100 - 100/(1+RS)。关键在于这个“均值”怎么算。Wilder 用的是递归平滑，等价于 alpha = 1/N 的指数平滑，只是初值用前 N 根的简单平均。而很多软件（尤其是部分国内行情软件的简化实现）直接用简单移动平均算 U 和 D。
这两者的差异在平稳行情里不明显，但在行情剧烈变化时，递归平滑的反应会明显滞后于简单平均。同一个价位，两套算法算出的 RSI 可能差 5 到 8 个点。如果你的阈值设在 70，这个差异就是“出不出信号”的区别。
def rsi_wilder(close: pd.Series, n: int = 14): delta = close.diff() up = delta.clip(lower=0.0) down = (-delta).clip(lower=0.0) # alpha = 1/n 的指数平滑，adjust=False 保证递归性质 avg_up = up.ewm(alpha=1.0 / n, adjust=False, min_periods=n).mean() avg_down = down.ewm(alpha=1.0 / n, adjust=False, min_periods=n).mean() rs = avg_up / avg_down.replace(0.0, np.nan) out = 100.0 - 100.0 / (1.0 + rs) # 处理全涨（avg_down=0）的情况 out = out.where(avg_down > 0, 100.0) out = out.where(avg_up > 0, 0.0) return out这里有个边界情况必须处理：avg_down == 0时，理论上 RSI 应该是 100；avg_up == 0时应该是 0。如果你的代码里直接做了除法，这两个位置会变成 NaN，然后在后续条件判断里静默地变成 False，导致连续涨停或连续跌停时策略完全不出信号——而这恰恰是最该有反应的时候。
我个人的做法是：先在期货量化交易软件里画一条 RSI(14)，把光标停在一个历史 K 线上，记下数值，再和代码算出来的对一遍，误差超过 0.5 就说明口径不一致，必须查清楚再往下走。这一步花十分钟，能省掉后面好几天的困惑。
2.3 期货特有的数据处理：跳空、夜盘、换月
期货和股票在数据层面有三个显著差异，每一个都会影响指标计算。
跳空。商品期货有夜盘，日盘开盘价经常和夜盘收盘价之间有缺口，尤其是外盘影响大的品种。跳空对 RSI 的影响是：一根大跳空的 K 线会带来一个巨大的delta，经过指数平滑后会持续影响后面十几根 K 线的 RSI 值。这不是 bug，是特性，但你要意识到RSI 在跳空后的头几根 K 线上是不可信的。我的处理是跳空幅度超过 2 倍 ATR 时，当根 K 线不产生新开仓信号，只允许平仓。
夜盘与日盘的拼接。不要用自然日做重采样，一定要用交易时间戳。有些数据源在夜盘数据的日期归属上处理不一致（有的把夜盘算作前一日，有的算作当日），如果你在做多周期对齐（比如用日线判断趋势、用 15 分钟线触发），这一错就是错一整天。
主力合约换月。主力连续合约在换月那天会出现一个巨大的假跳空，直接算指标会得到失真的轨道和 RSI。必须用价差或比例复权。我的经验是：指标计算用复权后的连续序列，但下单和止损计算必须用真实合约的价格，这两个不能混。曾经有一次我忘了这一条，策略在换月后按复权价算止损位，实际下单价格差了 80 多个点，止损形同虚设。
2.4 多周期对齐与未来函数的规避
策略如果需要长周期过滤（比如 60 分钟定方向、5 分钟触发），最容易犯的错是用当根尚未收盘的长周期 K 线做判断。这在回测里看不出来，因为它会让回测结果变好看；实盘就是灾难，因为那根 K 线还在跳动，信号会反复出现和消失。
规避方法很简单但必须强制：所有跨周期引用一律取上一根已收盘 K 线的值。
# df_htf 是长周期序列，index 为其收盘时间 htf_trend = df_htf['mid_slope'].shift(1) # 用 merge_asof 按时间向后对齐，避免把未来信息带进来 df = pd.merge_asof( df.sort_values('dt'), htf_trend.sort_index().rename('htf_slope'), left_on='dt', right_index=True, direction='backward' )direction='backward'这个参数是硬要求，不要用 nearest。另外merge_asof要求两边都按时间排序，忘了排序会静默出错，返回一堆 NaN，然后策略因为条件不满足而一笔不交易——这种“安静失败”最难排查。
提示：写完信号生成后，做一次自检——把整段回测的成交时间列出来，检查是否存在“成交时间早于信号所用数据的发布时间”的记录。有一条就说明有未来函数。
3. 策略逻辑与代码骨架
前面铺垫的都是“原料”，这一节讲怎么组装。我给出的版本不是最优版本，但它的每一个条件都能说清楚为什么存在，你可以在此基础上加自己的东西。
3.1 完整信号定义
方向层（用 BOLL 中轨斜率）：中轨相对 5 根 K 线前的变化率大于 0.05%（阈值按品种波动率调整），视为上升趋势，只做多；小于 -0.05% 只做空；介于两者之间视为无趋势，该周期不开新仓。
位置层（用 BOLL 轨道与带宽）：只在中轨附近或回踩轨道内侧的区域考虑入场，不做“突破外侧轨道追单”。原因是追突破在期货夜盘流动性差的时候滑点极大，得不偿失。
触发层（用 RSI）：多头要求 RSI 从 50 下方上穿 50，且上穿时的值不超过 65（超过说明动能已经透支，追进去盈亏比差）；空头反向，RSI 从 50 上方下穿 50，且不低于 35。
波动过滤（用带宽分位）：带宽处于过去 100 根 K 线的 20% 分位以下时，视为挤压状态，此时降低仓位或直接不开仓——挤压之后的突破方向不确定性太高，均值回归类信号在这个阶段胜率明显下降。
出场层：三选一，先触发者生效。一是止损，入场价反向 1.5 倍 ATR(14)；二是目标位，多头触及 BOLL 上轨（或空头触及下轨）；三是时间止损，持仓超过 20 根 K 线仍未达到 1 倍 ATR 的浮盈，主动离场。
时间止损这个规则看起来不起眼，但它是我在实盘中加的最有价值的一条。因为双指标策略容易在震荡区间反复进出，很多单子既不触发止损也不触发止盈，就那么耗着，占用保证金还干扰后续信号判断。
3.2 参数表与调参优先级
| 参数 | 默认值 | 可调范围 | 调参优先级 | 说明 |
|---|---|---|---|---|
| BOLL 周期 | 20 | 18–30 | 低 | 改动影响轨道形态，收益提升有限 |
| BOLL 倍数 | 2.0 | 1.8–2.5 | 中 | 影响目标位距离，进而影响盈亏比 |
| RSI 周期 | 14 | 9–21 | 中 | 短周期信号多但噪音大 |
| RSI 触发区间 | 50±15 | ±10–±20 | 高 | 直接决定信号数量和质量 |
| ATR 止损倍数 | 1.5 | 1.0–2.5 | 高 | 与仓位计算强耦合 |
| 带宽分位阈值 | 20% | 10%–30% | 中 | 影响过滤强度 |
| 中轨斜率阈值 | 0.05% | 0.02%–0.1% | 高 | 决定趋势过滤松紧 |
调参的顺序很重要。我建议先调斜率阈值和 RSI 触发区间这两个“开关型”参数，再调止损倍数，最后才碰周期和倍数。理由是前两个决定“做不做、做多少笔”，后几个只决定“单笔赚多少”，顺序反了会在错误的信号集上优化出场参数，得到的参数组合完全不可迁移。
3.3 状态机与回测循环
不要用向量化的方式生成信号然后假设“信号出现就成交”，期货策略必须写显式循环，因为要处理持仓状态、部分成交、涨跌停无法成交等现实问题。
def run_backtest(df, params): pos = 0 # 0 空仓，1 多，-1 空 entry_price = 0.0 entry_bar = 0 stop_price = 0.0 target_price = 0.0 trades = [] for i in range(1, len(df)): row = df.iloc[i] prev = df.iloc[i - 1] # ---------- 持仓管理 ---------- if pos != 0: holding = i - entry_bar if pos == 1: hit_stop = row['low'] <= stop_price hit_target = row['high'] >= target_price if hit_stop: exit_px = min(row['open'], stop_price) # 跳空按开盘价 trades.append((entry_bar, i, entry_price, exit_px, 'stop')) pos = 0 elif hit_target: exit_px = max(row['open'], target_price) trades.append((entry_bar, i, entry_price, exit_px, 'target')) pos = 0 elif holding >= params['max_hold']: trades.append((entry_bar, i, entry_price, row['close'], 'time')) pos = 0 else: hit_stop = row['high'] >= stop_price hit_target = row['low'] <= target_price if hit_stop: exit_px = max(row['open'], stop_price) trades.append((entry_bar, i, entry_price, exit_px, 'stop')) pos = 0 elif hit_target: exit_px = min(row['open'], target_price) trades.append((entry_bar, i, entry_price, exit_px, 'target')) pos = 0 elif holding >= params['max_hold']: trades.append((entry_bar, i, entry_price, row['close'], 'time')) pos = 0 # ---------- 开仓判断，用上一根已完成K线的指标值 ---------- if pos == 0 and not row['is_limit']: slope_ok_long = prev['mid_slope'] > params['slope_th'] slope_ok_short = prev['mid_slope'] < -params['slope_th'] squeeze = prev['width_pct'] < params['width_th'] rsi_up = prev['rsi_prev'] < 50 <= prev['rsi'] rsi_dn = prev['rsi_prev'] > 50 >= prev['rsi'] if slope_ok_long and rsi_up and not squeeze and prev['rsi'] <= 65: entry_price = row['open'] # 次根开盘成交 stop_price = entry_price - params['atr_k'] * prev['atr'] target_price = prev['upper'] pos, entry_bar = 1, i elif slope_ok_short and rsi_dn and not squeeze and prev['rsi'] >= 35: entry_price = row['open'] stop_price = entry_price + params['atr_k'] * prev['atr'] target_price = prev['lower'] pos, entry_bar = -1, i return trades这段代码有三个地方值得单独说。
第一，hit_stop和hit_target同时成立时，我优先判止损。这是保守假设，因为实盘中我们无法知道盘中先走了哪个方向。如果你的回测框架允许用 tick 数据，那当然更准，但用 K 线回测时必须假设最不利情况，否则回测结果会系统性偏乐观。
第二，出场价用min(row['open'], stop_price)处理跳空。如果跳空直接穿过止损位，实际成交价就是开盘价，比止损价更差。很多简易回测框架直接按止损价成交，这是回测与实盘差异的主要来源之一。
第三，is_limit这个字段用来标记涨跌停或封板的 K 线。涨跌停时无法成交，必须跳过。判断方式可以用high == low加成交量异常，或者直接判断涨跌幅是否达到合约限制。
3.4 仓位计算：别用固定手数
仓位是双指标策略里最容易被忽略、但对结果影响最大的部分。固定手数在不同波动环境下风险敞口完全不同，同一个策略在低波动期和高波动期会呈现出完全不同的回撤特征。
我用的是固定风险比例法：
手数 = (账户权益 × 单笔风险比例) / (止损距离 × 合约乘数)止损距离 =atr_k * ATR，合约乘数按品种填（比如 10 吨/手这一档）。单笔风险比例我设 0.5%，这样即使连续 10 笔止损，回撤也控制在 5% 左右，还在可承受范围。
算出结果后要向下取整，并且设定最小手数为 1。如果算出来是 0.6 手，说明这笔交易的风险超过了你设定的上限，正确做法是放弃这笔交易，而不是把仓位取整到 1 手。这一点我在早期理解错了，导致小账户上单笔风险实际远超设定值。
还有一个期货特有的细节：保证金检查。反手或者连续开仓时，可用资金可能不够。必须在下单前查一遍可用资金 >= 保证金 × 手数 × 1.2，留 20% 的缓冲，因为盘中价格波动会推高保证金占用。
4. 回测里最容易被骗的地方
回测曲线好看不代表策略能用，这句话大家都知道，但具体到双指标策略上，欺骗性来源是有共性的。我把这几年遇到的按影响大小排一下。
4.1 五个系统性高估来源
| 问题 | 表现 | 修正方法 |
|---|---|---|
| 用收盘价成交 | 收益曲线平滑，胜率虚高 | 信号在收盘确认，成交用次根开盘价 |
| 忽略滑点 | 高频出入场策略收益虚高数倍 | 按 1 跳计滑点，夜盘再加 0.5 跳 |
| 止损按止损价成交 | 极端行情回撤被严重低估 | 跳空按开盘价，取更差价格 |
| 手续费只算单边 | 日内策略成本低估一半 | 双边计，日内平仓按平今标准 |
| 换月不做复权 | 出现虚假的大幅跳空盈亏 | 比例复权，成交价用真实合约 |
滑点这一项我要多说两句。双指标策略在 5 分钟、15 分钟周期上的信号频率不低，一天三五笔很正常。如果按 1 跳滑点算，一天就是 3 到 5 跳的成本，一个月按 20 个交易日算是 60 到 100 跳。这个数字对一个目标月收益 200 跳的策略来说，是 30% 到 50% 的利润侵蚀。我见过一个策略在零滑点假设下年化 40%，加上 1 跳滑点后变成 -5%，就是这么快。
4.2 参数敏感性：平稳比最优更重要
我做参数搜索时不看最优点，看的是参数平原。具体做法是把两个关键参数（比如 RSI 触发区间宽度和 ATR 止损倍数）做成二维网格，每格算一个净值曲线，然后看最优点周围 3×3 邻域内的表现是否接近。如果最优点孤零零一个小尖峰，周围全是负收益，这个参数组合基本可以判定是过拟合。
我自己的经验值：最优参数邻域 9 个格子的收益标准差如果超过均值的 60%，我就认为这个参数组合不够稳健，宁可往标准参数（20/2/14）靠。标准参数之所以是标准，是因为被太多人用太久了，它在多数品种上都“不太好但也不至于太差”，作为起点比任何优化结果都可靠。
另外一个必做的检验是分年度、分品种验证。在 5 个流动性好的主力合约上分别跑，如果有 2 个以上是亏的，说明策略的适用性有很强的品种依赖，上实盘时必须做品种筛选，不能全铺。我现在的做法是只在这 5 个品种里挑近两年都为正的那两三个上，其余的不碰。
4.3 结果解读：先看交易次数，再看收益
拿到一份回测报告，我的阅读顺序是固定的：先看交易次数，少于 100 笔的结果直接不看，样本量不够，任何统计结论都不可靠；再看最大单笔亏损占比，超过总收益 30% 说明单笔风险控制有问题；然后看最长连续亏损笔数，这个数决定了我需要准备多少心理承受力；最后才看年化收益和夏普。
一个健康的双指标策略，在 15 分钟周期上通常呈现出：胜率 45% 到 55%，盈亏比 1.3 到 1.8，单笔平均持仓 8 到 20 根 K 线，年交易次数 200 到 500 笔。如果你的回测结果是胜率 75%、盈亏比 0.8，那基本可以确定是“小赢大亏”结构，一次极端行情就会还回去。这种结果我见过太多次，看到这个组合就知道问题出在止盈太近、止损太远。
5. 落到期货量化交易软件上，工程侧才是真考验
策略逻辑写完了只是走了一半路。真正让双指标策略在实盘“活下来”的，是软件层面的这些工程能力。我列一份清单，按重要性排序，这也是我评估一套期货量化交易软件是否够用的标准。
5.1 软件能力清单与验收方法
| 能力项 | 为什么重要 | 验收方法 |
|---|---|---|
| 自定义指标与策略脚本 | 双指标逻辑无法用内置模板表达 | 能否手写 RSI 平滑方式并覆盖内置实现 |
| 历史数据补全 | 断线后 K 线缺失会导致指标错位 | 手动断开网络 10 分钟，看恢复后 K 线是否补齐 |
| 持仓状态持久化 | 盘中重启后不能丢仓 | 重启后检查策略内部持仓与账户实际持仓是否一致 |
| 报单状态回执 | 部分成交、拒单必须可知 | 用最小手数在非主力合约上测试被拒时的回调 |
| 多周期数据同步 | 长周期过滤依赖对齐 | 检查长周期最后一根的收盘时间戳 |
| 日志与告警 | 出问题要能回溯 | 日志是否记录每笔信号的指标快照值 |
第三项和第四项是我踩过最深的坑。有一年做日内策略，某天下午软件进程被系统回收，重启后策略初始化成空仓状态，但账户里实际还持着两手多单。策略以为空仓，又开了一次，直接变成双倍仓位。发现的时候已经浮亏了。从那以后，我要求所有策略启动时第一步必须是从交易接口拉取实际持仓，与本地记录做比对，不一致就报警并停止交易，绝不自动纠正。
报单状态回执这件事更隐蔽。期货下单不是同步的，你发出指令到收到成交回报之间有延迟，这期间如果策略逻辑假设“已成交”并去计算止损位，就会算错。正确的做法是：信号发出后进入“待确认”状态，收到成交回报后才转为“持仓”状态并计算止损。在待确认期间，同一方向不允许再发新单。
5.2 盘前盘中盘后的固定动作
我把这套流程写成脚本了，每天跑，省心。
盘前（开盘前 15 分钟）：检查行情连接状态、检查账户可用资金和保证金占用、检查主力合约是否发生换月（换月则重新加载合约代码）、检查上一日持仓与本地记录是否一致、检查策略参数文件是否被意外修改（对比文件哈希）。
盘中：每 5 分钟检查一次行情延迟（最新 tick 时间与本地时间的差），超过 10 秒则暂停开仓；每小时检查一次账户权益，回撤超过当日 3% 则全天停止开新仓。这个日内的回撤熔断是我强烈建议加的，双指标策略在极端单边行情里会连续止损，熔断能防止一天之内伤筋动骨。
盘后：导出当日成交明细、导出信号日志、对比实际成交价与理论信号价的偏差、统计当日滑点分布。滑点统计这个动作看起来繁琐，但它能提前发现流动性恶化或者报单方式的问题。我就是在统计里发现某品种夜盘开盘后 3 分钟内滑点明显放大，然后把策略的开仓时间窗口避开了这 3 分钟。
5.3 常见问题与排查速查表
| 现象 | 可能原因 | 排查步骤 |
|---|---|---|
| 图表 RSI 与策略 RSI 差 3 个点以上 | 平滑方式不一致 | 用同一根历史 K 线手工计算对比，确认是 Wilder 还是 SMA |
| 信号在 K 线收盘前反复出现消失 | 用了当根未收盘数据 | 检查是否所有条件都 shift(1) |
| 回测成交价与实盘差异巨大 | 滑点模型过于乐观 / 报单类型不当 | 换成限价单测试，统计实际成交价分布 |
| 换月后策略连续亏损 | 未做复权或未重载合约 | 检查换月日的价格序列是否有异常跳空 |
| 某些时段完全不出信号 | 数据缺失或指标为 NaN | 打印每根 K 线的指标值，找 NaN 区间 |
| 止损未按预期触发 | 涨跌停或流动性不足 | 检查当根 K 线 high/low 是否等于 limit |
| 同一根 K 线反复开平 | 信号状态未做去重 | 加持仓状态锁，持仓期间不重复触发 |
| 保证金不足导致开仓失败 | 未做资金预检 | 下单前检查可用资金是否大于保证金 ×1.2 |
最后一行那个问题特别值得说。有一次策略在夜盘连续开了三笔，第四笔被拒，日志里只写“资金不足”。查下来是因为前两笔的保证金占用因为价格波动被上调了，可用资金比预期少了一截。从那以后我在下单前会多检查一步：用当前价加上 2 倍 ATR 作为假设成交价，重新算一遍保证金，确保即使价格不利波动也不会出现保证金不足。
5.4 一个容易被忽略的细节：指标快照日志
我在每笔成交的日志里都记录了当时所有指标的值：BOLL 上中下轨、带宽分位、RSI 值、ATR、中轨斜率、触发条件的具体判断结果。这个日志在排查问题时价值极高。有一次发现某笔交易的开仓条件里“带宽分位”判断竟然是 True，但按当时的数据本应是 False，最后查出来是带宽分位的历史窗口在策略重启后被重置了，只用了重启后的数据算分位。
这类“状态依赖型指标”在重启后的初始化是个深坑。任何用到历史窗口统计量的指标（带宽分位、ATR 均值、波动率分位），在策略启动时都必须加载足够长的历史数据重新预热，而不是从空状态开始。我现在的标准是：预热数据长度至少是指标窗口的 10 倍，20 周期的 BOLL 至少要加载 200 根 K 线预热，带宽分位窗口 100 的话至少要 1000 根。
注意：预热长度不足导致的问题是静默的——策略照常运行，只是前若干根 K 线的指标值不可信，而这段时间恰恰是每天开盘后最关键的一段。开盘前把预热做足，比优化参数重要得多。
6. 我对这套组合策略的真实看法
说了这么多实现细节，最后聊聊我对 BOLL 加 RSI 这套组合的判断，这部分是纯粹的个人经验，不一定适用于你的品种和周期。
这两个指标的组合有个天然的天花板：它们都是滞后指标，都是在价格已经走出来之后才反应。所以这套策略的收益来源本质上是“趋势中的回踩”和“震荡中的均值回归”，它在有明显趋势延续性的品种上表现好，在快速反转的品种上会被反复打脸。我实测下来，这套逻辑在波动率中等偏上、日内有明确方向性的品种上效果最好；在那种全天窄幅震荡、尾盘突然放量的品种上，基本是负期望。
真正让策略从“能用”变成“敢用”的，不是指标本身，而是三件事：信号用上一根已收盘 K 线、止损用 ATR 动态调整、仓位用固定风险比例。这三条加上之后，指标参数怎么微调，结果差异都不大了。反过来，如果这三条没做对，你把参数优化到小数点后两位也没意义。
还有一个我后来才意识到的点：双指标策略在多品种上的表现相关性很高。因为信号逻辑一样，同一时间多个品种可能同时触发同向信号，实际上是变相加了杠杆。所以我在资金分配上做了限制：同方向持仓不超过 2 个品种，总风险敞口不超过账户权益的 2%。这条规则加上之后，整体净值曲线明显平缓了，虽然收益降了一些，但回撤小了更多，风险调整后的表现反而更好。
最后分享一个最近在用的检查习惯：每隔一段时间，我会把策略最近 20 笔交易的信号图打印出来，用眼睛一根一根 K 线看图上的指标位置和信号的合理性。这件事看起来很土，但机器查不出来的逻辑错误，人眼经常一眼就看出来。上个月就是这么发现一个“RSI 下穿 50 时，如果当根 K 线同时满足带宽挤压条件，平仓逻辑会错误地覆盖开仓判断”的问题——代码没错，是两个条件块的执行顺序写反了。这种问题，日志和回测报告都不会告诉你，只有看图才能发现。
