80%时间空仓的保守交易策略：多条件共振与风险控制

很多做交易的朋友都有这样一种体会：持仓比空仓难受，空仓比亏损难受。明明知道当前行情不好，却总想买点什么，生怕错过所谓的“大机会”；结果往往是买进去就被套，套住又舍不得止损，最后从小亏变成深亏。

这篇文章不聊技术指标公式的堆砌，也不搞“稳赚战法”那套玄学，而是从交易纪律和策略设计的角度，讲清楚一套“80%时间空仓等待”的保守型交易策略。它的核心思想很简单：大部分时间你应该什么都不做，只在少数满足条件的时间窗口出手。本文会包含完整的策略逻辑、可运行的代码示例、回测验证思路，以及常见问题的排查方法，适合做程序化交易的开发者，也适合想用规则约束自己手动交易的投资者参考。

1. 为什么“管不住手”是亏损的主要根源

1.1 过度交易的本质

在投资交易中，“过度交易”是散户亏损最普遍的原因之一。很多投资者把“每天都在操作”误当作“勤奋”，把“频繁买卖”误当作“抓住机会”。但实际上，市场的波动大部分是随机噪音，并不具备稳定的可交易性。

过度交易的本质，是不承认“市场大部分时间没有明确方向”这一事实。当我们频繁开仓时，每一笔交易都要承担手续费、滑点和错误的概率。即使单笔交易的胜率不低，一旦交易次数过多，交易成本和情绪损耗就会侵蚀利润。

更关键的是，频繁交易往往伴随情绪化决策。看到价格拉升就追进去，看到价格下跌就慌张割肉，这种操作方式根本没有一致的逻辑，结果自然也是随机的。

1.2 空仓等待并不是“没做事”

很多交易者觉得空仓等于浪费时间，其实这是一种误解。在交易系统里，空仓是一种主动的风险管理手段，意味着你正在等待系统给出高质量信号。

如果把交易看作打猎，空仓等待就是“瞄准再开枪”，而不是“开枪再瞄准”。真正的职业交易者往往有着极高的耐心，他们只在自己最有把握的行情下出手，其余时间都在观察和等待。

将“80%时间空仓”作为策略目标，并不是要求你一定空仓，而是提醒你：大部分时间市场的交易价值有限，你应该把精力和资金留给那些少数的、值得出手的机会。

1.3 策略化交易才是出路

“管不住手”是情绪层面的问题，但解决它不能只靠自我控制，要靠策略和规则。

如果你在交易前就定义好了入场条件、出场条件、仓位大小、止损位置，那么每一次操作都不是临时起意，而是按规则执行。这种“规则化”的交易方式，也就是我们常说的量化交易思想，即使你没有写代码，也可以手动执行。

本文介绍的“空仓等待策略”就是一套规则化的交易框架：它用趋势指标判断大方向，用波动指标过滤震荡，用时间条件规避不确定性，多个条件全部满足才考虑入场，否则就保持空仓。

2. 策略整体逻辑与设计思路

2.1 核心思想：弱水三千，只取一瓢

这套策略的设计目标不是捕捉所有上涨行情，而是过滤掉大部分无效行情，只参与趋势明确、风险相对可控的时间段。

用一句话概括：多条件共振才入场，条件不满足就空仓等待。

它包含三个核心模块：

• 方向过滤：判断市场当前处于上升趋势还是下降趋势。
• 强度过滤：判断当前趋势是否足够强，排除横盘震荡。
• 风险过滤：根据波动率调整仓位或设定止损，防止单笔亏损过大。

这三个模块分别对应“做什么方向”“现在能不能做”“做错了亏多少”三个问题。

2.2 为什么“多等一等”能提高胜率

很多交易策略追求“每次都参与”，结果在震荡行情中被反复止损。这套策略反过来，它故意降低交易频率，用“错过”来换取“少错”。

举个例子，如果一个策略每周发出5次信号，其中只有1次是有效的，那么它的胜率只有20%；如果过滤条件更严格，每周只发出1次信号，但这次信号的质量明显更高，那么胜率可能提升到50%以上。

当然，过滤条件越严格，错过的机会也越多。这是一个权衡。本文介绍的策略偏向保守，适合风险偏好较低、更看重资金回撤控制的投资者。

2.3 策略的适用场景

这套策略适用于以下场景：

• 日线或周线级别的中长线交易。
• 趋势特征明显的市场（如股票指数、主流币种、商品期货）。
• 有足够耐心等待信号出现、不追求每日交易的投资者。

它不适用于：

• 高频交易或日内超短线。
• 震荡明显的无趋势品种。
• 没有严格止损纪律、喜欢扛单的交易者。

3. 环境准备与版本说明

本策略的代码示例使用 Python 编写，依赖pandas、numpy和matplotlib库。版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。

建议环境：

• Python 3.8 及以上版本。
• pandas 1.3 及以上版本。
• numpy 1.21 及以上版本。
• matplotlib 3.4 及以上版本。

如果你没有安装这些库，可以先执行以下命令：

pip install pandas numpy matplotlib

如果你使用的是 Anaconda 环境，这些库通常已经内置，可以直接导入。

数据方面，本文以获取日线行情为例，使用市面上的常见数据接口。为了保护隐私和避免依赖特定 API，代码中预留了数据加载的位置，你可以替换为自己的数据源。

4. 核心指标与信号逻辑拆解

4.1 均线趋势过滤

均线是最常用的趋势判断工具之一。它的原理是计算一段时间内的平均价格，用平均价格的方向代表趋势方向。

在这套策略中，我们使用两条均线做趋势过滤：

• 50 日均线（中期趋势）
• 200 日均线（长期趋势）

信号逻辑：

• 当 50 日均线在 200 日均线上方时，认为市场处于多头趋势，只考虑买入。
• 当 50 日均线在 200 日均线下方时，认为市场处于空头趋势，禁止买入，保持空仓。

这个逻辑看起来简单，但非常有效。它保证了我们只在长期向上的市场中寻找机会，过滤掉了大部分下跌中继的反弹陷阱。

需要注意的是，均线本身具有滞后性。均线周期越长，反应越慢，但信号越稳定。短周期均线反应快，但容易被假突破欺骗。因此，本文没有使用过于灵敏的参数，而是选择稳健的中长周期。

4.2 ADX 趋势强度过滤

均线能判断方向，但无法区分“强趋势”和“缓慢爬升”。为了解决这个问题，我们引入 ADX（Average Directional Index，平均趋向指数）。

ADX 的取值范围是 0 到 100，数值越大代表趋势越强：

• ADX 大于 25，认为趋势较强，可以入场。
• ADX 小于 20，认为行情处于震荡或趋势不明朗，不宜入场。
• ADX 在 20 到 25 之间，属于临界区，建议观望。

ADX 的详细计算公式如下：

TR = max(high - low, abs(high - prev_close), abs(low - prev_close)) +DM = max(high - prev_high, 0) if (high - prev_high) > (prev_low - low) else 0 -DM = max(prev_low - low, 0) if (prev_low - low) > (high - prev_high) else 0

然后对上述值做平滑处理，计算出 +DI 和 -DI，最后得到 DX，再对 DX 做平滑得到 ADX。

这个公式在代码中可以用 pandas 的滚动窗口直接实现，我们会在第 5 节给出完整代码。

4.3 ATR 波动率过滤与止损设定

ATR（Average True Range，平均真实波幅）用于衡量市场的波动程度。

ATR 的计算方式是对真实波幅（True Range）取 N 日平均值。真实波幅的计算公式如下：

TR = max(high - low, abs(high - prev_close), abs(low - prev_close))

ATR 的用途有两个：

• 过滤波动率过低的行情，避免在死水一潭的品种中交易。
• 动态设定止损距离，根据波动率调整止损位。

在实际操作中，止损位可以设置为“入场价格 - 2 × ATR”。这意味着如果市场波动变大，止损距离会自动放宽；市场平稳时止损距离也会收窄。这种动态止损方式比固定百分比的止损更科学。

4.4 三个条件共振才入场

最终，策略的入场条件如下：

1. 50 日均线位于 200 日均线上方。
2. ADX 大于 25，表明趋势强度足够。
3. 当前价格高于入场触发价，并且 ATR 保持在合理范围内。

三个条件同时满足时，生成买入信号；只要有一个条件不满足，就不开仓。

这个设计的好处是：单一指标可能会出现误判，但多个独立指标同时误判的概率会大幅降低。这就是我们在策略设计中常说的“多条件共振”。

5. 完整代码实现

5.1 项目结构

我们先创建项目目录，结构如下：

trade-strategy/ ├── data/ │ └── historical_data.csv ├── strategy.py └── README.md

其中data/historical_data.csv存放历史行情数据，strategy.py是策略主文件。

建议数据至少包含以下列：date、open、high、low、close、volume，日期格式为YYYY-MM-DD。

5.2 策略核心代码

以下是完整的策略实现代码：

# 文件路径：strategy.py import pandas as pd import numpy as np import matplotlib.pyplot as plt # 读取数据 df = pd.read_csv('data/historical_data.csv', parse_dates=['date']) df.set_index('date', inplace=True) # 计算 50 日均线和 200 日均线 df['ma50'] = df['close'].rolling(window=50).mean() df['ma200'] = df['close'].rolling(window=200).mean() # 计算 TR（真实波幅） df['prev_close'] = df['close'].shift(1) df['tr'] = df.apply(lambda row: max( row['high'] - row['low'], abs(row['high'] - row['prev_close']), abs(row['low'] - row['prev_close']) ), axis=1) # 计算 ATR 14 df['atr'] = df['tr'].rolling(window=14).mean() # 计算 +DM 和 -DM df['up_move'] = df['high'].diff() df['down_move'] = -df['low'].diff() df['plus_dm'] = np.where((df['up_move'] > df['down_move']) & (df['up_move'] > 0), df['up_move'], 0.0) df['minus_dm'] = np.where((df['down_move'] > df['up_move']) & (df['down_move'] > 0), df['down_move'], 0.0) # 对 DM 做平滑处理 df['plus_dm_smooth'] = df['plus_dm'].rolling(window=14).mean() df['minus_dm_smooth'] = df['minus_dm'].rolling(window=14).mean() df['tr_smooth'] = df['tr'].rolling(window=14).mean() # 计算 +DI 和 -DI df['plus_di'] = 100 * df['plus_dm_smooth'] / df['tr_smooth'] df['minus_di'] = 100 * df['minus_dm_smooth'] / df['tr_smooth'] # 计算 DX 和 ADX df['dx'] = 100 * abs(df['plus_di'] - df['minus_di']) / (df['plus_di'] + df['minus_di']) df['adx'] = df['dx'].rolling(window=14).mean() # 策略信号：三个条件同时满足 df['trend_ok'] = df['ma50'] > df['ma200'] df['strength_ok'] = df['adx'] > 25 df['volatility_ok'] = df['atr'] > df['atr'].rolling(window=100).mean() * 0.8 df['signal'] = df['trend_ok'] & df['strength_ok'] & df['volatility_ok'] # 打印最近 10 条信号 print(df[['close', 'ma50', 'ma200', 'adx', 'atr', 'signal']].tail(10)) # 可视化 plt.figure(figsize=(12, 6)) plt.plot(df.index, df['close'], label='Close Price') plt.plot(df.index, df['ma50'], label='MA50') plt.plot(df.index, df['ma200'], label='MA200') plt.plot(df.index[df['signal']], df['close'][df['signal']], '^', markersize=10, color='r', label='Buy Signal') plt.legend() plt.title('Trend Following Strategy with ATR Filter') plt.show()

5.3 代码说明

这段代码做的事情可以拆成几个部分：

• 读取数据后，用rolling(window=50).mean()和rolling(window=200).mean()计算两条均线。
• 用high - low、abs(high - prev_close)、abs(low - prev_close)三者中的最大值作为真实波幅 TR。
• 对 TR 取 14 日均值得到 ATR。
• 根据价格向上或向下的移动幅度判断正负方向摆动值 +DM、-DM。
• 对 DM 和 TR 做平滑后，计算 +DI、-DI，再得到 DX 和 ADX。
• 最终信号是趋势、强度、波动率三个布尔条件的与运算，只有全部为真时signal列才为 True。

5.4 运行与验证

在项目目录下执行：

python strategy.py

如果数据文件格式正确，你会看到终端输出最近 10 行数据的指标值，并弹出价格曲线图，图中红色三角标记代表符合入场条件的买点位置。

如果提示KeyError或FileNotFoundError，大概率是数据路径或列名与代码不一致，请先检查 CSV 文件。

6. 回测与结果评估

6.1 为什么必须回测

策略写完之后，不能直接上实盘。你需要先通过历史数据回测，验证策略在不同行情阶段的表现，这是量化交易的基本步骤。

回测的核心目标是回答几个问题：

• 策略的胜率是多少？
• 平均单笔盈利与平均单笔亏损的比值（盈亏比）是多少？
• 最大回撤是多少？是否能接受？
• 完整牛熊周期中，策略是否还能保持正收益？

如果策略只在牛市中赚钱、在熊市中大幅回撤，那么它并不是一个稳健的策略。

6.2 回测代码的基本框架

以下是一个简单的回测示例，它统计信号出现后的收益情况：

# 文件路径：backtest.py import pandas as pd import numpy as np # 假设 df 是包含 signal 列和 close 价格的数据框 # 这里用 df 变量作为演示 def backtest(df): # 取信号出现的日期 signal_dates = df.index[df['signal']].tolist() results = [] hold_days = 5 # 假设信号后持有 5 天 for date in signal_dates: try: idx = df.index.get_loc(date) entry_price = df['close'].iloc[idx] exit_price = df['close'].iloc[idx + hold_days] ret = (exit_price - entry_price) / entry_price results.append({ 'entry_date': date, 'exit_date': df.index[idx + hold_days], 'return': ret }) except IndexError: continue result_df = pd.DataFrame(results) if len(result_df) > 0: win_rate = (result_df['return'] > 0).mean() avg_return = result_df['return'].mean() max_drawdown = result_df['return'].min() # 使用累计收益计算最大回撤 cumsum = result_df['return'].cumsum() drawdown = cumsum - cumsum.cummax() max_dd = drawdown.min() else: win_rate = 0 avg_return = 0 max_dd = 0 print(f"信号数量: {len(result_df)}") print(f"胜率: {win_rate * 100:.2f}%") print(f"平均单次收益: {avg_return * 100:.2f}%") print(f"最大回撤: {max_dd * 100:.2f}%") # 调用回测 backtest(df)

6.3 回测结果的解读

回测结果需要关注几个关键指标：

信号数量直接反映策略的“空仓比例”。如果信号数量很少，说明策略大部分时间确实在空仓。这个结果可能让人失望，因为交易频率低意味着“看似能赚钱的机会减少了”。但从风险管理角度看，过滤掉不确定性高的行情，才是长期复利的关键。

胜率是衡量策略是否有效的直接指标。稳健的策略胜率通常在 40% 到 60% 之间，结合合理的盈亏比，长期可以实现正期望。

最大回撤反映策略在极端行情下的亏损幅度。如果回撤超过你的心理承受范围，说明策略的仓位管理需要调整，或者过滤条件还可以更严格。

回测不是万能的，它基于历史数据，无法预测未来。但通过回测，你可以了解策略在不同市场状态下的行为特征，做到有的放矢。

7. 常见问题与排查思路

这里重点解释一下“前视偏差”。前视偏差是指回测中意外使用了未来数据，导致回测结果虚高。比如，如果你在计算当日信号时意外引入了当日收盘后才会公布的数据，那么信号就会“提前知道答案”。避免前视偏差的方法是严格保证指标只使用当前时刻之前的数据，代码中所有rolling计算默认向后看，这是天然安全的，但如果你自定义了数据变换，需要格外注意。

8. 最佳实践与工程化建议

8.1 用规则替代意志力

“管不住手”的根源，是交易决策在盘中临时形成，容易受情绪影响。最佳实践是在盘前或盘中定时获取信号，一旦规则明确，就不再主观更改。

你可以做一个极简的交易清单：

• 今日 MA50 是否大于 MA200？
• 今日 ADX 是否大于 25？
• 今日是否出现策略入场信号？

只有所有答案都是“是”，才允许开仓。这个清单不需要复杂系统，一张纸就能执行。

8.2 仓位管理比入场信号更重要

即使信号质量很高，也不应该重仓押注。建议单笔风险控制在总资金的 1% 到 2% 以内，用 ATR 动态计算仓位大小，公式如下：

仓位 = (总资金 × 单笔风险比例) / (止损距离) 其中止损距离 = 2 × ATR

举个例子，假设总资金 10 万元，单笔风险比例 1%，也就是你愿意承担 1000 元亏损，如果 2 倍 ATR 等于 200 点，那么你的仓位就是 1000 / 200 = 5 手。这个公式让风险始终可控，不会因为某次亏损而伤筋动骨。

8.3 日志记录是提升交易能力的捷径

每次交易后，记录以下信息：

• 入场理由、出场理由。
• 信号指标的具体数值。
• 是否按计划执行。
• 计划外操作的原因。

长期积累下来，你会发现自己的交易模式中哪些步骤容易出错，哪些环节需要重点改进。很多交易者亏损不是因为策略不好，而是因为没有记录，所以同样的错误反复犯。

8.4 先模拟、后实盘、再优化

新策略上线前，至少先做以下几个步骤：

1. 用历史数据回测，确认策略逻辑没有编码错误。
2. 用模拟盘运行 1 到 3 个月，观察实盘环境下的信号质量。
3. 用最小仓位实盘验证，确认交易执行效率。
4. 再逐步增加仓位，但每次调整必须记录结果，避免盲目优化。

策略优化要特别注意“过度拟合”的问题。如果你把参数调得完美贴合历史数据，那它很可能在未来失效。正确的做法是让策略逻辑尽量简洁，用少量的参数表达稳定的市场规律。

8.5 风险控制的底线思维

无论策略多好，都可能有连续亏损的阶段。这是交易的一部分，必须接受。

在资金管理上，建议设置“熔断机制”：当账户回撤达到 15% 时，暂停交易一周，复盘问题后再决定是否继续。这个机制不是策略层面的，而是风控层面的，它能防止你在连续亏损时因为情绪失控而做出更糟糕的决策。

9. 总结

“80%时间空仓等待”这类策略的核心，不是寻找更多的交易机会，而是学会过滤掉低质量的交易机会。它要求交易者承认自己不可能抓住所有行情，也要求交易者建立一套可验证、可执行的规则体系来约束自己。

从技术实现上看，趋势均线过滤方向、ADX 过滤强度、ATR 控制风险，这三个指标组合成一套完整的多条件共振策略。代码实现并不复杂，关键在于你是否愿意严格执行规则，是否能在信号不出现时耐心等待。

如果你还在亏损中反复循环，不妨先不做交易，把本文的策略代码跑一遍，用历史数据验证你的思路是否可行。用规则代替主观判断，用空仓代替频繁操作，长期来看，这才是普通投资者更稳妥的进步路径。

如果本文对你有帮助，可以先收藏备用，后续也可以多回测几组数据，看看不同参数下策略表现如何。祝每一次出手，都是计划内的一击。