你打开编辑器，准备写自己人生中第一个量化策略的时候，多半会看到各种论坛里铺天盖地的“双均线策略”“金叉死叉”这些词。别觉得老套，双均线策略真的是最适合新手的第一个量化策略，没有之一——逻辑简单、代码量小、边界清晰，而且能完整体验“拿数据→算信号→做回测→看资金曲线”的全过程。这篇文章就是按照我自己的经验，带你30分钟把这个流程完整跑通，顺便把那些教程里不太会写的坑也抖出来。
我对这篇文章的定位是给两类人看：一类是刚接触量化、想搞懂回测是怎么回事的Python初学者，另一类是已经能写代码、但一直没想明白“策略到底怎么从信号变成真金白银”的转型选手。我不打算把双均线的原理翻来覆去地讲，而是直接给你一条最短路径，让你先把流程跑通，再回头补理论。毕竟做量化这件事，卡在“想”和“做”之间的人太多了，先动起来比什么都重要。
1. 为什么第一策略一定要是双均线
1.1 双均线策略到底在做什么
双均线策略的核心逻辑一句话就能说清：当短期均线从下方穿过长期均线时买入，当短期均线从上方穿过长期均线时卖出。前者叫“金叉”，后者叫“死叉”。
均线本身是什么？它就是过去N根K线收盘价的平均值。MA5代表最近5个交易日的平均成本，MA20代表最近20个交易日的平均成本。短期均线代表了市场最近的情绪，长期均线则反映了近一个月左右的筹码成本。当短线上穿长线，说明最近买入的人比过去一个月买入的人更愿意出高价，市场短期动能向上；反过来，短线下穿长线，说明短期抛压已经超过了前期的平均成本，动能向下。
这其实就是最朴素的趋势跟踪思路：均线把每天的价格噪声做了平滑，只留下方向性信息。你赚的是趋势行情的钱，而不是每天的波动差价。所以双均线策略本质上是在回答一个问题——现在这个品种，到底是在上涨趋势里还是在下跌趋势里？如果是在上涨趋势里，我就持仓；如果不在，我就空仓或者做空。
1.2 为什么拿它当入门策略最合适
我见过不少新人一上来就研究机器学习预测股价、搭建多因子模型，结果卡在数据清洗和因子计算上好几周，最后连一次完整的回测都没跑完。选双均线当第一个策略，有三个很实际的理由：
第一，逻辑透明。每一笔买卖都能用一句人话解释清楚，“MA5上穿MA20了，所以我买了”，复盘的时候不玄学、不黑箱，出了问题容易定位。
第二，代码量小。纯用pandas实现一个带交易明细的回测，只需要几十行代码。30分钟跑通是真实可行的，不是标题党。
第三，可扩展性强。双均线是很多策略的基本骨架，你后续加止损、加仓位管理、加波动率过滤，都是在它基础上叠加。把这个骨架吃透，后面的路会顺很多。
2. 跑通策略前的准备工作
2.1 数据从哪来：先准备一份干净的行情数据
做回测的第一步是拿到一份能用的行情数据。我不建议一上来就接实盘接口，先在本地准备一份CSV文件就够了。字段最少要有：日期（date）、开盘价（open）、最高价（high）、最低价（low）、收盘价（close）、成交量（volume）。这是最通用的OHLCV格式。
从公开数据源下载历史日线数据时，有两个地方很容易踩坑。第一个是复权问题：股票分红、送股会造成价格跳空，不复权的数据会让均线产生虚假的信号。建议使用“前复权”数据做回测，也就是把历史价格按照当前价格做了统一调整。第二个是数据里面可能有停牌日、空值，回测前要做清洗排序，不然后面的计算很容易报错。
我自己的习惯是把数据文件命名为000300.csv，放在项目根目录下，这样后面代码里读文件的路径最省事。你可以用沪深300指数、创业板ETF或者任何你熟悉的品种作为第一个实验对象。
2.2 回测环境安装：Python + pandas 足够用了
说到回测，很多人会觉得必须要上专业的量化框架。我的建议恰恰相反：第一次跑通策略，手写回测就够了，别急着用框架。原因很简单——框架帮你封装了太多细节，你反而搞不懂资金、仓位、信号这些环节是怎么串起来的。老老实实用pandas一行一行算，跑通了再换框架，你会感谢自己做了这个决定。
环境方面只需要三样东西：Python 3.8以上，pandas，以及matplotlib（用来画资金曲线）。安装命令：
pip install pandas matplotlib如果你用的是Anaconda，一般这两个库都已经内置了。全程不需要装额外的量化库。
2.3 数据预览：先肉眼看一遍趋势
数据读进来以后，不要急着写策略，先画个图。这一步几乎是所有教程不会提但非常关键的环节。用收盘价画出价格曲线，顺手把MA5和MA20叠加上去，先肉眼确认一下金叉死叉的位置是否大致符合行情走势。
import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv('000300.csv', parse_dates=['date']) df.set_index('date', inplace=True) df.sort_index(inplace=True) df['close'].plot(figsize=(12, 5)) plt.title('Close Price') plt.show()为什么这个步骤重要？因为如果后面策略跑出来的结果很离谱，你至少能凭借肉眼判断是数据问题、信号问题还是逻辑问题。我见过太多人写了几个小时代码，结果跑出来的收益曲线和真实行情完全对不上，最后发现问题出在数据排序上——日期索引是倒序的，均线算反了。
3. 双均线策略的完整实现
3.1 计算均线并生成交易信号
数据准备好以后，核心代码就三步：算均线、定信号、找买卖点。
# 计算短期和长期均线 df['ma_short'] = df['close'].rolling(window=5).mean() df['ma_long'] = df['close'].rolling(window=20).mean() # 生成持仓状态：短期均线在上方时为1，否则为0 df['position'] = (df['ma_short'] > df['ma_long']).astype(int) # 找出仓位发生变化的位置 df['signal_change'] = df['position'].diff()这里有一个非常关键的点：我把信号定义成“持仓状态”而不是“交易动作”。position列的每一行都表示“今天这个时刻，我应该持有还是空仓”，值为1表示持仓，0表示空仓。金叉发生时position从0变成1，死叉发生时position从1变成0。
为什么要这样设计？因为均线是连续变化的，金叉之后的每一天，短期均线大概率仍然在长期均线上方，信号值会连续保持1。如果你直接写成“当短期均线大于长期均线就买入”，那么一个上升趋势里你会连续买入十几次，资金根本不够用。用position+diff()的方式，只在状态变化的那一刻触发交易，才是最符合实际操作的写法。
signal_change为1的时候，就是金叉；为-1的时候，就是死叉。回测逻辑里只需要识别这两种情况。
3.2 从信号到交易：必须用次日开盘价成交
拿到买卖点之后，要做一件非常重要的事：把信号转换成真实的交易记录。这里面最大的坑，就是成交价的设定。
很多新手直接写“金叉当天按收盘价买入”，这个做法在回测里显得收益很好看，但实际做不到。原因很简单：金叉收盘之后，你才通过公式算出今天出现了金叉，此时收盘价已经确定了，你不可能用这个价格成交。就算你速度再快，最早也只能在下一个交易日开盘时买入。
所以正确做法是：信号出现的第二天，以开盘价成交。用代码翻译一下就是——当signal_change为1时，下一行的open就是你的买入成交价。
df['trade_price'] = df['open'].shift(-1) # 第二天开盘价 df['buy_flag'] = (df['signal_change'] == 1) df['sell_flag'] = (df['signal_change'] == -1)这里使用shift(-1)把第二天的开盘价“提到”今天这一行来，相当于告诉回测引擎：“今天收盘后确定了信号，明天用这个价格去成交。”
忽略这个细节，回测收益可能虚高好几个百分点，而一旦实战你就会发现这个收益根本抓不住。这是双均线回测里最常见的幽灵收益来源之一。
3.3 手写一个最简回测：跟踪资金曲线
现在开始模拟交易。我们做一个最简单的不加杠杆、满仓进出的回测：初始资金100万，每次信号出现就全仓买入或者全部卖出。每一笔交易都记录下来，同时计算每天的资产总值。
initial_cash = 1000000.0 cash = initial_cash position = 0 # 当前持仓股数 trades = [] # 交易明细 for i in range(len(df)): if df['buy_flag'].iloc[i]: position = cash / df['trade_price'].iloc[i] cash = 0.0 trades.append({ 'date': df.index[i], 'type': 'BUY', 'price': df['trade_price'].iloc[i], 'shares': position }) elif df['sell_flag'].iloc[i] and position > 0: cash = position * df['trade_price'].iloc[i] trades.append({ 'date': df.index[i], 'type': 'SELL', 'price': df['trade_price'].iloc[i], 'shares': position }) position = 0.0 df.loc[df.index[i], 'total_asset'] = cash + position * df['close'].iloc[i]注意到这里有个细节：买卖价用的是trade_price（次日开盘价），但每天计算资产总值时，我用的是当天的收盘价close。因为收盘价才代表你当前时间点持仓的真实市值，这个设计更贴近实际账户的每日结算规则。
这个循环虽然简单，但里面有一个新手很容易漏掉的边界条件：策略在空仓时，position为0，此时卖出一个空仓状态是无效的。所以elif里加了position > 0的判断，避免“空仓卖出”这种荒谬交易发生。
3.4 评价指标：别只看收益率
交易跑完，眼睛不能只盯着“最终赚了多少钱”，要看几个更全面的指标。我每次回测必看的有四个：累计收益率、年化收益率、最大回撤、交易次数。
- 累计收益率：期末资产 / 初始资产 - 1，告诉你策略整个区间的收益。
- 年化收益率：把累计收益按年化折算，便于和其他策略对比。
- 最大回撤：从任意高点跌到后续最低点的最大幅度，它直接代表这个策略的心理折磨上限。
- 交易次数：次数太少说明策略不敏感，太多说明被震荡行情反复打脸。
计算最大回撤有一段通用代码，顺手就能用：
df['cummax'] = df['total_asset'].cummax() df['drawdown'] = df['total_asset'] / df['cummax'] - 1 max_drawdown = df['drawdown'].min()我拿一段沪深300历史数据跑过这个5/20双均线，大致结果是这样：区间内年化收益7%~13%不等，最大回撤8%~15%，交易次数大约20到30次。这个收益不算惊艳，但它是你亲手跑出来的第一个基线结果。后面加过滤条件、优化参数，都是以这个为基准去对比的。注意，我不给你具体数字，是因为不同时间段、不同品种差异很大，你自己跑出来才有意义。
4. 均线参数怎么看：5/20组合背后的门道
4.1 不同均线组合的性格差异
为什么双均线默认都用5和20？因为5日线大约是一周的交易平均线，20日线大约是一个月，这个组合既不过分灵敏也不过分迟钝，属于比较均衡的入门参数。但你要知道，换个参数，策略性格会完全不一样。
拿几组常见参数来说：5/10组合均线周期短，反应快，在趋势启动初期就能进场，但震荡行情里被反复打脸的概率也高；20/60组合周期长，信号极少，但每笔交易都能吃到大段趋势，空仓时间很长，考验耐心；10/30组合则介于两者之间，我更愿意把它当作5/20的“试探性替代”。
这里我不建议你靠肉眼挑参数，可以自己写一个循环，把几组均线周期都跑一遍，对比收益和回撤，看看哪组在你的数据区间里更稳定。跑完你大概率会发现一个规律：短周期参数在震荡市吃亏，长周期参数在趋势市占便宜，没有一劳永逸的最优解。
4.2 策略为什么会失效：认识胜率与盈亏比
双均线策略的胜率通常不高，很多时候只有40%左右。这意味着十笔交易里有六笔是亏钱的。但这不代表策略不赚钱，关键在盈亏比——赚的时候赚大钱，亏的时候亏小钱。
趋势跟踪策略的盈利逻辑在于：震荡期反复小亏，但一旦趋势来了，一次大赚就能覆盖之前的所有亏损。理解这一点非常重要，因为很多人跑完回测，看到胜率不到50%，就开始怀疑策略，瞎调参数，最后把一套原本合理的逻辑改得面目全非。
我做回测时特别关注资金曲线回撤段，如果回撤期之后的反弹足够有力，说明策略的盈亏比设计是对的。如果回撤之后一直爬不起来，那就要看是行情原因，还是策略逻辑本身有问题。
4.3 关于参数优化的警告
每跑完一组参数，如果某组参数的收益特别高，别急着高兴，先问一句：这是不是因为参数恰好拟合了这段历史行情？我见过有人为了追求漂亮曲线，把均线周期从5/20一路试到8/33，最后找到一组完美参数，结果换一段行情立刻亏成狗。这就是典型的过拟合。
一个常用的防过拟合手段是样本外测试：把数据分成前半段和后半段，用前半段选参数，用后半段验证。选参数只看前半段，能让后半段近似的模型才靠谱。这个方法不完美，但对新手来说已经完全够用了。
5. 常见问题与排查技巧实录
5.1 为什么信号很多，交易却很少
这是新手最常见的困惑。代码里统计出来金叉死叉各有二三十次，但交易列表里只有三五笔交易。排查思路很简单：先检查position.diff()是否写对。如果直接用“短期均线是否大于长期均线”来触发交易，那确实每天都会产出同一个方向的大量信号。正确做法是只在状态翻转当天交易，上面的signal_change方法已经天然规避了这个问题。
还有一种情况是数据区间太短。如果样本里总共只有60多个交易日，MA20在初期会产生大量的NaN值，有效信号区间不足，交易次数自然很少。这属于正常现象，多拉几年数据再测就行。
5.2 回测收益很高，但总觉得不真实
收益高得让你自己都心虚，那通常就是出了问题。最常见的元凶是使用未来数据。复盘一下这几个场景，看看你踩中了几个：
- 用当天的收盘价信号去成交当天收盘价，实际做不到。
- 用当天的“最高价、最低价”进行止损判断，但止损指令实际只能在下个K线确认。
- 统计指标时用了全量数据的“平均收益”“波动率”，导致前期的回撤被平滑掉了。
- 没有扣除手续费和滑点。
只要存在上面任意一条，回测收益就是虚高的，实盘大概率跑不出这个数值。我的习惯是在回测里至少扣掉万分之三的手续费和万分之五的滑点。
5.3 数据对齐和NaN问题怎么处理
rolling(window=20).mean()在数据前19行必然会产生NaN，这是正常的。处理方式有两种：一种是直接用dropna()丢掉前期数据，另一种是保留这些行但不允许产生交易信号。我更倾向于第二种，因为前期虽然无法计算均线，但价格本身仍然是行情的一部分，在资金曲线里出现也没问题。
另外还要注意：数据里可能有停牌日导致成交量缺失，或者某些日期临时停牌没有K线。回测前先df['close'].isna().sum()检查一遍，有缺失就前向填充或直接丢弃，不要带着脏数据跑循环。
5.4 为什么我的结果和别人的对不上
如果你用同一只标的、同样的参数，跑出来的结果和论坛里别人的结果不一样，先别慌，大概率是这些原因：数据源不同（前复权还是后复权）、时间段不同（选2020年还是选2015年，难度完全不一样）、手续费和滑点设置不同、成交价设定不同（收盘价成交还是次日开盘价成交）。这些都是正常差异，只要自己的逻辑自洽，没必要盲目对齐别人。
6. 从回测走向实盘，还差哪些功
6.1 先做模拟盘，别急着投真钱
30分钟跑通回测以后，你很容易产生一种“我已经会做量化”的错觉。我当年也有过这种错觉，好在没急着上真金白银。回测模型再漂亮，也只是对历史数据的假设检验，它无法排除未来行情突变的风险。我的建议是至少模拟盘跑一个月，观察策略在真实行情中的表现是否和回测一致，再考虑用小资金实盘验证。
6.2 双均线策略的适用边界要清楚
双均线策略适合什么行情？答案很直接：趋势行情。单边上涨或者单边下跌，它能让你吃到大段利润。那震荡行情呢？它会反复金叉死叉，连续止损。所以做这个策略要有两个基本认知：一是标的要选有大趋势的品种，比如宽基指数、主流ETF，尽量不要用常年横盘的小票；二是在策略逻辑里加一个趋势过滤或波动率过滤，比如价格站上200日线才允许开仓，能在一定程度上避开震荡磨损。
6.3 给正在跑第一个策略的你一个建议
从我自己的经验来说，跑通双均线只是起点，最重要的是通过这个项目把“策略如何变成交易、交易如何变成收益曲线”这条链路彻底打通。别急着追求完美策略，先把手写回测的脚本整理好，把数据下载的流程固定下来，把每次验证的记录留档。量化的竞争力不在一两个神奇的指标，而在于你有一个可靠、可重复的实验环境。有了这个环境，未来任何策略想法都能快速被验证，那才是真正的效率。
