双均线量化策略入门：pandas与tushare实战回测指南

1. 双均线策略的核心逻辑与方案选型

1.1 为什么选择双均线作为入门量化策略

双均线策略是量化交易领域最经典的入门策略之一，核心逻辑非常朴素：用两条不同周期的移动平均线来判断趋势方向。短期均线代表近期价格走势，长期均线代表中长期趋势，当短期均线上穿长期均线时视为买入信号，下穿时视为卖出信号。

这个策略之所以适合入门，原因有三。第一，逻辑直观，不需要复杂的数学推导就能理解。第二，参数少，只有两个核心参数——短周期和长周期，调参空间可控。第三，它天然具备趋势跟踪的特性，在单边行情中表现不错，能帮助新手建立对量化交易的基本认知。

但我要提前说清楚：双均线策略不是印钞机。它在震荡行情中会频繁发出假信号，导致反复止损。理解这一点很重要，否则你回测出一个漂亮曲线就以为找到了圣杯，实盘会教你做人。

1.2 技术栈选型：pandas + tushare 的组合优势

选择 pandas 搭配 tushare 这套组合，是我经过多次实践后认为最适合个人量化入门者的方案。

pandas 负责数据处理和策略计算。它的 DataFrame 结构天然适合处理时间序列数据，rolling 方法可以一行代码算出移动平均线，向量化运算比循环快几个数量级。你不需要自己去写循环遍历每一行数据，这对新手来说大大降低了门槛。

tushare 负责数据获取。它提供了 A 股市场的日线、周线、分钟线等行情数据，接口简单，返回的就是 DataFrame 格式，和 pandas 无缝衔接。对于个人研究者来说，tushare 的免费额度基本够用，日常回测几个标的完全没问题。

注意：tushare 的部分接口需要注册后获取 token，并且不同积分等级能调用的接口不同。日线行情接口对积分要求较低，适合入门使用。

1.3 整体架构设计思路

整个策略的实现分为四个层次：

• 数据层：通过 tushare 获取标的的日线行情数据，包括开盘价、收盘价、最高价、最低价、成交量等字段。
• 计算层：用 pandas 计算短期和长期移动平均线，并生成买卖信号。
• 回测层：模拟交易过程，计算每次交易的盈亏，统计策略的整体表现。
• 评估层：计算年化收益、最大回撤、夏普比率等指标，判断策略是否值得进一步优化。

这个分层设计的好处是每一层职责清晰，后续想换数据源、改策略逻辑或者加评估指标，都只需要动对应的那一层，不会牵一发而动全身。

2. 数据获取与预处理的实操细节

2.1 tushare 环境配置与数据拉取

首先你需要安装必要的库：

pip install tushare pandas numpy matplotlib

然后初始化 tushare 接口：

import tushare as ts import pandas as pd import numpy as np # 设置你的 token ts.set_token('你的token') pro = ts.pro_api()

拉取日线数据的代码：

# 获取某只股票在某段时间的日线数据 df = pro.daily(ts_code='000001.SZ', start_date='20200101', end_date='20231231') # 数据默认按日期降序排列，需要转为升序 df = df.sort_values('trade_date').reset_index(drop=True) # 将日期列转为 datetime 类型 df['trade_date'] = pd.to_datetime(df['trade_date']) df.set_index('trade_date', inplace=True)

这里有几个容易踩的坑。第一，tushare 返回的数据默认是降序的，也就是最新的日期在最前面，如果你不排序直接用，均线计算会完全错误。第二，trade_date 字段是字符串格式，必须转成 datetime 才能正确做时间序列操作。第三，记得把日期设为索引，后续 pandas 的 rolling 操作和绘图都会方便很多。

2.2 数据清洗与缺失值处理

实际拉下来的数据往往不干净。常见问题包括停牌期间没有数据、某些字段存在空值、复权问题等。

停牌导致的数据缺失最容易被忽略。如果一只股票停牌了半个月，你的数据里就直接少了这半个月的记录，均线计算时会把停牌前后的价格直接连起来算，导致信号失真。处理办法是检查日期是否连续：

# 生成完整的交易日序列 all_dates = pd.date_range(start=df.index.min(), end=df.index.max(), freq='B') missing = all_dates.difference(df.index) print(f"缺失的交易日数量: {len(missing)}")

如果缺失较多，可以考虑用前值填充或者直接换一个标的。对于入门回测，建议选择流动性好、停牌少的大盘股，减少数据问题带来的干扰。

复权问题也值得注意。tushare 的 daily 接口返回的是未复权价格，如果标的在回测期间有分红送股，价格会出现跳空，均线会被扭曲。建议使用 pro_bar 接口并设置 adj='qfq' 获取前复权数据：

df = ts.pro_bar(ts_code='000001.SZ', adj='qfq', start_date='20200101', end_date='20231231')

2.3 数据字段的选择与衍生

原始数据有很多字段，但双均线策略核心只用到收盘价。不过我建议保留开盘价、最高价、最低价和成交量，原因有两个：一是后续如果想加入其他过滤条件（比如用成交量确认信号），这些字段直接可用；二是计算最大回撤时需要用到每日的实际价格波动。

我通常会额外计算一个日收益率字段，方便后续统计：

df['returns'] = df['close'].pct_change()

这个字段在计算夏普比率和累计收益曲线时非常有用。

3. 双均线策略的代码实现与参数计算

3.1 移动平均线的计算原理与 pandas 实现

移动平均线的本质是对过去 N 天的收盘价取算术平均。以 5 日均线为例，第 t 天的 5 日均线值等于第 t-4 天到第 t 天收盘价之和除以 5。随着时间推移，这个窗口不断向前滑动，所以叫"移动"平均线。

用 pandas 实现非常简单：

df['ma_short'] = df['close'].rolling(window=5).mean() df['ma_long'] = df['close'].rolling(window=20).mean()

rolling(window=N).mean() 这一行代码背后做的事情是：对每一个位置，取包括当前行在内的前 N 行数据，计算均值。前 N-1 行因为数据不够，结果会是 NaN，这是正常的。

这里有个细节：window 参数的选择直接影响策略表现。短周期越小，信号越灵敏但假信号越多；长周期越大，趋势判断越稳定但信号越滞后。常见的组合有 5/20、10/30、5/60 等，没有绝对最优，需要根据标的特性和回测结果来定。

3.2 买卖信号的生成逻辑

信号生成的核心是判断两条均线的相对位置变化：

# 当短期均线在长期均线之上时，signal 为 1，否则为 0 df['signal'] = np.where(df['ma_short'] > df['ma_long'], 1, 0) # 信号变化点即为买卖点 df['position'] = df['signal'].diff()

position 为 1 表示金叉（短期上穿长期），为 -1 表示死叉（短期下穿长期），为 0 表示无变化。

但这里有一个实战中必须处理的问题：均线计算初期的 NaN 值会导致信号异常。前 19 天（以 20 日均线为例）的 ma_long 是 NaN，比较结果会是 False，signal 为 0，这本身没问题。但如果你在 NaN 期间就产生了交易信号，那肯定是错的。所以建议在计算完均线后，先去掉 NaN 行再做信号判断：

df.dropna(subset=['ma_short', 'ma_long'], inplace=True)

3.3 参数选择的量化依据

很多人调参就是凭感觉试，今天用 5/20，明天用 10/30，没有一个系统的方法。我建议用网格搜索的方式，把短周期和长周期的组合都跑一遍，用夏普比率或者年化收益作为评价标准。

results = [] for short in [5, 10, 15, 20]: for long in [30, 40, 50, 60]: if short >= long: continue df['ma_s'] = df['close'].rolling(short).mean() df['ma_l'] = df['close'].rolling(long).mean() # ... 执行回测逻辑 # results.append({'short': short, 'long': long, 'sharpe': sharpe})

但要注意过拟合问题。如果你在同一个时间段上反复调参，找到的"最优参数"很可能只是拟合了那段历史的噪声。正确的做法是划分训练集和测试集，在训练集上选参数，在测试集上验证。

4. 回测框架的搭建与绩效评估

4.1 简易回测引擎的实现

回测的核心是模拟"如果按照信号交易，资金曲线会怎么走"。最简化的版本不考虑手续费和滑点：

initial_capital = 100000 cash = initial_capital shares = 0 portfolio_values = [] for i in range(len(df)): price = df['close'].iloc[i] if df['position'].iloc[i] == 1 and cash > 0: shares = cash / price cash = 0 elif df['position'].iloc[i] == -1 and shares > 0: cash = shares * price shares = 0 portfolio_values.append(cash + shares * price) df['portfolio'] = portfolio_values

这段代码的逻辑是：金叉时全仓买入，死叉时全部卖出。每次交易都是全仓进出，这是最简单的仓位管理方式。

但实际回测中必须考虑手续费。A 股买卖通常有万分之几的佣金和千分之一的印花税（卖出时收取）。加上这些成本后，高频交易策略的收益会明显下降：

commission = 0.0003 # 佣金 stamp_tax = 0.001 # 印花税（仅卖出）

4.2 绩效指标的计算与解读

回测跑完后，你需要几个关键指标来判断策略好坏：

最大回撤是我最看重的指标。一个策略哪怕年化收益很高，如果最大回撤超过 50%，实盘时你很可能在最低点割肉离场。一般来说，最大回撤控制在 20% 以内比较舒适。

夏普比率大于 1 算不错，大于 2 算优秀。但要注意，夏普比率高不一定代表策略好，如果交易次数太少，统计意义不足，夏普比率再高也不可信。

4.3 交易明细的记录与分析

光看总收益不够，还需要记录每一笔交易的细节：

trades = [] entry_price = 0 entry_date = None for i in range(len(df)): if df['position'].iloc[i] == 1: entry_price = df['close'].iloc[i] entry_date = df.index[i] elif df['position'].iloc[i] == -1 and entry_price > 0: exit_price = df['close'].iloc[i] profit = (exit_price - entry_price) / entry_price trades.append({ 'entry_date': entry_date, 'exit_date': df.index[i], 'entry_price': entry_price, 'exit_price': exit_price, 'profit': profit }) entry_price = 0 trades_df = pd.DataFrame(trades)

有了交易明细，你可以分析：平均持仓周期多长？盈利交易和亏损交易的分布如何？是不是某几笔大额盈利撑起了整体收益？这些分析能帮你判断策略的收益来源是否可持续。

5. 常见问题与实战避坑指南

5.1 回测结果与实盘差异的根源

很多人回测出一条漂亮的资金曲线，实盘却亏得一塌糊涂。差异主要来自几个方面。

未来函数问题是最隐蔽的杀手。如果你的信号计算用到了当天收盘价，但交易执行也是按当天收盘价，那实际上你是在用当天收盘后才知道的信息做当天的交易，这在实盘中不可能实现。正确的做法是：用当天收盘价计算信号，第二天开盘时执行交易。

滑点是另一个被忽视的因素。回测中你假设能按收盘价精确成交，但实盘中大额买卖会推动价格变动，尤其是流动性差的标的。建议在回测中人为加入 0.1% 到 0.2% 的滑点。

手续费累积也不可小觑。双均线策略在震荡市中会频繁交易，如果每次交易成本是 0.13%（佣金加印花税），一年交易 20 次就是 2.6% 的成本，直接吃掉大部分利润。

5.2 震荡行情中的假信号过滤

双均线策略最大的痛点就是震荡行情中反复被打脸。金叉买入后马上死叉，死叉卖出后马上金叉，来回几次本金就磨损了不少。

几种常见的过滤方法：

• 加入趋势过滤：只有当长期均线本身向上时才考虑买入信号，长期均线向下时忽略金叉。
• 加入成交量确认：金叉当天如果成交量明显放大，信号更可靠。
• 加入价格过滤：要求金叉时价格已经站上长期均线一定幅度，避免均线纠缠时的假突破。
• 加入时间过滤：两次交易之间设置最小间隔，避免一天内反复进出。

这些过滤条件没有绝对的好坏，需要根据标的特性回测验证。我的经验是，加入趋势过滤后，交易次数会明显减少，胜率提升，但单边行情中可能会错过一部分利润。

5.3 参数过拟合的识别与规避

过拟合是量化策略的头号敌人。识别过拟合有几个信号：

第一，参数敏感度太高。如果短周期从 5 改成 6，收益就从 30% 掉到 5%，说明这个参数是在拟合噪声，不是真实规律。

第二，样本内外表现差异大。在 2020 年到 2022 年数据上表现优异，但 2023 年数据上完全失效，说明策略没有泛化能力。

第三，交易次数太少。如果三年只交易了 5 次，那统计上根本不足以判断策略有效性，高收益可能只是运气。

规避过拟合的方法：用滚动窗口回测，每次用前 N 年数据选参数，后 M 个月验证；或者用多只标的做交叉验证，看策略是否在不同标的上都有效。

5.4 常见报错与排查速查表

提示：每次修改代码后，先打印前 20 行数据肉眼检查，比直接跑回测更容易发现低级错误。

6. 策略优化的几个实用方向

6.1 从固定参数到自适应参数

固定参数的双均线在不同市场环境下表现差异很大。一个改进方向是让参数自适应：用波动率或者趋势强度来动态调整均线周期。比如波动率大的时候用更长的周期过滤噪声，波动率小的时候用更短的周期提高灵敏度。

实现上可以用 ATR（平均真实波幅）来衡量波动率，然后根据 ATR 的分位数来切换参数组。这个思路不复杂，但能明显改善策略在不同市场状态下的适应性。

6.2 加入止损止盈逻辑

纯双均线策略依赖死叉来平仓，但死叉出现时往往已经回吐了不少利润。加入固定比例的止损止盈可以改善这一点：

stop_loss = 0.05 # 亏损 5% 止损 take_profit = 0.15 # 盈利 15% 止盈

在持仓期间，每天检查是否触发止损止盈条件，触发就立即平仓，不等死叉。这样能锁定利润、控制单笔亏损，但也会在某些情况下过早离场，错过后续大涨。需要回测对比两种方式的表现。

6.3 多标的分散与仓位管理

单标的双均线策略的收益波动很大，一个改进方向是同时跑多只标的，每只分配一部分资金。这样单只标的的假信号对整体组合的影响就被稀释了。

仓位管理上，可以等权分配，也可以根据波动率倒数分配（波动率低的标的配更多资金）。后者能让组合的整体波动更平稳。

6.4 从日线到分钟线的注意事项

有人想把双均线用到分钟线上做日内交易。技术上可行，但有几个坑要注意。分钟线的噪声远大于日线，假信号更频繁；交易成本占比更高，因为交易次数大幅增加；tushare 的分钟线接口对积分要求更高，数据获取可能受限。如果没有充分的准备，不建议新手直接上分钟线。

7. 我个人在实际操作中的几点体会

跑过几十个双均线回测之后，我最大的感受是：策略本身很简单，难的是对结果的理解和取舍。

第一，不要追求回测曲线最漂亮的参数。那条曲线大概率是过拟合的产物。我更倾向于选择参数平原——也就是周围几个参数组合表现都不错的区域，而不是孤立的最高点。

第二，交易成本一定要算进去。我早期回测时忽略了手续费，看到一个策略年化 25% 很兴奋，加上成本后直接掉到 12%，心态完全不一样。

第三，双均线策略适合趋势明显的标的。如果你选的标的长期横盘震荡，再好的参数也救不了。选标的比调参数重要得多。

第四，回测只是起点，不是终点。真正能让你进步的是把策略跑在模拟盘上，观察信号触发时的市场环境，理解为什么这次金叉有效、那次金叉无效。这种盘感是回测给不了的。

最后分享一个小技巧：在回测代码里加一个信号标记图，把买卖点画在 K 线图上。肉眼看一下信号位置是否合理，比看一堆数字指标更直观。很多时候你一眼就能看出某个信号明显是噪声，然后针对性去优化过滤条件。