4. 信号生成逻辑：基于双均线金叉死叉生成买卖信号、信号过滤与去噪

双均线策略，说白了就是交易世界里最经典的“老黄牛”。

我刚开始做量化那会儿，第一个实盘策略就是双均线。为什么？因为它逻辑简单，参数直观，回测起来心里有底。但你别小看它——越简单的东西，越容易在细节上翻车。

今天我们就来拆解一下，怎么用双均线的金叉死叉生成买卖信号，以及怎么给这些信号“洗个澡”，去掉那些烦人的噪音。

4.1 双均线金叉死叉的核心逻辑

双均线策略，就是拿两条不同周期的移动平均线做比较。

• 金叉：短期均线上穿长期均线。意味着短期趋势转强，买入信号。
• 死叉：短期均线下穿长期均线。意味着短期趋势转弱，卖出信号。

举个例子，我习惯用 MA5 和 MA20 这对组合。MA5 代表最近5天的平均价格，反应快；MA20 代表最近20天的平均价格，反应慢。当快线从下方穿过慢线，说明短期力量压过了长期力量，该动手了。

嗯，这里要注意：判断交叉必须用前后两个时刻的值做比较，不能只看当前时刻。否则你永远抓不住交叉的那一瞬间。

4.2 代码实现：从数据到信号

我们直接用 Python 来实现。假设你已经有了 OHLC 数据，我习惯用收盘价来计算均线。

import pandas as pd
import numpy as np

def generate_ma_cross_signals(df, short_window=5, long_window=20):
    """
    基于双均线金叉死叉生成买卖信号
    df: 包含 'close' 列的 DataFrame
    """
    df = df.copy()
    
    # 计算均线
    df['MA_short'] = df['close'].rolling(window=short_window).mean()
    df['MA_long'] = df['close'].rolling(window=long_window).mean()
    
    # 初始化信号列
    df['signal'] = 0
    
    # 生成信号：1 买入，-1 卖出
    # 注意：从 long_window 之后开始判断，确保均线有值
    for i in range(long_window, len(df)):
        # 金叉
        if (df['MA_short'].iloc[i-1] <= df['MA_long'].iloc[i-1] and
            df['MA_short'].iloc[i] > df['MA_long'].iloc[i]):
            df.loc[df.index[i], 'signal'] = 1
        
        # 死叉
        elif (df['MA_short'].iloc[i-1] >= df['MA_long'].iloc[i-1] and
              df['MA_short'].iloc[i] < df['MA_long'].iloc[i]):
            df.loc[df.index[i], 'signal'] = -1
    
    return df

这段代码跑起来很简单。但我在项目中遇到过一个问题：如果数据里有跳空缺口，或者某天停牌，均线值会突然跳变，导致出现“假金叉”。你想想看，一个停牌后复牌直接涨停，MA5 瞬间上穿 MA20，这能算有效信号吗？显然不能。

4.3 信号过滤与去噪：别被假信号骗了

双均线最大的痛点就是——震荡行情里反复打脸。价格在均线附近来回穿梭，金叉完死叉，死叉完又金叉，手续费都能亏掉一层皮。

我总结了几种实用的去噪方法，分享给你。

4.3.1 过滤方法一：交叉确认延迟

不要求交叉当天就交易。等交叉发生后，再观察1-2根K线，确认趋势延续再入场。

def filter_by_delay(df, delay=2):
    """
    延迟确认：信号出现后，等待 delay 天再确认
    """
    df['signal_filtered'] = 0
    raw_signals = df[df['signal'] != 0].index
    
    for idx in raw_signals:
        # 检查未来 delay 天内，均线关系是否保持
        future_idx = df.index.get_loc(idx)
        if future_idx + delay < len(df):
            future_slice = df.iloc[future_idx+1 : future_idx+delay+1]
            # 如果是金叉，检查未来几天短期均线是否一直在长期均线上方
            if df.loc[idx, 'signal'] == 1:
                if (future_slice['MA_short'] > future_slice['MA_long']).all():
                    df.loc[idx, 'signal_filtered'] = 1
            # 如果是死叉，检查未来几天短期均线是否一直在长期均线下方
            elif df.loc[idx, 'signal'] == -1:
                if (future_slice['MA_short'] < future_slice['MA_long']).all():
                    df.loc[idx, 'signal_filtered'] = -1
    return df

4.3.2 过滤方法二：价格与均线的偏离度过滤

如果价格离均线太近，说明方向不明确，这时候的交叉信号可靠性低。我一般要求价格偏离均线的幅度超过某个阈值，才认为信号有效。

def filter_by_deviation(df, threshold=0.02):
    """
    偏离度过滤：价格与长期均线的偏离度必须超过 threshold（2%）
    """
    df['deviation'] = abs(df['close'] - df['MA_long']) / df['MA_long']
    df['signal_filtered'] = np.where(
        (df['signal'] != 0) & (df['deviation'] > threshold),
        df['signal'],
        0
    )
    return df

4.3.3 过滤方法三：成交量确认

金叉当天如果成交量放大，说明有资金进场，信号更可靠。死叉同理。

def filter_by_volume(df, volume_multiplier=1.5):
    """
    成交量确认：信号当天的成交量必须大于过去20天均量的 volume_multiplier 倍
    """
    df['volume_ma'] = df['volume'].rolling(window=20).mean()
    df['signal_filtered'] = np.where(
        (df['signal'] != 0) & (df['volume'] > df['volume_ma'] * volume_multiplier),
        df['signal'],
        0
    )
    return df

4.4 知识体系：信号生成与过滤的完整流程

下面这张图，是我自己画的一个流程图。它把整个信号生成和过滤的步骤串起来了。你看一眼就能明白整体逻辑。

4.5 三种过滤方法的对比

我把这三种方法放在一起做了个对比表，方便你根据实际情况选择。

过滤方法	核心思想	优点	缺点	适用场景
延迟确认	等待交叉后趋势延续	简单有效，减少假信号	可能错过急涨急跌	震荡行情、日线级别
偏离度过滤	价格远离均线才交易	过滤盘整期的无效信号	参数敏感，需回测优化	趋势行情、大周期
成交量确认	放量才确认信号有效	结合量价关系，更可靠	成交量数据可能失真	股票、期货主力合约

4.6 实战中的避坑指南

最后，分享几个我踩过的坑。

• 参数过拟合：我曾经为了追求回测曲线好看，把均线参数调到了 MA7 和 MA23。结果实盘一跑，亏得亲妈都不认识。记住，参数越简单，越不容易过拟合。
• 未来函数：计算均线时，一定要用过去的数据。我见过有人不小心用了未来的收盘价算均线，回测收益高得离谱，实盘直接崩。
• 手续费没算进去：双均线策略交易频率不低。如果每笔交易的手续费和滑点没算进去，回测和实盘差距会很大。我一般按万分之三算手续费，滑点按1个最小变动价位算。

嗯，信号生成这块，今天就聊到这儿。双均线虽然基础，但把过滤做好，它依然能打。你回去可以拿自己的数据跑一跑，看看哪种过滤方法最适合你的品种。