交易策略基础：量化交易概述、策略类型与回测评估
大家好，我是你们的老朋友。今天咱们聊聊量化交易的基础——策略。说实话，这行干久了你会发现，策略就是交易员的灵魂。没有策略，你就是在赌场里瞎转悠。
量化交易，说白了就是用数学模型和计算机程序来做交易决策。我刚开始接触这行时，觉得不就是写个代码自动买卖吗？后来踩了不少坑才明白，真正的量化交易是系统化、规则化、纪律化的投资方法。
核心要点：量化交易不是预测未来，而是管理概率。你永远无法100%确定市场会怎么走，但你可以知道在某种情况下，你的策略有60%的概率赚钱。
策略类型：三大主流流派
我个人习惯把策略分成三大类。嗯，其实市面上还有很多细分，但这三类是基础，搞懂了它们，其他都是变种。
1. 趋势跟踪
趋势跟踪，就是「顺势而为」。价格涨了，你觉得还会涨，所以买入；价格跌了，你觉得还会跌，所以卖出或做空。
我在项目中遇到过最经典的例子是双均线策略。简单到令人发指，但效果出奇的好。
# 双均线策略示例
def moving_average_strategy(data, short_window=20, long_window=60):
data['MA_short'] = data['close'].rolling(window=short_window).mean()
data['MA_long'] = data['close'].rolling(window=long_window).mean()
# 金叉买入，死叉卖出
data['signal'] = 0
data.loc[data['MA_short'] > data['MA_long'], 'signal'] = 1
data.loc[data['MA_short'] < data['MA_long'], 'signal'] = -1
return data['signal']你想想看，为什么这么简单的策略能赚钱？因为市场有惯性。一旦趋势形成，短期内很难逆转。但这里有个坑——趋势跟踪在震荡行情里会死得很惨。我曾经在2018年用趋势策略做A股，连续止损了8次，差点把账户亏穿。
避坑指南：趋势跟踪策略一定要搭配趋势识别指标。如果市场没有明显趋势，千万别硬上。我建议用ADX指标（平均趋向指数）来判断市场是否处于趋势状态，ADX > 25才开仓。
2. 均值回归
均值回归，说白了就是「涨多了会跌，跌多了会涨」。这个逻辑基于一个假设：价格会围绕某个均值波动。
最常见的均值回归策略是布林带策略。当价格触及下轨时买入，触及上轨时卖出。
# 布林带策略示例
def bollinger_strategy(data, window=20, num_std=2):
data['MA'] = data['close'].rolling(window=window).mean()
data['std'] = data['close'].rolling(window=window).std()
data['upper'] = data['MA'] + num_std * data['std']
data['lower'] = data['MA'] - num_std * data['std']
# 触及下轨买入，触及上轨卖出
data['signal'] = 0
data.loc[data['close'] < data['lower'], 'signal'] = 1
data.loc[data['close'] > data['upper'], 'signal'] = -1
return data['signal']均值回归策略在震荡行情里特别好用。但注意，如果遇到单边行情，你会被市场反复打脸。我记得2020年原油暴跌时，有人用均值回归策略抄底，结果原油从40美元跌到了负值...嗯，那哥们后来转行了。
小技巧：均值回归策略最好搭配波动率指标。当波动率突然放大时，均值回归的成功率会显著下降。我一般会加一个条件：如果ATR（平均真实波幅）突然放大到过去20天的1.5倍以上，就暂停交易。
3. 统计套利
统计套利，这是我最喜欢的策略类型。它不赌方向，赌的是价差回归。
举个例子，贵州茅台和五粮液，它们都是白酒龙头，走势高度相关。如果某天茅台涨了5%，五粮液只涨了1%，这个价差大概率会回归。我们就做多五粮液、做空茅台，赚价差回归的钱。
# 配对交易策略示例
def pairs_trading_strategy(asset1, asset2, window=60):
# 计算价差
spread = asset1['close'] - asset2['close']
spread_mean = spread.rolling(window=window).mean()
spread_std = spread.rolling(window=window).std()
# 计算Z-score
z_score = (spread - spread_mean) / spread_std
# 当Z-score > 2时，做空价差（卖asset1，买asset2）
# 当Z-score < -2时，做多价差（买asset1，卖asset2）
signal = 0
if z_score.iloc[-1] > 2:
signal = -1 # 做空价差
elif z_score.iloc[-1] < -2:
signal = 1 # 做多价差
return signal统计套利的好处是市场中性。大盘涨跌跟你关系不大，你只赚价差回归的钱。但难点在于——你怎么确定两个资产真的「相关」？我曾经用统计套利做比特币和以太坊，相关性分析显示相关系数0.95，结果2022年LUNA崩盘时，比特币跌了30%，以太坊跌了60%，价差直接爆表。
重要提醒：统计套利的前提是「协整性」，不是简单的相关性。两个资产必须存在长期均衡关系，短期偏离后一定会回归。做协整检验时，p值要小于0.05才靠谱。
策略回测与评估
策略写好了，能不能赚钱？别急着实盘，先回测。回测就是用历史数据模拟策略表现。
我见过太多人，策略回测年化50%，实盘直接亏30%。为什么？因为回测有坑。
回测的核心指标
| 指标 | 含义 | 我的经验值 |
|---|---|---|
| 年化收益率 | 策略每年平均赚多少 | 别信超过30%的，除非你加了杠杆 |
| 最大回撤 | 账户从最高点跌了多少 | 超过20%就要小心，你可能扛不住 |
| 夏普比率 | 每承担1单位风险能赚多少超额收益 | 大于1算合格，大于2算优秀 |
| 胜率 | 赚钱的交易占比 | 别追求高胜率，趋势策略胜率可能只有40% |
| 盈亏比 | 平均盈利/平均亏损 | 至少2:1，否则赚的钱不够赔 |
回测中的常见陷阱
我踩过的坑，今天全告诉你：
- 未来函数：回测时用了未来数据。比如用今天的收盘价计算今天的信号，这在实际交易中根本做不到。
- 幸存者偏差：只回测现在还活着的股票。那些退市的、暴跌的股票被忽略了，回测结果自然好看。
- 过拟合：为了拟合历史数据，加了太多参数。策略在历史数据上表现完美，一到实盘就崩。
- 交易成本忽略：没算手续费、滑点、冲击成本。高频策略尤其要注意，手续费可能吃掉你所有利润。
我的建议：回测时至少留出20%的数据做「样本外测试」。也就是说，用80%的数据优化参数，用剩下的20%验证效果。如果样本外表现和样本内差距很大，说明策略过拟合了。
知识体系总览
下面这张图，是我自己梳理的交易策略知识体系。你看一眼，心里就有谱了。
这张图把今天讲的内容串起来了。你仔细看，三条策略主线，加上回测评估模块，构成了量化交易的核心框架。每个模块之间都有联系，比如趋势跟踪策略的回测，要特别关注最大回撤；统计套利则要重点看协整检验的稳定性。
好了，今天就聊到这儿。记住一句话：没有完美的策略，只有适合你的策略。找到自己的风格，控制好风险，剩下的交给时间。