一、回看周期参数：如何选择回看周期

回看周期，说白了就是「用过去多少天的数据来计算均值」。这个参数直接影响你的交易信号什么时候触发、什么时候失效。我个人习惯把它叫做「记忆长度」——你让系统记住多久以前的价格行为。

举个例子：你设置回看周期为20天，那系统就只盯着最近20天的收盘价算均值。超过20天的数据，系统会自动遗忘。嗯，这里有个关键点——遗忘机制决定了信号的灵敏度。

1.1 回看周期的本质

回看周期本质上是一个低通滤波器。周期越长，曲线越平滑，信号越少；周期越短，曲线越敏感，信号越多。我在项目中遇到过一位交易员，他坚持用5日均线做均值回归，结果一天能触发十几次交易，手续费都亏麻了。

为什么会这样？因为短周期对噪声太敏感了。你想想看，市场里每分钟都有随机波动，5日均线几乎跟着价格一起跳舞，哪来的回归机会？

1.2 不同周期的信号特征

我整理了一张表，方便你直观对比不同周期的表现：

回看周期	信号频率	信号质量	适用场景
5-10天	高（每天1-3次）	低（噪声多）	高频短线、剥头皮
15-30天	中（每2-3天1次）	中（有参考价值）	中线波段、日线级别
40-60天	低（每周1-2次）	高（趋势明确）	长线投资、周线级别
100天以上	极低（每月几次）	极高（大周期回归）	机构级、宏观对冲

我曾经用20天周期跑过沪深300的均值回归策略，效果还不错。但换到比特币上，20天周期就完全失效了——波动太大，均值根本稳不住。后来我改成7天周期，才勉强能用。

二、不同周期对信号的影响

周期参数一变，整个信号系统就变了。我见过太多人死磕一个参数，结果换了个品种就崩盘。说白了，周期就是信号的「脾气」——你调得越短，信号越暴躁；调得越长，信号越沉稳。

2.1 短周期（5-10天）的陷阱

短周期信号多，但假信号也多。我记得有一次用8天周期跑回测，收益率曲线漂亮得不像话。结果实盘第一天就连续亏损——因为回测数据里没有考虑滑点和手续费。

短周期的问题在于：

• 均值容易被极端值带偏
• 信号反转太快，来不及反应
• 交易成本占比过高

避坑指南：我曾经用5天周期做螺纹钢期货，一天交易20多次，手续费吃掉了一半利润。后来我把周期拉到15天，交易次数降到每天3-4次，净利润反而翻了一倍。

2.2 中周期（15-30天）的平衡

中周期是我个人最常用的区间。它既不会太敏感，也不会太迟钝。你想想看，15-30天刚好覆盖一个完整的市场情绪周期——从恐慌到贪婪，再从贪婪回到恐慌。

中周期的优势：

• 信号稳定，不容易被单日波动干扰
• 交易频率适中，手续费可控
• 适合大多数流动性好的品种

2.3 长周期（40天以上）的延迟

长周期信号少，但一旦出现信号，成功率很高。不过有个致命问题——延迟太大。等信号出来，价格可能已经回归了一半。

我记得有个学员用60天周期做美股，信号出来时股价已经涨了15%。他犹豫了两天没进场，结果股价又跌回去了。嗯，这就是长周期的尴尬——信号准确，但执行困难。

三、周期参数的优化方法

优化周期参数，说白了就是找到那个「甜点」——信号够多，质量够好，延迟能接受。我常用的方法有三种，下面一个个说。

3.1 网格搜索法

最简单粗暴的方法。把周期从5到100，每隔5天跑一次回测，看哪个参数表现最好。

# 伪代码示例
best_period = 0
best_sharpe = -999

for period in range(5, 101, 5):
    signals = generate_signals(data, period)
    sharpe = calculate_sharpe(signals)
    
    if sharpe > best_sharpe:
        best_sharpe = sharpe
        best_period = period

print(f"最优周期: {best_period}天")
print(f"最优夏普比: {best_sharpe:.2f}")

这个方法虽然笨，但有效。我建议你先用网格搜索缩小范围，再手动微调。比如网格搜索发现20-30天表现最好，那就把21、22、23...都跑一遍。

3.2 滚动优化法

这个方法更稳健。把数据分成多个时间段，每个时间段独立优化参数，然后看参数是否稳定。

具体做法：

1. 把5年数据分成5段，每段1年
2. 每段独立跑网格搜索
3. 看最优参数是否集中在某个区间

我曾经用这个方法优化过黄金的均值回归策略。5段数据的最优周期分别是22、25、19、28、23天。你看，基本都在20-28天之间。这说明这个参数是稳定的，不是偶然。

3.3 自适应周期法

这是进阶玩法。让周期参数随着市场波动率自动调整。波动大的时候用短周期，波动小的时候用长周期。

# 自适应周期计算
def adaptive_period(data, base_period=20):
    volatility = calculate_volatility(data, window=10)
    vol_ratio = volatility / np.mean(volatility)
    
    # 波动率越高，周期越短
    adjusted_period = base_period / vol_ratio
    
    # 限制范围
    adjusted_period = max(5, min(60, adjusted_period))
    
    return int(adjusted_period)

这个方法的好处是能适应市场变化。我有个朋友用自适应周期做原油期货，2020年负油价那波行情里，他的策略自动缩短了周期，躲过了大坑。

知识体系总览

下面这张图总结了本章的核心逻辑，方便你快速回顾：

这张图把本章的三个核心内容串起来了。你从「如何选择」开始，理解周期的本质；然后看「不同周期的影响」，知道长短周期的利弊；最后用「优化方法」找到最适合你的参数。

我个人建议你先把网格搜索跑一遍，看看你的品种在哪个周期区间表现最好。然后在这个区间里，用滚动优化法验证参数的稳定性。如果参数稳定，再考虑要不要上自适应周期。