3. 交易策略基础：策略设计原则、策略类型与信号生成

做量化交易这几年，我越来越觉得策略设计就像盖房子。地基没打好，后面装修得再漂亮也没用。今天咱们就聊聊策略设计的基本原则、几种主流策略类型，以及信号是怎么生成的。

3.1 策略设计原则：别让策略死在起跑线上

我个人习惯把策略设计原则归纳为三条。这三条看着简单，但我在项目中踩过的坑，十有八九都是违背了其中一条。

3.1.1 可解释性原则

说白了，你的策略得能说清楚「为什么赚钱」。我见过有人把50个技术指标扔进神经网络，回测曲线漂亮得不行。结果实盘一周就亏了20%。为什么？因为那些指标组合根本就是过拟合，没有任何逻辑支撑。

嗯，这里要注意：如果你自己都解释不清策略的逻辑，市场一定会用亏损给你解释清楚。

3.1.2 稳健性原则

策略不能只在某个特定行情下有效。你想想看，如果一个策略在2015年股灾里赚了钱，但在2016年震荡市里亏成狗，那它就不是好策略。

我曾经做过一个趋势跟踪策略，在牛市里年化收益80%。我兴奋得不行，直接上了实盘。结果熊市一来，三个月回撤了40%。后来我学乖了，任何策略都要在多种市场环境下测试——趋势市、震荡市、高波动、低波动，一个都不能少。

3.1.3 简洁性原则

参数越少越好。为什么？因为参数越多，过拟合的风险就越大。我见过一个策略有20多个参数，每个参数都优化得恰到好处。但实盘呢？一塌糊涂。

3.2 策略类型：三大主流流派

交易策略千千万，但核心逻辑逃不出这三类。咱们一个一个看。

3.2.1 趋势跟踪策略

趋势跟踪，说白了就是「追涨杀跌」。它的核心假设是：趋势一旦形成，就会持续一段时间。

最常见的实现方式就是均线交叉。比如5日均线上穿20日均线时买入，下穿时卖出。代码很简单：

def moving_average_crossover(data, short_window=5, long_window=20):
    data['MA_short'] = data['close'].rolling(window=short_window).mean()
    data['MA_long'] = data['close'].rolling(window=long_window).mean()
    
    # 生成信号：1表示买入，-1表示卖出，0表示持有
    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

我在项目中遇到过一个问题：均线策略在强趋势行情里赚得盆满钵满，但在震荡行情里会被反复打脸。后来我加了ATR（平均真实波幅）作为过滤器——只有波动率足够大时才开仓。效果好了不少。

3.2.2 均值回归策略

均值回归和趋势跟踪正好相反。它赌的是「价格偏离均值后一定会回来」。说白了就是「低买高卖」的数学版本。

最经典的实现是布林带策略。当价格触及下轨时买入，触及上轨时卖出。

def bollinger_band_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']
    
    data['signal'] = 0
    data.loc[data['close'] < data['lower'], 'signal'] = 1   # 买入
    data.loc[data['close'] > data['upper'], 'signal'] = -1  # 卖出
    
    return data

嗯，这里要注意：均值回归策略在单边行情里会死得很惨。我记得有一次做股指期货的均值回归，遇到了一波连续上涨，我一路逆势做空，结果爆仓了。后来我加了趋势过滤器——只有市场处于震荡状态时才用均值回归。

3.2.3 统计套利策略

统计套利，说白了就是「找亲戚」。找两个相关性高的品种，当它们的价差偏离正常范围时，做多一个、做空另一个，赌价差会回归。

最经典的是配对交易。比如茅台和五粮液，历史上它们的价差一直在某个范围内波动。当价差扩大到2倍标准差时，就开仓。

def pairs_trading_strategy(price_a, price_b, window=60, entry_z=2):
    # 计算价差
    spread = price_a - price_b
    spread_mean = spread.rolling(window=window).mean()
    spread_std = spread.rolling(window=window).std()
    z_score = (spread - spread_mean) / spread_std
    
    # 生成信号
    signal_a = 0
    signal_b = 0
    
    if z_score > entry_z:
        signal_a = -1  # 做空A
        signal_b = 1   # 做多B
    elif z_score < -entry_z:
        signal_a = 1   # 做多A
        signal_b = -1  # 做空B
    
    return signal_a, signal_b

3.3 策略参数与信号生成

参数和信号，是策略的「灵魂」和「手脚」。参数决定了策略的性格，信号决定了策略的行动。

3.3.1 参数选择：别过度优化

参数优化是门学问。我见过有人用网格搜索把参数优化到小数点后两位，结果实盘一塌糊涂。为什么？因为过度优化等于在拟合噪音。

我个人习惯的做法是：

• 先定范围：比如均线周期，我一般只试5-60之间的整数
• 再定步长：步长不要太小，5或10就够
• 最后验证：用样本外数据验证，如果样本外表现和样本内差距很大，说明过拟合了

3.3.2 信号生成：从数据到决策

信号生成的过程，其实就是把策略逻辑翻译成「买、卖、持有」三个动作。我一般用-1、0、1来表示。

信号生成有几个关键点：

1. 信号要明确：不能模棱两可。是买就是买，是卖就是卖
2. 信号要可执行：比如收盘价信号，你只能在收盘时交易
3. 信号要防未来函数：绝对不能用到未来的数据

3.4 知识体系总览

为了让你更直观地理解这一章的内容，我画了一张结构图。它把策略设计、策略类型、参数和信号的关系串起来了。

这张图把咱们这一章的核心内容串起来了。你想想看，策略设计原则是「道」，策略类型是「法」，参数和信号是「术」。道、法、术三者结合，才能做出靠谱的策略。

好了，这一章就聊到这儿。记住：好的策略不是靠参数堆出来的，而是靠逻辑赢出来的。下一章咱们聊聊回测系统的搭建，到时候我会分享一些我在实际项目中踩过的坑。