4、交易策略智能体：趋势跟踪智能体、均值回归智能体、套利智能体的设计与实现

好，咱们今天来聊聊交易策略智能体。这部分内容，说白了就是给多智能体系统装上「大脑」——每个智能体得有自己的交易逻辑，知道什么时候该买，什么时候该卖。

我个人习惯把策略智能体分成三大类：趋势跟踪、均值回归、套利。这三种策略的逻辑完全不同，甚至可以说是「互斥」的。你想想看，趋势跟踪在追涨杀跌，均值回归在抄底逃顶，套利在吃价差——它们对同一段行情的判断可能截然相反。但正是这种多样性，才让多智能体协同有了意义。

4.1 趋势跟踪智能体

趋势跟踪，说白了就是「顺势而为」。它的核心假设是：趋势一旦形成，就会持续一段时间。我在项目中遇到过很多次，新手总想抄底摸顶，结果被趋势甩下车。嗯，这里要注意——趋势跟踪不是预测顶底，而是跟随趋势。

4.1.1 核心逻辑

趋势跟踪智能体的决策逻辑很简单：

• 当价格突破某个阈值时，认为趋势启动，开仓
• 当价格反向突破另一个阈值时，认为趋势结束，平仓

常用的技术指标包括：

• 移动平均线（MA）：金叉死叉判断趋势方向
• MACD：DIF线与DEA线的交叉信号
• 布林带（Bollinger Bands）：价格突破上轨/下轨作为信号
• ADX：衡量趋势强度，ADX > 25 才认为有趋势

4.1.2 代码实现

我习惯用 Python 写策略原型。下面是一个基于双均线交叉的趋势跟踪智能体：

class TrendFollowingAgent:
    def __init__(self, fast_period=10, slow_period=30):
        self.fast_period = fast_period
        self.slow_period = slow_period
        self.position = 0  # 0: 空仓, 1: 多头, -1: 空头

    def on_data(self, price_series):
        # 计算快慢均线
        fast_ma = price_series.rolling(self.fast_period).mean()
        slow_ma = price_series.rolling(self.slow_period).mean()

        # 获取最新值
        current_fast = fast_ma.iloc[-1]
        current_slow = slow_ma.iloc[-1]
        prev_fast = fast_ma.iloc[-2]
        prev_slow = slow_ma.iloc[-2]

        # 金叉：快线上穿慢线
        if prev_fast <= prev_slow and current_fast > current_slow:
            self.position = 1
            return {'action': 'BUY', 'reason': 'golden_cross'}

        # 死叉：快线下穿慢线
        elif prev_fast >= prev_slow and current_fast < current_slow:
            self.position = -1
            return {'action': 'SELL', 'reason': 'death_cross'}

        return {'action': 'HOLD', 'reason': 'no_signal'}

4.2 均值回归智能体

均值回归的逻辑和趋势跟踪正好相反。它认为：价格偏离均值太远时，最终会回归。说白了就是「涨多了会跌，跌多了会涨」。

你想想看，为什么会有均值回归？因为市场参与者的情绪会过度反应。恐慌时卖过头，贪婪时买过头——这些极端情绪总会消退。

4.2.1 核心逻辑

均值回归智能体的决策逻辑：

• 当价格低于均值一定标准差时，认为超卖，买入
• 当价格高于均值一定标准差时，认为超买，卖出

常用的指标：

• 布林带：价格触及下轨买入，触及上轨卖出
• RSI：RSI < 30 超卖，RSI > 70 超买
• Z-Score：计算价格偏离均值的标准差倍数

4.2.2 代码实现

class MeanReversionAgent:
    def __init__(self, window=20, entry_z=2.0, exit_z=0.5):
        self.window = window
        self.entry_z = entry_z      # 开仓阈值
        self.exit_z = exit_z        # 平仓阈值
        self.position = 0

    def on_data(self, price_series):
        # 计算均值和标准差
        mean = price_series.rolling(self.window).mean()
        std = price_series.rolling(self.window).std()

        current_price = price_series.iloc[-1]
        current_mean = mean.iloc[-1]
        current_std = std.iloc[-1]

        # 计算Z-Score
        z_score = (current_price - current_mean) / current_std

        # 开仓逻辑
        if self.position == 0:
            if z_score < -self.entry_z:
                self.position = 1
                return {'action': 'BUY', 'reason': 'oversold'}
            elif z_score > self.entry_z:
                self.position = -1
                return {'action': 'SELL', 'reason': 'overbought'}

        # 平仓逻辑：回归到均值附近
        elif self.position == 1 and z_score > -self.exit_z:
            self.position = 0
            return {'action': 'SELL', 'reason': 'revert_to_mean'}
        elif self.position == -1 and z_score < self.exit_z:
            self.position = 0
            return {'action': 'BUY', 'reason': 'revert_to_mean'}

        return {'action': 'HOLD', 'reason': 'no_signal'}

4.3 套利智能体

套利智能体，说白了就是「吃价差」。它不关心价格涨跌，只关心两个或多个相关资产之间的价差是否合理。

套利的核心是：价差偏离均值时，做多低估资产、做空高估资产，等待价差回归。这其实也是一种均值回归，只不过回归的对象是「价差」而不是「价格」。

4.3.1 核心逻辑

常见的套利模式：

• 跨期套利：同一品种不同合约月份之间的价差
• 跨品种套利：相关性高的两个品种（如螺纹钢和热卷）
• 期现套利：期货价格与现货价格之间的基差

套利智能体的决策流程：

1. 计算价差：Spread = Price_A - Price_B × 系数
2. 计算价差的均值和标准差：判断当前价差是否偏离
3. 开仓：价差偏离超过阈值时，做多价差或做空价差
4. 平仓：价差回归到均值附近时平仓

4.3.2 代码实现

class ArbitrageAgent:
    def __init__(self, window=60, entry_z=2.0, hedge_ratio=1.0):
        self.window = window
        self.entry_z = entry_z
        self.hedge_ratio = hedge_ratio  # 对冲比例
        self.position = 0  # 1: 做多价差, -1: 做空价差

    def on_data(self, price_a_series, price_b_series):
        # 计算价差
        spread = price_a_series - self.hedge_ratio * price_b_series

        # 计算价差的均值和标准差
        mean = spread.rolling(self.window).mean()
        std = spread.rolling(self.window).std()

        current_spread = spread.iloc[-1]
        current_mean = mean.iloc[-1]
        current_std = std.iloc[-1]

        z_score = (current_spread - current_mean) / current_std

        # 开仓逻辑
        if self.position == 0:
            if z_score < -self.entry_z:
                self.position = 1
                return {
                    'action': 'BUY_SPREAD',
                    'leg1': ('BUY', 'asset_a'),
                    'leg2': ('SELL', 'asset_b'),
                    'reason': 'spread_too_low'
                }
            elif z_score > self.entry_z:
                self.position = -1
                return {
                    'action': 'SELL_SPREAD',
                    'leg1': ('SELL', 'asset_a'),
                    'leg2': ('BUY', 'asset_b'),
                    'reason': 'spread_too_high'
                }

        # 平仓逻辑
        elif self.position == 1 and z_score > -0.5:
            self.position = 0
            return {'action': 'CLOSE_SPREAD', 'reason': 'spread_reverted'}
        elif self.position == -1 and z_score < 0.5:
            self.position = 0
            return {'action': 'CLOSE_SPREAD', 'reason': 'spread_reverted'}

        return {'action': 'HOLD', 'reason': 'no_signal'}

4.4 三种策略的对比与协同

这三种策略，各有各的适用场景。我整理了一个对比表：

维度	趋势跟踪	均值回归	套利
适用行情	趋势行情	震荡行情	价差偏离行情
持仓周期	中长线（天/周）	短线（小时/天）	极短线（分钟/小时）
风险来源	趋势反转	趋势延续	价差持续偏离
胜率	较低（30%-40%）	较高（50%-60%）	较高（60%-70%）
盈亏比	高（3:1以上）	低（1:1左右）	中等（1.5:1左右）

在多智能体系统中，这三种策略可以协同工作：

• 趋势跟踪智能体负责捕捉大行情，赚大钱
• 均值回归智能体负责在震荡市中赚小钱，平滑收益曲线
• 套利智能体负责捕捉价差机会，提供低风险收益

我个人习惯让它们共享一个「市场状态判断器」——当市场处于趋势状态时，提高趋势跟踪的权重；当市场处于震荡状态时，提高均值回归的权重。这样就能实现「自适应」的策略切换。

好了，三种策略智能体的核心逻辑和实现就讲到这里。记住，策略本身没有好坏，关键看你怎么用、用在什么市场环境下。下一节我们会聊到这些智能体之间如何通信、如何协调决策——那才是多智能体系统的精髓所在。

---