3. 移动平均线(MA)策略：单均线策略、双均线交叉策略、均线排列策略、参数优化与实战技巧

移动平均线，简称均线，是我个人最常用的技术指标之一。说白了，它就是过去N根K线收盘价的平均值连线。别看它简单，在趋势跟踪里，均线是绝对的基石。我刚开始做量化那会儿，觉得这玩意儿太基础，总想搞点复杂的。后来发现，很多复杂策略的底层逻辑，其实都绕不开均线。

今天咱们就把均线策略聊透。从最简单的单均线，到经典的双均线交叉，再到机构常用的均线排列，最后聊聊参数优化和实战中的坑。嗯，这里要注意，代码我会给，但更重要的是背后的逻辑。

3.1 单均线策略：最简单的趋势过滤器

单均线策略的逻辑极其简单：价格在均线之上就做多，在均线之下就做空。它本质上是一个趋势过滤器，帮你判断当前市场的大方向。

核心逻辑：

• 当收盘价 > 均线值 → 开多/平空
• 当收盘价 < 均线值 → 开空/平多

我在项目中遇到过一个问题：单均线策略在震荡市里会被反复打脸。价格在均线上下穿来穿去，手续费和滑点能把利润吃光。所以，我一般会加一个「过滤带」——价格必须超过均线一定百分比才触发信号。

# 单均线策略回测代码片段
import pandas as pd
import numpy as np

def single_ma_strategy(df, ma_period=20, filter_pct=0.01):
    """
    df: 包含'close'列的DataFrame
    ma_period: 均线周期
    filter_pct: 过滤带百分比
    """
    df['MA'] = df['close'].rolling(window=ma_period).mean()
    df['signal'] = 0
    
    # 加入过滤带，避免频繁交易
    df.loc[df['close'] > df['MA'] * (1 + filter_pct), 'signal'] = 1
    df.loc[df['close'] < df['MA'] * (1 - filter_pct), 'signal'] = -1
    
    # 信号只取变化点
    df['position'] = df['signal'].shift(1)
    df['position'] = df['position'].fillna(0)
    
    return df

3.2 双均线交叉策略：经典中的经典

双均线交叉，说白了就是一根快线和一根慢线。快线上穿慢线叫「金叉」，做多；快线下穿慢线叫「死叉」，做空。这是期货市场里流传最广的策略之一。

为什么双均线比单均线好？

单均线只看价格和一条线的关系，双均线看的是两条线的关系。两条线交叉，本质上是在衡量短期趋势和长期趋势的「相对强弱」。当短期趋势强于长期趋势，说明上涨动能足。

我记得有一次做螺纹钢的回测，用(5,20)双均线组合，年化收益能做到15%左右，但最大回撤也接近20%。后来我调整成(10,30)，收益降了但回撤也小了。这里没有绝对最优，只有适合不适合。

# 双均线交叉策略回测代码
def dual_ma_cross(df, fast=5, slow=20):
    df['MA_fast'] = df['close'].rolling(window=fast).mean()
    df['MA_slow'] = df['close'].rolling(window=slow).mean()
    
    # 金叉=1，死叉=-1，其他=0
    df['signal'] = 0
    df.loc[df['MA_fast'] > df['MA_slow'], 'signal'] = 1
    df.loc[df['MA_fast'] < df['MA_slow'], 'signal'] = -1
    
    # 取信号变化点
    df['position'] = df['signal'].diff()
    df['position'] = df['position'].fillna(0)
    
    return df

3.3 均线排列策略：机构视角的趋势判断

均线排列，就是看多条均线的相对位置。当短期均线 > 中期均线 > 长期均线，这叫「多头排列」，是强趋势信号。反过来就是「空头排列」。

我个人习惯用三根均线：5日、20日、60日。当5>20>60，说明短期、中期、长期趋势一致向上，这时候做多胜率最高。你想想看，如果连60日均线都拐头向上了，那说明大资金已经进场了。

均线排列的量化定义：

• 多头排列： MA5 > MA20 > MA60
• 空头排列： MA5 < MA20 < MA60
• 交叉排列： 其他情况（震荡市）

# 均线排列策略
def ma_arrangement(df, periods=[5, 20, 60]):
    for p in periods:
        df[f'MA{p}'] = df['close'].rolling(window=p).mean()
    
    # 判断排列状态
    df['arrangement'] = 'other'
    cond_bull = (df['MA5'] > df['MA20']) & (df['MA20'] > df['MA60'])
    cond_bear = (df['MA5'] < df['MA20']) & (df['MA20'] < df['MA60'])
    
    df.loc[cond_bull, 'arrangement'] = 'bull'
    df.loc[cond_bear, 'arrangement'] = 'bear'
    
    # 只在排列状态变化时交易
    df['signal'] = 0
    df.loc[df['arrangement'] == 'bull', 'signal'] = 1
    df.loc[df['arrangement'] == 'bear', 'signal'] = -1
    
    return df

3.4 参数优化与实战技巧

参数优化，说白了就是找一组「最好」的均线参数。但这里有个大坑：过拟合。你回测时参数调得越精细，实盘时死得越惨。

我的参数优化原则：

1. 不要用太短的周期： 5以下的基本是噪音，我一般从10开始试
2. 参数要「钝」一点： 比如(10,30)比(9,31)更稳健，因为整数参数被更多人使用，市场会自我实现
3. 做参数敏感性分析： 看参数变化时，收益和回撤是否稳定。如果参数变一点，收益就大起大落，那这个策略不可靠

最后说一句，均线策略不是万能的。它最大的弱点就是滞后性——等均线给出信号时，行情可能已经走了一半。但反过来想，正因为滞后，它过滤掉了大量假突破。这就像开车，你不可能在弯道加速，但直道上你可以放心踩油门。均线就是帮你识别「直道」的工具。