3. 移动平均线策略：双均线金叉死叉策略，参数（快线、慢线周期）的优化

双均线策略，说白了就是两条不同周期的移动平均线打架。快线上穿慢线，我们叫它「金叉」，做多；快线下穿慢线，叫「死叉」，做空。听起来简单吧？但参数怎么选，才是真正的学问。

我个人习惯把这个问题拆成三步：参数空间定义 → 回测评估 → 稳健性检验。咱们一步步来。

3.1 参数空间：别瞎蒙，要有边界

快线周期通常取 5~50 日，慢线周期取 20~200 日。但有个硬约束：慢线必须大于快线，否则逻辑就乱了。

我建议用网格搜索，步长可以设 5 或 10。比如快线从 5 到 50，步长 5；慢线从 20 到 200，步长 10。这样一共也就 10×19=190 组参数，算起来很快。

3.2 回测评估：别只看收益率

很多人一上来就看总收益率，这是大忌。我见过一个策略，回测年化 80%，但最大回撤 60%，你敢用吗？

我一般用这几个指标综合评估：

嗯，这里要注意：交易次数太少，统计结果不可信。我曾经优化出一组参数，年化 30%，但只交易了 12 次。后来实盘发现，那纯粹是运气。

3.3 代码实现：用 Python 跑一遍

下面是我常用的优化框架，你直接拿去改参数就行：

import pandas as pd
import numpy as np

def backtest_ma(data, fast, slow):
    # 计算均线
    data['ma_fast'] = data['close'].rolling(fast).mean()
    data['ma_slow'] = data['close'].rolling(slow).mean()
    
    # 生成信号
    data['signal'] = 0
    data.loc[data['ma_fast'] > data['ma_slow'], 'signal'] = 1
    data.loc[data['ma_fast'] < data['ma_slow'], 'signal'] = -1
    
    # 计算每日收益
    data['return'] = data['close'].pct_change()
    data['strategy_return'] = data['signal'].shift(1) * data['return']
    
    # 累计收益
    data['cum_return'] = (1 + data['strategy_return']).cumprod()
    
    # 计算指标
    total_return = data['cum_return'].iloc[-1] - 1
    max_drawdown = (data['cum_return'] / data['cum_return'].cummax() - 1).min()
    
    return total_return, max_drawdown

# 网格搜索
results = []
for fast in range(5, 55, 5):
    for slow in range(20, 205, 10):
        if slow <= fast:
            continue
        ret, dd = backtest_ma(data, fast, slow)
        results.append([fast, slow, ret, dd])

# 转成 DataFrame 方便分析
df_results = pd.DataFrame(results, columns=['fast', 'slow', 'return', 'drawdown'])

3.4 稳健性检验：别被「最优参数」骗了

找到一组最优参数后，别急着高兴。我踩过最大的坑就是：最优参数往往只在特定行情下有效。

怎么做稳健性检验？我推荐三种方法：

1. 滚动窗口测试：把数据分成 3~5 段，每段单独优化，看参数是否稳定。
2. 参数敏感性分析：在最优参数附近微调，比如快线 ±2，慢线 ±5，看收益变化大不大。
3. 蒙特卡洛模拟：随机打乱交易顺序，模拟 1000 次，看收益分布是否显著为正。

3.5 知识体系：一张图看懂

下面这张图总结了双均线参数优化的完整流程，我建议你保存下来，每次做优化时对照着看：

3.6 避坑指南：我踩过的三个坑

最后分享几个实战教训，都是真金白银换来的：

• 别用未来数据：计算均线时，一定要用当天的收盘价，不能包含未来信息。我见过有人用未来数据回测，年化 100%，实盘直接亏光。
• 注意交易成本：双均线策略交易频率不低，如果忽略手续费和滑点，回测结果会虚高 30%~50%。
• 别过度优化：参数越精确，越容易过拟合。我一般选一个「参数高原」上的点，而不是尖峰上的点。