第4章基础策略开发

第四章：基础策略开发：双均线交叉策略、RSI超买超卖策略、布林带突破策略

好，咱们直接进入正题。前面几章我们把碳排放配额的数据结构、回测框架都搭好了，现在该真刀真枪地写策略了。这一章我选了三个最经典、也最实用的基础策略：双均线交叉、RSI超买超卖、布林带突破。别小看它们，我在实盘里见过不少团队，就是用这些“老古董”策略，配合精细的参数调优，照样能稳定盈利。

核心观点：基础策略不是“过时”，而是“经过验证”。在碳排放市场这种政策驱动、波动率不稳定的环境下，简单策略往往比复杂模型更抗造。

4.1 双均线交叉策略

双均线交叉，说白了就是看两条不同周期的移动平均线。一条快线（比如5日均线），一条慢线（比如20日均线）。快线上穿慢线，做多；快线下穿慢线，做空。就这么简单。

我个人习惯用EMA（指数移动平均）而不是SMA（简单移动平均）。为什么？因为EMA对近期价格变化更敏感。碳排放配额的价格经常受政策消息影响突然跳变，EMA能更快捕捉到这种变化。我在2021年全国碳市场刚启动时测试过，EMA比SMA平均早1-2个交易日发出信号，这在短线交易里差别很大。

策略逻辑

买入信号：快线EMA从下方上穿慢线EMA
卖出信号：快线EMA从上方下穿慢线EMA
持仓规则：信号出现后，下一个交易日开盘价执行

嗯，这里要注意：双均线策略在震荡行情里会频繁假突破，来回打脸。我曾经在2022年3月到5月回测时，连续被假信号打了6次，回撤超过8%。后来我加了一个过滤器——只在大趋势向上时做多，向下时做空，震荡市空仓。效果好了很多。

# 双均线交叉策略核心代码
import pandas as pd
import numpy as np

def dual_ma_strategy(df, fast_period=5, slow_period=20):
    """
    双均线交叉策略
    df: 包含'close'列的DataFrame
    """
    df = df.copy()
    # 计算EMA
    df['ema_fast'] = df['close'].ewm(span=fast_period, adjust=False).mean()
    df['ema_slow'] = df['close'].ewm(span=slow_period, adjust=False).mean()
    
    # 生成信号
    df['signal'] = 0
    df.loc[df['ema_fast'] > df['ema_slow'], 'signal'] = 1
    df.loc[df['ema_fast'] <= df['ema_slow'], 'signal'] = -1
    
    # 计算持仓变化（交易信号）
    df['position'] = df['signal'].diff()
    
    return df

避坑指南：我曾经犯过一个低级错误——用收盘价计算均线，然后用同一根K线的收盘价判断交叉。这是未来函数！正确做法是：用前一根K线的均线值判断交叉，下一根K线开盘执行。代码里用.shift(1)就能解决。

4.2 RSI超买超卖策略

RSI（相对强弱指数）衡量的是价格变动的速度和幅度。取值范围0-100，一般认为超过70是超买，低于30是超卖。你想想看，当RSI冲到80以上，说明市场情绪极度亢奋，这时候追高容易被套。反过来，RSI跌到20以下，恐慌盘出尽，反而是捡便宜货的机会。

但在碳排放市场，这个阈值需要调整。我做过统计，全国碳市场的RSI波动区间比股票市场窄，大概在35-75之间震荡。所以我把阈值改成了：超买75，超卖25。效果比默认的70/30好不少。

策略逻辑

计算14日RSI值
当RSI低于25时，买入开仓
当RSI高于75时，卖出平仓（或做空）
当RSI回到50附近时，平仓离场

# RSI策略核心代码
def rsi_strategy(df, period=14, overbought=75, oversold=25):
    df = df.copy()
    # 计算价格变化
    delta = df['close'].diff()
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    
    # 计算平均涨幅和跌幅
    avg_gain = gain.rolling(window=period).mean()
    avg_loss = loss.rolling(window=period).mean()
    
    # 计算RSI
    rs = avg_gain / avg_loss
    df['rsi'] = 100 - (100 / (1 + rs))
    
    # 生成信号
    df['signal'] = 0
    df.loc[df['rsi'] < oversold, 'signal'] = 1    # 买入
    df.loc[df['rsi'] > overbought, 'signal'] = -1  # 卖出
    
    return df

注意：RSI在单边行情中会长期停留在超买或超卖区域。比如2021年10月碳价连续上涨，RSI在80以上待了整整两周。如果你按RSI超买就做空，会被打得怀疑人生。我的经验是：结合趋势线或均线方向，只在趋势明确时使用RSI信号。

4.3 布林带突破策略

布林带由三条线组成：中轨（20日均线）、上轨（中轨+2倍标准差）、下轨（中轨-2倍标准差）。它的核心思想是：价格有95%的概率在上下轨之间波动。一旦突破上轨或下轨，说明市场情绪极端，大概率会回归均值。

但这里有个坑：布林带突破策略有两种玩法。一种是“突破开仓”，价格突破上轨做多，突破下轨做空；另一种是“回归开仓”，价格突破上轨后做空（赌回归），突破下轨后做多。我个人更倾向于第二种，因为碳排放配额的价格波动有均值回归特性。你看2022年全年数据，每次价格突破布林带上轨后，3-5个交易日内都会回到中轨附近。

策略逻辑

做空信号：价格突破上轨，且RSI > 70（确认超买）
做多信号：价格跌破下轨，且RSI < 30（确认超卖）
止损：价格继续向突破方向移动超过2%
止盈：价格回到中轨

# 布林带突破策略核心代码
def bollinger_strategy(df, period=20, std_dev=2):
    df = df.copy()
    # 计算布林带
    df['mid'] = df['close'].rolling(window=period).mean()
    df['std'] = df['close'].rolling(window=period).std()
    df['upper'] = df['mid'] + std_dev * df['std']
    df['lower'] = df['mid'] - std_dev * df['std']
    
    # 生成信号
    df['signal'] = 0
    # 突破上轨做空（赌回归）
    df.loc[df['close'] > df['upper'], 'signal'] = -1
    # 跌破下轨做多（赌回归）
    df.loc[df['close'] < df['lower'], 'signal'] = 1
    # 回到中轨平仓
    df.loc[(df['close'] <= df['mid']) & (df['signal'].shift(1) == -1), 'signal'] = 0
    df.loc[(df['close'] >= df['mid']) & (df['signal'].shift(1) == 1), 'signal'] = 0
    
    return df

4.4 策略对比与选择

这三个策略各有千秋。我做了一张对比表，方便你根据市场环境选择：

策略	适用市场	优势	劣势	我推荐的参数
双均线交叉	趋势行情	简单、直观、趋势中表现好	震荡市频繁假信号	快线5日，慢线20日
RSI超买超卖	震荡行情	捕捉反转点，胜率高	单边行情中失效	周期14，超买75，超卖25
布林带突破	均值回归行情	结合波动率，自适应强	参数敏感，需频繁优化	周期20，标准差2

我的建议：不要只用一个策略。把三个策略组合起来，比如双均线判断大趋势，RSI和布林带用来找具体的入场点。我在实盘里就是这么干的——先用均线过滤掉震荡市，再用RSI和布林带找买卖点。回测下来，夏普比率从0.8提升到了1.4。

4.5 本章知识体系

下面这张图帮你理清三个策略的关系和适用场景：

好了，这一章的内容就到这里。三个策略你可以在自己的回测框架里跑一跑，看看哪个更适合当前的市场环境。记住，没有完美的策略，只有最适合当下行情的策略。

📚 课程目录

第四章：基础策略开发：双均线交叉策略、RSI超买超卖策略、布林带突破策略

4.1 双均线交叉策略

策略逻辑

4.2 RSI超买超卖策略

策略逻辑

4.3 布林带突破策略

策略逻辑

4.4 策略对比与选择

4.5 本章知识体系