如何用 Python 回测 CCI 超买超卖反转策略？（-100 入场、+100 出场，含手续费）

Q: 为什么用「上穿 −100」而不是「低于 −100 就买」？

直接「低于 −100 买」会在深跌中过早进场、反复抄底。用「从超卖区上穿回 −100」要求出现企稳迹象，信号更稳。

Q: CCI 计算和 cci-commodity-channel-index 那篇重复吗？

那篇只讲 CCI 的计算与读数，本文是**完整回测**（次日成交/手续费/避免未来函数/对比买入持有），侧重策略严谨性，不重复。

Q: 需要付费吗？

单只股票日线在免费额度内即可；若要对**全市场**批量回测 CCI 反转、横向比较，需要 `klines.batch` + `universes`（Starter 及以上），详见官网定价页。

策略与回测 · 代码验证于 2026-10-06

如何用 Python 回测 CCI 超买超卖反转策略？

一句话回答： CCI（顺势指标）常被当超买超卖信号——低于 −100 视为超卖、高于 +100 视为超买。本文用 AlphaFeed 取前复权日线算 CCI，严格按「信号次日开盘成交、双边扣手续费、通道/信号用前一日值避免未来函数」回测「从超卖区上穿 −100 买入、从超买区下穿 +100 卖出」的反转策略，并和买入持有对比——实测在某些标的/区间它能跑赢买入持有，但这高度依赖区间，不代表普遍有效。

为什么会有这个问题 / 传统做法的痛点

网上「CCI < −100 就抄底」的说法满天飞，但很少有人诚实地带手续费、按次日成交回测。常见错误有两个：一是用当日收盘价成交（当天收盘才算出 CCI，实际买不到），这是典型未来函数；二是忽略手续费，把高频反复进出的成本藏起来。本文把这两个坑都堵上。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线并计算 CCI

from alphafeed import AlphaFeed
import numpy as np

af = AlphaFeed(api_key="your-api-key")  # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()

df = af.klines.get("600519.SH", period="1d", count=800,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

def cci(df, n=14):
    tp = (df["high"] + df["low"] + df["close"]) / 3      # 典型价
    ma = tp.rolling(n).mean()
    md = tp.rolling(n).apply(lambda x: np.abs(x - x.mean()).mean(), raw=True)
    return (tp - ma) / (0.015 * md)

df["cci"] = cci(df, 14)

CCI = (典型价 − 典型价均线) ÷ (0.015 × 平均绝对偏差)，±100 是经典超买超卖界。

第 2 步：次日开盘成交 + 手续费回测（避免未来函数）

df["open_next"] = df["open"].shift(-1)        # 信号次日开盘价成交
fee = 0.0013                                  # 单边约 0.13%
pos, entry, trades, rets = 0, 0.0, 0, []

for i in range(1, len(df) - 1):
    c_prev, c_now = df["cci"].iloc[i-1], df["cci"].iloc[i]
    px = df["open_next"].iloc[i]
    if np.isnan(c_prev) or np.isnan(c_now) or np.isnan(px):
        continue
    if pos == 0 and c_prev <= -100 < c_now:    # 从超卖上穿 -100 → 次日开盘买
        pos, entry = 1, px
    elif pos == 1 and c_prev >= 100 > c_now:    # 从超买下穿 +100 → 次日开盘卖
        r = px / entry * (1 - fee) ** 2 - 1     # 买卖各扣一次手续费
        rets.append(r); trades += 1; pos = 0

import pandas as pd
rets = pd.Series(rets)
total = (1 + rets).prod() - 1 if len(rets) else 0.0
bh = df["close"].iloc[-1] / df["close"].iloc[0] - 1
print("交易次数:", trades, "策略累计:", round(total*100, 2), "%",
      "买入持有:", round(bh*100, 2), "%", "胜率:", round((rets>0).mean(), 3))

关键点：判断信号用 i-1 与 i 两日的 CCI（都是已收盘的历史值），成交用 i+1 日开盘价——信号与成交严格错开，杜绝未来函数。

实测（tools/verify_new_2026-10-06.py，SDK 0.1.4）：贵州茅台近 800 日，20 次交易、策略累计 +18.87%，买入持有 −18.94%，胜率 50%。这段里反转策略跑赢买入持有约 38 个百分点——但注意这是特定标的 + 特定区间的结果，换票换时间很可能反过来。

第 3 步：诚实解读

胜率仅 50% 却能赚，说明盈利靠的是「赢的那几笔幅度大于亏的」；而买入持有在这段是亏的，拉低了对比基准。不要据此断言「CCI 反转永远有效」——它在震荡市较灵、单边趋势市会被反复止损或错过大段上涨。

参数与字段说明

参数/字段	含义	备注
`adjust="forward"`	前复权	必须，除权缺口制造假信号
`n=14`	CCI 周期	经典 14，可调
±100	超买超卖界	经典阈值
`open_next`	次日开盘成交	避免未来函数的关键
`fee=0.0013`	单边手续费	买卖各扣一次

关键坑与注意事项

未来函数：信号必须用已收盘的 CCI、成交必须用之后的价格。本文信号用 i-1/i、成交用 i+1 开盘。
手续费不能省：反转策略进出频繁，忽略手续费会严重高估收益。
结果不可外推：单只股票单区间跑赢≠策略普遍有效；务必多标的、多区间、分样本检验。
前复权：务必 adjust="forward"。
无止损/仓位管理：示例是最简版，实盘需加止损、仓位、滑点。

常见问题（FAQ）

Q：为什么用「上穿 −100」而不是「低于 −100 就买」？ A：直接「低于 −100 买」会在深跌中过早进场、反复抄底。用「从超卖区上穿回 −100」要求出现企稳迹象，信号更稳。

Q：CCI 计算和 cci-commodity-channel-index 那篇重复吗？ A：那篇只讲 CCI 的计算与读数，本文是完整回测（次日成交/手续费/避免未来函数/对比买入持有），侧重策略严谨性，不重复。

Q：需要付费吗？ A：单只股票日线在免费额度内即可；若要对全市场批量回测 CCI 反转、横向比较，需要 klines.batch + universes（Starter 及以上），详见官网定价页。

小结

CCI 反转策略能不能赚，取决于你是否诚实地按次日开盘成交、扣手续费、避免未来函数。有了 AlphaFeed 的前复权日线，几十行就能跑出带成本的真实回测——实测某标的某区间能跑赢买入持有，但这高度依赖样本，切勿外推成「永远有效」。