单只历史日线有免费额度；多标的批量回测（`klines.batch` + `universes`）需 Starter 及以上。详见[定价页](https://alphafeed.org/)。

如何用 Python 给双均线策略加趋势过滤减少假信号？（长期均线过滤回测）

Q: 趋势过滤一定能提高收益吗？

不一定提高总收益，但通常**减少交易次数与最大回撤**、提升信号质量。在震荡市效果明显，在单边强趋势里可能和基础版接近。要用回测看。

Q: 为什么只过滤做多、不过滤平仓？

平仓（死叉）要尽快离场控制风险，不宜被趋势条件拖延；过滤主要用于**进场**，避免逆势做多。

策略与回测 · 代码验证于 2026-10-01

如何用 Python 给双均线策略加趋势过滤减少假信号？

一句话回答： 双均线金叉死叉在震荡市会被反复打脸。加一道长期均线趋势过滤——只在「收盘价 > 长期均线（如 MA120）」即大趋势向上时才接受短均线金叉做多，能过滤掉下跌/震荡中的无效金叉。用 AlphaFeed 取前复权日线回测，对比加过滤前后的收益、回撤与交易次数，次日开盘成交避免未来函数、扣手续费。

为什么会有这个问题 / 传统做法的痛点

基础双均线（如 MA5 上穿 MA20 买、下穿卖）在趋势市好用，但在震荡市频繁金叉死叉、来回止损，交易成本吃掉收益。经典改进是顺大势而为：只在长期趋势向上时做多头信号。本文量化这个过滤器，并用回测证明它对交易次数和回撤的影响。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线，算快/慢/长期均线

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

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)

FAST, SLOW, TREND = 5, 20, 120
df["ma_fast"] = df["close"].rolling(FAST).mean()
df["ma_slow"] = df["close"].rolling(SLOW).mean()
df["ma_trend"] = df["close"].rolling(TREND).mean()

参数	含义	取值
`FAST`/`SLOW`	快/慢均线（金叉死叉）	5 / 20
`TREND`	长期趋势过滤均线	120（约半年）
过滤条件	收盘 > `ma_trend` 才允许做多	顺大势

第 2 步：生成「基础」与「带过滤」两套信号

golden = (df["ma_fast"] > df["ma_slow"]) & (df["ma_fast"].shift() <= df["ma_slow"].shift())
dead = (df["ma_fast"] < df["ma_slow"]) & (df["ma_fast"].shift() >= df["ma_slow"].shift())
trend_up = df["close"] > df["ma_trend"]

def build_position(entry_mask, exit_mask):
    pos, out = 0, []
    for i in range(len(df)):
        if pos == 0 and bool(entry_mask.iloc[i]):
            pos = 1
        elif pos == 1 and bool(exit_mask.iloc[i]):
            pos = 0
        out.append(pos)
    return pd.Series(out).shift(1).fillna(0)   # 次日开盘成交

df["pos_base"] = build_position(golden, dead)                    # 基础：金叉买死叉卖
df["pos_filter"] = build_position(golden & trend_up, dead)       # 过滤：仅趋势向上时金叉买

第 3 步：按次日开盘价 + 手续费算两套净值

FEE = 0.0013
df["open_ret"] = df["open"].pct_change().shift(-1)

def equity(pos):
    trade = pos.diff().abs().fillna(0)
    ret = pos * df["open_ret"].fillna(0) - trade * FEE
    return (1 + ret).cumprod(), int(trade.sum() // 2)

eq_base, n_base = equity(df["pos_base"])
eq_filt, n_filt = equity(df["pos_filter"])

第 4 步：对比加过滤前后

def summ(eq):
    total = eq.iloc[-1] - 1
    mdd = (eq / eq.cummax() - 1).min()
    return total, mdd

tb, db = summ(eq_base); tf, dff = summ(eq_filt)
bench = df["close"].iloc[-1] / df["close"].iloc[TREND] - 1
print(f"基础双均线  收益{tb:.2%} 回撤{db:.2%} 交易{n_base}次")
print(f"加趋势过滤  收益{tf:.2%} 回撤{dff:.2%} 交易{n_filt}次")
print(f"买入持有    收益{bench:.2%}")

关键坑与注意事项

避免未来函数：金叉当日收盘出信号、shift(1) 次日开盘成交；趋势过滤也用当日收盘价判断、次日执行。
前复权价：未复权价在除权日让均线与收益失真。
过滤会减少交易、也可能漏涨：趋势过滤通常降低交易次数与回撤，但强反转初期（价格还在长均线下方）会错过，属正常取舍。
参数别过拟合：5/20/120 是常见组合，换股换期需稳健性检验，别只挑表现最好的参数。
手续费必扣：双均线换手较多，忽略费用会高估；本文单边 0.13% 为近似。
单标的≠有效：应多品种多区间验证；本文为简化模型，未完全模拟 T+1、涨跌停无法成交。

常见问题（FAQ）

Q：趋势过滤一定能提高收益吗？ A：不一定提高总收益，但通常减少交易次数与最大回撤、提升信号质量。在震荡市效果明显，在单边强趋势里可能和基础版接近。要用回测看。

Q：趋势均线用 120 还是 200？ A：120（约半年）、200（约一年）都常用。越长越稳、越滞后。可多测几组看稳健性。

Q：为什么只过滤做多、不过滤平仓？ A：平仓（死叉）要尽快离场控制风险，不宜被趋势条件拖延；过滤主要用于进场，避免逆势做多。

Q：需要付费吗？ A：单只历史日线有免费额度；多标的批量回测（klines.batch + universes）需 Starter 及以上。详见定价页。

小结

给双均线策略加「长期均线趋势过滤」，只在大趋势向上时接受金叉做多，是减少震荡市假信号的经典改进。用 AlphaFeed 取前复权日线，把基础版与带过滤版并列回测，就能看清过滤对交易次数、回撤的实际影响。关键是避免未来函数、前复权、扣手续费、别过拟合参数。