网格交易怎么用 Python 准备数据并回测？（含手续费才是真相）

Q: 网格交易到底能不能赚钱？

只在**足够震荡、且格距/成本匹配**时才有正期望。趋势市、高频小格距、高手续费都会让它亏钱。先用真实数据回测，别信"稳赚"话术。

Q: 手续费该设多少？

A 股买入通常万 2.5~万 3 佣金，卖出另有千 1 印花税；ETF 无印花税但有佣金。示例 `fee=0.0006` 是双边近似，严谨做法买卖分开、单独加印花税。

Q: 可以在 ETF 上做网格吗？

可以，很多人正是拿宽基/行业 ETF 做网格。把 `symbol` 换成对应 ETF 代码即可（用 `af.quotes.get(universes="CN_ETF")` 可取全 ETF 列表）。

Q: 需要付费吗？

单标的历史日线可用免费额度体验；ETF 全列表等 `universes` 池查询需 Starter 及以上，详见官网定价页。

策略与回测 · 代码验证于 2026-09-09

网格交易怎么用 Python 准备数据并回测？（含手续费才是真相）

一句话回答： 网格交易的数据准备就三件事——定区间、定格数、定格距。用 AlphaFeed 的日线算出历史价格区间与 ATR，用分位数切出网格线，再写一个几十行的回测：价格下穿格线买一格、上穿卖一格。跑完你会得到一个反直觉但真实的结论：在单边趋势里、把手续费算进去，网格经常是亏钱的。

为什么会有这个问题 / 传统做法的痛点

网格交易被很多人当成”躺赚神器”，但真要落地会卡在两处：

参数没依据：区间上下沿、格数、每格间距全靠拍脑袋，格距太小频繁交易被手续费吃掉，太大又几乎不触发。
忽略成本和行情类型：网格靠”低买高卖的震荡差价”赚钱，一旦行情单边上涨或下跌，网格要么满仓套牢、要么空仓踏空，加上每笔的佣金/印花税，很容易由盈转亏。

正确做法是用真实历史数据把参数定出来，并在回测里如实计入手续费，先搞清楚”这个标的、这段行情，网格到底行不行”。

分步骤解决（每步配可运行代码）

第 1 步：取日线，算区间、ATR 与分位网格

import numpy as np, pandas as pd
from alphafeed import AlphaFeed

def grid_prep(symbol, count=250, n_grids=10):
    af = AlphaFeed()                                   # 读取 ALPHAFEED_API_KEY
    df = af.klines.get(symbol, period="1d", count=count, adjust="forward", to_dataframe=True)
    df = df.sort_values("trade_date").reset_index(drop=True)

    # 区间：用 10%/90% 分位数，避免被极端值拉宽（比直接 min/max 更实用）
    lo_q, hi_q = df["close"].quantile(0.10), df["close"].quantile(0.90)
    levels = np.linspace(lo_q, hi_q, n_grids + 1)      # n_grids 格 → n_grids+1 条线

    # ATR(14) 作为"格距是否合理"的参考尺子
    tr = pd.concat([(df["high"] - df["low"]),
                    (df["high"] - df["close"].shift()).abs(),
                    (df["low"] - df["close"].shift()).abs()], axis=1).max(axis=1)
    atr = float(tr.rolling(14).mean().iloc[-1])
    return df, levels, atr

df, levels, atr = grid_prep("510300.SH", count=250, n_grids=10)   # 沪深300ETF
print("区间: %.3f ~ %.3f | ATR14=%.4f" % (df["low"].min(), df["high"].max(), atr))
print("网格线:", [round(x, 3) for x in levels])

格距怎么定？ 让单格间距和 ATR 一个量级：格距 ≈ ATR 时，日常波动大致能触发一格。格距远小于 ATR → 过度交易；远大于 ATR → 很少成交。

第 2 步：写一个诚实计入手续费的网格回测

def backtest_grid(df, levels, shares=100, fee=0.0006):
    levels = sorted(levels)
    realized = 0.0; trades = 0; buys = []      # buys: 已买入未卖出的格价(FIFO)
    prev = df["close"].iloc[0]
    for c in df["close"].iloc[1:]:
        for lv in levels:
            if prev > lv >= c:                 # 收盘下穿格线 → 买一格
                buys.append(lv); trades += 1
            elif prev < lv <= c and buys:      # 收盘上穿格线 → 卖一格(卖最早买的)
                bp = buys.pop(0)
                realized += (lv - bp) * shares - (lv + bp) * shares * fee   # 计双边费用
                trades += 1
        prev = c
    return {"realized_pnl": round(realized, 2), "open_grids": len(buys), "trades": trades}

print(backtest_grid(df, levels))

真实跑通（510300.SH 近 250 日、10 格、每格 100 份、费率万 6）：{'realized_pnl': -94.21, 'open_grids': 7, 'trades': 197}。注意这个负数：这段时间沪深 300 偏上行，价格穿过区间上沿后网格空仓踏空、还剩 7 格未平仓；而 197 次交易的手续费累计吃掉了大部分震荡差价——这正是网格在趋势行情里的典型失败样式。

参数与字段说明

参数	含义	建议
`count`	取多少根日线定区间	250≈一年；区间要覆盖你预期的震荡范围
`n_grids`	网格数	越多越密、交易越频繁、手续费越高
分位区间	10%/90% 分位	比 min/max 更抗极端值；也可用近端箱体
`atr`	平均真实波幅	让”格距 ≈ ATR”，平衡触发率与成本
`fee`	单边费率	A 股买入佣金、卖出佣金+印花税，见 FAQ

关键坑与注意事项

网格只适合震荡，不适合趋势：单边上涨会踏空（满仓卖光后价格继续涨），单边下跌会越买越套。回测负收益往往不是代码错，而是行情类型不匹配。
手续费是网格的头号杀手：格数越多、格距越小，交易越频繁，成本越高。上例 197 笔交易的费用就足以由盈转亏。务必把 fee（含印花税）算进去。
成交假设偏乐观：代码假设在格线价精确成交。实盘用限价单可能不成交、市价单有滑点；ETF/个股流动性不同结果差异大。
未平仓格是浮动盈亏：open_grids 是回测结束时仍持有的格，其浮盈浮亏未计入 realized_pnl，评估时要一并考虑。
复权口径：跨除权日务必 adjust="forward"，否则除权跳空会被误当成穿越网格线。

常见问题（FAQ）

Q：网格交易到底能不能赚钱？ A：只在足够震荡、且格距/成本匹配时才有正期望。趋势市、高频小格距、高手续费都会让它亏钱。先用真实数据回测，别信”稳赚”话术。

Q：手续费该设多少？ A：A 股买入通常万 2.5~万 3 佣金，卖出另有千 1 印花税；ETF 无印花税但有佣金。示例 fee=0.0006 是双边近似，严谨做法买卖分开、单独加印花税。

Q：可以在 ETF 上做网格吗？ A：可以，很多人正是拿宽基/行业 ETF 做网格。把 symbol 换成对应 ETF 代码即可（用 af.quotes.get(universes="CN_ETF") 可取全 ETF 列表）。

Q：需要付费吗？ A：单标的历史日线可用免费额度体验；ETF 全列表等 universes 池查询需 Starter 及以上，详见官网定价页。

小结

网格交易的数据准备可以很工程化：用 AlphaFeed 的日线定区间、用 ATR 定格距、用分位数切网格线，再用一段诚实计费的回测验证。真正的价值不是”证明网格能赚”，而是用真实数据快速证伪——先看清这个标的、这段行情、这套参数下网格是盈是亏，再决定要不要上。