AlphaFeed Blog

如何用 Python 写一个均线策略回测？（附避免未来函数的正确姿势）

策略与回测

如何用 Python 写一个均线策略回测？（附避免未来函数的正确姿势）

一句话回答： 双均线策略回测只需四步——取复权日 K 线、算快慢均线生成金叉/死叉信号、用次日开盘价成交（这一步是避免未来函数的关键）、计算净值和绩效。下面是可直接运行的完整实现。

什么是双均线策略

它是最经典的趋势跟踪策略，适合作为回测框架的入门例子。

最关键的坑：未来函数（前视偏差）

新手最常犯的错误是：在收盘那一刻算出金叉，然后用当天的收盘价成交。但收盘价你在盘中是不知道的——等你确认金叉时，那个价格已经过去了。这叫未来函数 / 前视偏差，会让回测结果虚高得离谱。

正确做法： 用 T 日收盘数据生成信号，在 T+1 日开盘价成交。下面的代码严格遵守这一点。

完整回测代码

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

def backtest_ma(symbol, fast=5, slow=20, count=500,
                fee=0.0003, slippage=0.001, init_cash=1_000_000):
    af = AlphaFeed(api_key="your-api-key")

    # 1. 取足够长的前复权日 K 线
    df = af.klines.get(symbol, period="1d", count=count, adjust="forward", to_dataframe=True)
    df = df.sort_values("trade_date").reset_index(drop=True)

    # 2. 计算均线与信号（都基于"当日收盘"，属于 T 日可知的信息）
    df["ma_fast"] = df["close"].rolling(fast).mean()
    df["ma_slow"] = df["close"].rolling(slow).mean()
    df["signal"] = (df["ma_fast"] > df["ma_slow"]).astype(int)

    # 3. 关键：信号 shift(1)，即 T 日信号 → T+1 日才持仓，用 T+1 开盘价成交
    df["position"] = df["signal"].shift(1).fillna(0)

    # 用开盘价计算持仓期收益（避免用收盘价成交造成的前视）
    df["open_ret"] = df["open"].pct_change().shift(-1)  # 今开→明开的收益，归属到今日持仓
    # 更严谨：持仓收益 = 次日开盘买入后到再次日开盘的价格变化
    df["daily_ret"] = df["open"].pct_change()
    df["strat_ret"] = df["position"] * df["daily_ret"]

    # 4. 扣成本：仓位变化的那天计一次手续费+滑点
    df["turnover"] = df["position"].diff().abs().fillna(0)
    df["cost"] = df["turnover"] * (fee + slippage)
    df["strat_ret_net"] = df["strat_ret"] - df["cost"]

    # 5. 净值与绩效
    df["nav"] = (1 + df["strat_ret_net"].fillna(0)).cumprod()
    total = df["nav"].iloc[-1] - 1
    n = len(df)
    ann = (1 + total) ** (250 / n) - 1
    vol = df["strat_ret_net"].std() * np.sqrt(250)
    sharpe = (ann - 0.02) / vol if vol else np.nan
    max_dd = (df["nav"] / df["nav"].cummax() - 1).min()

    return df, {
        "symbol": symbol, "total_return": round(total, 4),
        "ann_return": round(ann, 4), "sharpe": round(sharpe, 2),
        "max_drawdown": round(max_dd, 4),
        "trades": int(df["turnover"].sum() // 1),
    }

df, stats = backtest_ma("600519.SH", fast=5, slow=20)
print(stats)

关键设计点解释

环节做法为什么
复权adjust="forward"避免除权跳空污染收益率
信号→持仓signal.shift(1)今天的信号明天才生效，杜绝未来函数
成交价用 open（开盘价）收盘价盘中不可知，开盘价可执行
成本仓位变化时扣手续费+滑点逼近真实交易摩擦

和基准比一比

只看策略净值没意义，要和”买入持有不动”比：

df["bench_nav"] = df["close"] / df["close"].iloc[0]
print(f"策略最终净值: {df['nav'].iloc[-1]:.3f}")
print(f"基准(买入持有): {df['bench_nav'].iloc[-1]:.3f}")

批量回测多只股票

symbols = ["600519.SH", "000001.SZ", "601318.SH"]
results = [backtest_ma(s)[1] for s in symbols]
print(pd.DataFrame(results).to_string(index=False))

回测之后必须做的检验

一个漂亮的回测曲线不等于策略有效。至少要问自己：

  1. 换个时间段还成立吗？ 用不同的 count / 起止时间做样本外测试；
  2. 参数是不是过拟合？ 把 fast/slow 在一个范围内扫一遍，看结果是不是只在个别参数上好看；
  3. 考虑了停牌、涨停买不进吗？ 涨停当天开盘一字板往往买不到，实盘会打折；
  4. 成本假设合理吗？ A 股还有印花税（卖出）、过户费等，可以加进 fee。

常见问题（FAQ）

Q：为什么我的回测收益高得不真实？ A：99% 是未来函数——检查你是不是用了当天收盘价既算信号又成交。加 shift(1) 并用开盘价成交。

Q：手续费该设多少？ A：券商佣金通常万 2.5~万 3（fee=0.0003），卖出另有千 1 印花税，可视需要加入。

Q：可以回测分钟级策略吗？ A：可以，把 period 换成 5m/15m 等，用 af.klines.get(..., period="5m") 取分钟线，逻辑一致。

小结

回测框架的骨架是”数据→信号→成交→净值→绩效”，而它的灵魂是严格的时间因果：信号只能用已知信息生成，成交只能用未来可执行的价格。用 AlphaFeed 的前复权 K 线做数据源，配合 shift(1) 的成交规则，你就有了一个可信、可复现的回测起点。

相关链接：