Python量化入门：50行代码实现双均线策略回测

在金融投资领域，量化交易逐渐成为主流方式之一。通过编写程序来执行交易策略，可以有效避免人为情绪干扰，并实现自动化和高效化操作。本文将带大家使用 Python 实现一个经典的量化交易策略——双均线策略（Dual Moving Average Crossover Strategy） 的简单回测。

我们将使用 Python 中的 pandas 和 matplotlib 等库完成数据处理与可视化，并用不到 50 行代码实现整个回测流程，适合初学者快速上手量化交易的基础知识。

一、什么是双均线策略？

双均线策略是一种基于技术分析的趋势跟踪策略，其核心思想是利用两条不同周期的移动平均线（如短期均线和长期均线）进行信号判断：

当短期均线上穿长期均线时，产生买入信号； 当短期均线下穿长期均线时，产生卖出信号。

这种策略适用于趋势明显的行情，在股票、期货、加密货币等市场中广泛应用。

二、准备工作

1. 安装依赖库

确保你已经安装了以下 Python 库：

pip install pandas matplotlib yfinance

我们使用的库说明如下：

pandas：用于数据处理； matplotlib：用于绘图； yfinance：用于获取美股历史数据（可替换为本地 CSV 数据源）；

三、策略实现步骤

我们将按照以下步骤实现双均线策略：

获取历史数据； 计算短期和长期移动平均线； 生成买卖信号； 模拟持仓并计算收益； 绘制净值曲线。

四、完整代码实现（50行以内）

下面是我们使用 Python 编写的双均线策略回测代码，仅需约 45 行即可完成基础功能。

import pandas as pd import matplotlib.pyplot as plt import yfinance as yf # 下载苹果公司历史数据 data = yf.download(‘AAPL’, start=’2020-01-01′, end=’2023-01-01′) # 设置短期和长期窗口 short_window = 40 long_window = 100 # 计算移动平均线 data[‘short_ma’] = data[‘Close’].rolling(window=short_window, min_periods=1).mean() data[‘long_ma’] = data[‘Close’].rolling(window=long_window, min_periods=1).mean() # 生成交易信号 data[‘signal’] = 0 data[‘signal’][short_window:] = \ (data[‘short_ma’][short_window:] > data[‘long_ma’][short_window:]) * 1 data[‘positions’] = data[‘signal’].diff() # 初始化账户信息 initial_capital = 100000.0 positions = pd.DataFrame(index=data.index).fillna(0.0) positions[‘AAPL’] = data[‘signal’] # 持仓状态：1为持有，0为空仓 # 计算持仓价值变化 portfolio = positions.multiply(data[‘Close’], axis=0) pos_diff = positions.diff() portfolio[‘holdings’] = portfolio[‘AAPL’] portfolio[‘cash’] = initial_capital – (pos_diff.multiply(data[‘Close’], axis=0)).cumsum()[‘AAPL’] portfolio[‘total’] = portfolio[‘cash’] + portfolio[‘holdings’] portfolio[‘returns’] = portfolio[‘total’].pct_change() # 打印最终总资产 print(f”初始资金: {initial_capital:.2f}”) print(f”最终总资产: {portfolio[‘total’][-1]:.2f}”) print(f”累计收益率: {(portfolio[‘total’][-1] / initial_capital – 1) * 100:.2f}%”) # 绘图展示 plt.figure(figsize=(14, 7)) plt.plot(data[‘Close’], label=’收盘价’) plt.plot(data[‘short_ma’], label=f'{short_window}日均线’) plt.plot(data[‘long_ma’], label=f'{long_window}日均线’) plt.plot(data.loc[data[‘positions’] == 1].index, data[‘short_ma’][data[‘positions’] == 1], ‘^’, markersize=10, color=’g’, lw=0, label=’买入信号’) plt.plot(data.loc[data[‘positions’] == -1].index, data[‘short_ma’][data[‘positions’] == -1], ‘v’, markersize=10, color=’r’, lw=0, label=’卖出信号’) plt.title(‘双均线策略信号图’) plt.legend() plt.show() # 净值曲线 plt.figure(figsize=(14, 7)) plt.plot(portfolio[‘total’], label=’策略净值’) plt.title(‘策略净值曲线’) plt.legend() plt.show()

五、策略回测结果解读

运行上述代码后，你会看到两个图表：

双均线信号图：显示价格走势及买卖信号； 策略净值曲线图：展示从初始资金到最终资产的变化过程。

同时，控制台会输出：

初始资金； 最终总资产； 累计收益率百分比。

你可以根据这些指标评估策略的表现。

六、策略优化建议

虽然本策略非常简洁，但也可以进一步优化，例如：

引入手续费、滑点模拟； 使用复权价格数据； 尝试不同的均线组合（如EMA vs SMA）； 增加止损止盈机制； 多品种多策略扩展。

七、总结

本文通过不到 50 行 Python 代码，演示了如何实现一个完整的双均线策略回测系统。虽然该策略相对简单，但它涵盖了量化交易的核心流程：数据获取、信号生成、仓位管理、收益计算和可视化。

对于初学者来说，这是一个非常好的起点。随着对量化交易理解的加深，你可以逐步引入更多高级模块（如 backtrader、zipline 等），构建更复杂的交易系统。

附录：参考资料

yfinance 文档 Pandas 官方文档 Matplotlib 官方文档

如果你喜欢这类内容，欢迎继续关注“Python量化交易”系列文章，我们将持续分享更多实战技巧和策略实现！

字数统计：约 1600 字