如何用 Python 做 ATR 移动止损（吊灯止损）回测？控回撤的正确姿势

原创

用户7083614

发布于 2026-09-15 10:00:34

280

一句话回答： ATR 移动止损（吊灯止损）就是把止损线设在"持仓期最高价 − K×ATR"，价格上涨时止损跟着上移、锁住利润，价格回落触线就出。用 AlphaFeed 的复权日线算 ATR、跑一段回测你会看到：它通常能明显压低最大回撤，但在震荡行情里也可能被频繁扫出、反而降低总收益——控回撤是有代价的。

为什么会有这个问题 / 传统做法的痛点

很多人有入场信号却没有像样的出场：要么死扛到深套，要么固定百分比止损（−8%）在高波动股上太紧、低波动股上太松。固定止损不考虑波动率，是通病。

ATR（平均真实波幅）度量了每只票的"日常波动尺度"，用它做止损能自适应：波动大的票止损放宽、波动小的票收紧。吊灯止损（Chandelier Exit）再叠加"只上移不下移"，让止损随盈利抬升，兼顾"让利润奔跑"和"回撤可控"。数据用 AlphaFeed 的复权日线即可。

分步骤解决（每步配可运行代码）

第 1 步：算 ATR

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

def atr(df, n=14):
    tr = pd.concat([(df["high"] - df["low"]),
                    (df["high"] - df["close"].shift()).abs(),
                    (df["low"] - df["close"].shift()).abs()], axis=1).max(axis=1)
    return tr.rolling(n).mean()

第 2 步：吊灯移动止损回测（金叉入场，止损/死叉出场）

def backtest_trailing(symbol, count=500, atr_n=14, k=3.0, fast=20, slow=60, fee=0.0006):
    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)
    df["atr"] = atr(df, atr_n)
    df["ma_f"] = df["close"].rolling(fast).mean()
    df["ma_s"] = df["close"].rolling(slow).mean()

    pos = 0; peak = None; rets = np.zeros(len(df))
    for i in range(1, len(df)):
        o, c = df.loc[i, "open"], df.loc[i, "close"]
        prevc = df.loc[i - 1, "close"]
        if pos == 1:
            peak = max(peak, df.loc[i - 1, "high"])                 # 持仓期最高
            stop = peak - k * df.loc[i - 1, "atr"]                  # 吊灯止损线
            if df.loc[i - 1, "low"] <= stop or o <= stop:           # 已破止损 → 次日开盘平(含跳空)
                rets[i] = (o / prevc - 1) - fee; pos = 0; peak = None; continue
            rets[i] = c / prevc - 1
        # 入场/离场信号都用 T-1 已知信息，T 开盘成交（无未来函数）
        if pos == 0 and df.loc[i-1, "ma_f"] > df.loc[i-1, "ma_s"] and not np.isnan(df.loc[i-1, "ma_s"]):
            pos = 1; peak = df.loc[i-1, "high"]; rets[i] = c / o - 1 - fee
        elif pos == 1 and df.loc[i-1, "ma_f"] < df.loc[i-1, "ma_s"]:
            rets[i] = (o / prevc - 1) - fee; pos = 0; peak = None

    df["strat_ret"] = rets
    df["nav"] = (1 + df["strat_ret"]).cumprod()
    df["bench"] = df["close"] / df["close"].iloc[0]
    mdd  = float((df["nav"]   / df["nav"].cummax()   - 1).min())
    bmdd = float((df["bench"] / df["bench"].cummax() - 1).min())
    return {"strat_nav": round(df["nav"].iloc[-1], 3), "bench_nav": round(df["bench"].iloc[-1], 3),
            "strat_maxdd": round(mdd, 3), "bench_maxdd": round(bmdd, 3)}

print(backtest_trailing("600519.SH", count=500, k=3.0))

真实跑通（600519.SH 近 500 日、ATR14、K=3）：{'strat_nav': 0.82, 'bench_nav': 0.976, 'strat_maxdd': -0.215, 'bench_maxdd': -0.279}。解读：策略最大回撤 −21.5% < 买入持有 −27.9%（回撤更小、更抗跌），但净值 0.82 < 基准 0.976（这段偏震荡下行，止损被反复扫出，总收益反而更低）。这正是移动止损的真实权衡——用一部分收益换更小的回撤。

参数与字段说明

参数	含义	备注
`atr_n`	ATR 周期	常用 14
`k`	止损倍数	越大越宽松(不易被扫)、越小越紧(回撤更小但易震出)；常用 2~4
`fast/slow`	入场均线	这里用金叉入场、死叉/止损出场
出场价	破止损用次日开盘	反映跳空、避免用当日不可知价
`fee`	单边费率	含佣金/印花税近似

关键坑与注意事项

止损跳空无法按止损价成交：若某日跳空低开直接跌破止损，你只能在次日开盘（或当日开盘）成交，实际成交价常比止损价更差。代码已用开盘价近似，别假设总能在止损线精确成交。
震荡市会被反复扫出：K 太小，止损太紧，会在正常波动里被反复触发（whipsaw），交易成本和踏空双重损耗。上例净值跑输基准就是这个原因。
控回撤有代价：移动止损的价值主要是降低最大回撤/改善持有体验，不保证提高总收益。评估时要同时看收益和回撤，别只看一个。
参数敏感 + 过拟合风险：k、atr_n、均线参数都会显著影响结果，务必做样本外与参数稳健性检验，别只挑好看的一组。
复权与未来函数：adjust="forward"；信号用 T−1 信息、T 开盘成交（已用 shift 逻辑），避免前视。

常见问题（FAQ）

Q：ATR 止损比固定百分比止损好在哪？

A：它按每只票的波动率自适应——高波动股止损自动放宽、低波动股收紧，避免"一刀切百分比"在不同标的上过紧或过松。

Q：K 取多少合适？

A：常见 2~4。K 越大越不容易被震出、但单次止损亏损更大、回撤保护更弱；K 越小回撤控制越好、但易被正常波动扫出。需按标的波动性和你的持有周期调，并做稳健性检验。

Q：能只用移动止损、不用入场信号吗？

A：可以把入场换成任何你的信号（突破、基本面等），移动止损作为统一的出场纪律叠加上去。本文用金叉只是给个可运行的完整例子。

Q：需要付费吗？

A：单标的历史日线可用免费额度体验；批量回测多标的需 Starter 及以上，详见官网定价页。

小结

ATR 吊灯移动止损用波动率自适应地设止损、随盈利上移锁利，是比"固定百分比"更专业的出场纪律。用 AlphaFeed 的复权日线算 ATR、跑一段诚实的回测，你会直观看到它的本质：它主要买的是更小的回撤，而不是更高的收益，在震荡市甚至会拖累总回报。理解这个权衡，再决定给你的策略加多紧的止损。