Python 实现均线策略：从代码到回测

原创

gavin1024

发布于 2026-09-20 15:53:22

1340

用 Python 实现一个完整的均线策略并做回测，需要走完六个环节：加载并清洗数据、计算均线与生成信号、构建带持仓逻辑的回测流程、计入滑点和手续费等真实成本、计算关键绩效指标（累计收益、最大回撤、夏普比率）、以及可视化结果。相比只算收益的简化版，一个"规范"的回测会尽量贴近真实交易，才能给出更可信的判断。本文在双均线策略的基础上，带你写出一套更完整、更严谨的回测代码，并讲清楚每一步为什么这么做。

一、从"能跑"到"可信"的一步

如果你已经写过最简单的双均线策略，那这篇是它的进阶版。上一步我们让策略"能跑起来"，但那是个简化模型——没算成本、没算回撤，收益数字有点"虚"。这篇我们要让回测从"能跑"变成"可信"。

区别在哪？一个可信的回测，会尽量还原真实交易的环境：考虑滑点和手续费、正确处理持仓、算出完整的绩效指标。只有这样，回测结果才有参考价值，而不是自欺欺人的漂亮曲线。下面我们一步步把这套更严谨的回测搭起来。

二、第一步：加载并清洗数据

老规矩，从数据开始。这一步除了读取，还要做基本的清洗和检查。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

df = pd.read_csv("stock_data.csv", parse_dates=["date"])
df = df.sort_values("date").reset_index(drop=True)

# 基本清洗：去掉缺失、去掉重复
df = df.dropna(subset=["close"]).drop_duplicates(subset=["date"])

print("数据条数：", len(df))

数据质量是回测可信的前提，脏数据会直接污染结果，务必先检查干净。

三、第二步：计算均线并生成信号

计算快慢均线，并生成持仓信号。这里的关键是用前一日信号决定当日持仓，避免未来函数。

df["ma_fast"] = df["close"].rolling(5).mean()
df["ma_slow"] = df["close"].rolling(20).mean()

# 快线在慢线上方持有(1)，否则空仓(0)
df["signal"] = np.where(df["ma_fast"] > df["ma_slow"], 1, 0)

# 关键：用前一天的信号作为今天的实际持仓，避免未来函数
df["position"] = df["signal"].shift(1).fillna(0)

shift(1) 这一步是回测严谨性的核心之一，很多新手就栽在用了"今天才知道的信息去赚今天的钱"。

四、第三步：计入滑点和手续费

这是让回测贴近真实的关键一步，也是简化版最缺的部分。每次买卖都会产生成本，我们在持仓发生变化（即发生交易）时扣掉这部分成本。

df["return"] = df["close"].pct_change().fillna(0)

# 交易成本设定（示例）：手续费+滑点合计单边 0.1%
cost_rate = 0.001

# 持仓变化的地方就是发生了交易
df["trade"] = df["position"].diff().abs().fillna(0)

# 策略每日收益 = 持仓 × 当日收益 - 当日交易成本
df["strategy_return"] = df["position"] * df["return"] - df["trade"] * cost_rate

别小看这 0.1%，如果策略交易频繁，成本累积起来会显著拉低收益。很多"回测赚钱、实盘亏钱"的策略，问题就出在没算成本。

五、第四步：计算累计收益与最大回撤

有了每日策略收益，计算累计净值曲线，并算出最重要的风险指标——最大回撤。

# 累计净值
df["cum_strategy"] = (1 + df["strategy_return"]).cumprod()
df["cum_market"] = (1 + df["return"]).cumprod()

# 计算最大回撤
cummax = df["cum_strategy"].cummax()
drawdown = (df["cum_strategy"] - cummax) / cummax
max_drawdown = drawdown.min()

print("策略累计收益：", round(df["cum_strategy"].iloc[-1], 4))
print("最大回撤：", round(max_drawdown * 100, 2), "%")

最大回撤告诉你这个策略最坏情况会让你亏多少，是判断"扛不扛得住"的关键指标，一定要看。

六、第五步：计算夏普比率

再算一个衡量"收益性价比"的指标——夏普比率，看看每承担一份风险换来多少回报。

# 简化的夏普比率（按日收益计算后年化，假设一年约 252 个交易日）
mean_ret = df["strategy_return"].mean()
std_ret = df["strategy_return"].std()

if std_ret != 0:
    sharpe = (mean_ret / std_ret) * np.sqrt(252)
else:
    sharpe = 0

print("夏普比率（年化）：", round(sharpe, 2))

夏普比率越高，说明策略在同样风险下赚得越多，或同样收益下波动越小。它帮你避免只盯着收益率而忽略风险。

七、第六步：可视化回测结果

最后，把策略净值和基准做对比，画出来直观感受。

plt.figure(figsize=(12, 6))
plt.plot(df["date"], df["cum_market"], label="Buy & Hold")
plt.plot(df["date"], df["cum_strategy"], label="MA Strategy (with cost)")
plt.legend()
plt.title("MA Strategy Backtest")
plt.show()

这条计入了成本的策略曲线，比简化版真实得多，它才是你判断策略好坏的依据。

八、绩效指标解读

跑完回测，你手上有了一份体检报告。怎么读？看这张表：

指标	含义	怎么看
累计收益	策略最终赚了多少	和买入持有对比
最大回撤	最坏情况的跌幅	越小越好，问自己扛不扛得住
夏普比率	收益的性价比	越高越好
交易成本	滑点+手续费损耗	交易越频繁影响越大

记住：别只看累计收益一个数。一个收益高但回撤巨大的策略，可能远不如收益中等但走得稳的策略。四个指标合起来看，才是完整的判断。

九、几个务必牢记的提醒

回测好不代表未来赚钱：历史不会简单重复，回测只是"取得实盘资格"。
警惕过拟合：别为了让曲线好看反复调参数，那样实盘往往失灵。
成本一定要算：不算滑点手续费的回测，都是纸上富贵。
这是教学示例：均线策略是经典练手对象，不代表真实盈利能力。

当你的回测代码越来越完善、需要跑大量历史数据或让策略长期运行时，本地电脑可能就不够用了。这时可以把回测和策略程序放到腾讯云云服务器 CVM 上运行，利用云端的稳定性和算力，尤其适合需要 7×24 小时运转的场景。

结尾

用 Python 实现均线策略的完整回测，关键是从"能跑"迈向"可信"——正确处理持仓、计入真实成本、算全绩效指标。这套流程走通了，你就掌握了评价任何策略的基本方法。而看懂累计收益、最大回撤、夏普比率这几个指标，比追求一条漂亮曲线重要得多。

当你需要跑大规模回测或让策略长期运行时，稳定的运行环境很有帮助。腾讯云近期上线了量化交易专题活动，可以了解云服务器如何承载策略回测、数据抓取与自动化交易。

风险提示：本文仅为量化交易科普与技术分享，不构成任何投资建议。文中代码仅为教学示例，不代表任何真实策略效果。金融市场存在风险，任何交易策略都可能产生亏损，请结合自身情况谨慎决策。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

数据