如何用 Python 回测海龟交易法则？

原创

用户7083614

发布于 2026-10-18 10:01:04

340

一句话回答： 海龟交易法则 = 唐奇安通道突破入场 + 用 ATR(N) 决定头寸大小 + 按 N 分批加仓 + 反向短通道离场，是一套完整的趋势跟踪系统，而不只是「突破买入」。用 AlphaFeed 取回前复权日线，几十行就能实现海龟的核心逻辑回测：20 日高点突破做多、10 日低点离场、以 2N 止损、每 0.5N 加仓（A 股只做多头段），次日开盘成交避免未来函数、扣手续费。

为什么会有这个问题 / 传统做法的痛点

很多人把海龟简化成「唐奇安突破」，漏掉了它真正的精华——头寸管理：用 ATR（原著称 N）衡量波动，波动大就少买、波动小就多买，并按价格每前进 0.5N 加仓、以 2N 为止损。只做突破不做仓位管理，回测结果会失真。下面实现一个包含 ATR 头寸与加仓的简化海龟系统。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线，算 ATR(N) 与唐奇安通道

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

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

df = af.klines.get("600519.SH", period="1d", count=800,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

# 真实波幅 TR 与 N（=ATR20）
prev_close = df["close"].shift()
tr = pd.concat([df["high"] - df["low"],
                (df["high"] - prev_close).abs(),
                (df["low"] - prev_close).abs()], axis=1).max(axis=1)
df["N"] = tr.rolling(20).mean()                      # 海龟的 N = 20 日 ATR

df["hi20"] = df["high"].rolling(20).max().shift(1)   # 20 日最高（不含当日）
df["lo10"] = df["low"].rolling(10).min().shift(1)    # 10 日最低（离场）

参数（海龟经典 System 1）：

参数	含义	取值
入场	突破 20 日最高	`close > hi20`
离场	跌破 10 日最低	`close < lo10`
N	波动度量（20 日 ATR）	用于头寸与止损
止损	入场价 − 2N	单位止损
加仓	每上涨 0.5N 加一仓	最多 4 仓

第 2 步：按 ATR 决定头寸（波动越大买越少）

ACCOUNT = 1_000_000      # 账户资金
RISK_PCT = 0.01          # 每仓风险 1% 账户（海龟的 1 unit）

def unit_size(price, N):
    if not N or N <= 0:
        return 0
    dollar_risk = ACCOUNT * RISK_PCT       # 每 unit 承担的风险额
    shares = dollar_risk / (2 * N)         # 以 2N 为止损 → 头寸 = 风险额 / 2N
    return max(int(shares // 100) * 100, 0)  # A 股按手(100股)取整

第 3 步：事件循环回测（次日开盘成交，含加仓/止损/离场）

FEE = 0.0013
pos_shares = 0; entry = 0.0; add_price = 0.0; adds = 0
cash = ACCOUNT; equity_curve = []

for i in range(1, len(df)):
    o = df["open"].iloc[i]; c = df["close"].iloc[i]; N = df["N"].iloc[i-1]
    # 信号取 i-1 日（其通道已 shift(1) 排除信号日自身），i 日开盘成交（避免未来函数）
    sig_hi = df["hi20"].iloc[i-1]; sig_lo = df["lo10"].iloc[i-1]
    prev_c = df["close"].iloc[i-1]
    if pos_shares == 0:
        if pd.notna(sig_hi) and prev_c > sig_hi and N > 0:
            sh = unit_size(o, N)
            if sh > 0:
                pos_shares = sh; entry = o; add_price = o; adds = 1
                cash -= sh * o * (1 + FEE)
    else:
        # 加仓：价格每涨 0.5N 且未超过 4 仓
        if adds < 4 and o >= add_price + 0.5 * N:
            sh = unit_size(o, N)
            if sh > 0:
                pos_shares += sh; cash -= sh * o * (1 + FEE)
                add_price = o; adds += 1
        # 止损 2N 或 跌破 10 日低点 → 全平
        if o <= entry - 2 * N or (pd.notna(sig_lo) and prev_c < sig_lo):
            cash += pos_shares * o * (1 - FEE)
            pos_shares = 0; entry = 0; adds = 0
    equity_curve.append(cash + pos_shares * c)

eq = pd.Series(equity_curve)

第 4 步：绩效

total = eq.iloc[-1] / ACCOUNT - 1
years = len(eq) / 252
cagr = (eq.iloc[-1] / ACCOUNT) ** (1/years) - 1
mdd = (eq / eq.cummax() - 1).min()
bench = df["close"].iloc[-1] / df["close"].iloc[20] - 1
print(f"海龟 收益{total:.2%} 年化{cagr:.2%} 回撤{mdd:.2%} | 买入持有{bench:.2%}")

关键坑与注意事项

海龟 ≠ 只做突破：核心是 ATR 头寸管理与加仓，缺了它回测不真实。
避免未来函数：用 i−1 日收盘判信号、i 日开盘成交；通道用 .shift(1) 排除当日。
前复权价：跨除权日必须前复权，否则 ATR、通道、收益全失真。
A 股只做多头段：原版海龟可做空，A 股个股难裸卖空，本文只做多、空仓代替做空。
手续费与滑点：加仓频繁，务必扣费；本文未计滑点与冲击成本，实盘更保守。
T+1 与涨跌停：突破日若涨停可能买不进，本文为简化模型未完全模拟。
参数与过拟合：20/10、2N、0.5N、4 仓是经典值，换股换期需稳健性检验。

常见问题（FAQ）

Q：海龟的 N 是什么？

A：就是 ATR（一般 20 日），衡量波动。头寸 = 账户风险额 ÷ 2N——波动越大买得越少，控制单笔风险恒定。

Q：为什么要加仓？

A：趋势确认后按每 0.5N 分批加仓，让盈利头寸做大；同时以 2N 止损控制回撤，是海龟「截断亏损、让利润奔跑」的体现。

Q：一定要 20 日突破吗？

A：System 1 用 20 日突破 /10 日离场；原著还有 55/20 的 System 2。可自行改参数并做稳健性测试。

Q：需要付费吗？

A：单只历史日线有免费额度；多标的组合海龟（klines.batch + universes）需 Starter 及以上。详见定价页。

小结

海龟交易法则的精髓是「唐奇安突破 + ATR 头寸 + 分批加仓 + 短通道离场」的完整系统，而非单纯突破买入。用 AlphaFeed 取回前复权日线，几十行就能实现含 ATR 头寸与加仓的海龟回测；关键是次日开盘成交避免未来函数、前复权、扣费、A 股只做多。历史结果仅供研究，务必多品种多区间验证。