双均线策略进阶：用止损与仓位管理把回测曲线从过山车变缓坡

双均线策略可能是所有量化入门者写的第一个策略但也是最容易被“回测骗”的策略。我在Supermind平台上折腾了几个月把裸奔的双均线一步步加上止损和仓位管理回测曲线从“过山车”变成了“缓坡上行”这里把整个过程记录下来包括代码、参数、坑和经验。这篇文章适合已经会写基础双均线、但觉得回测结果不够稳、想给自己的策略加风控的人。裸双均线策略最大的问题不是不赚钱而是赚的时候赚得猛、亏的时候亏得也猛。你在回测里看到年化20%觉得很爽但最大回撤35%意味着实盘里账户可能从100万缩水到65万大部分人根本扛不住这种波动更别说震荡行情里连续十几笔小亏损对心态的折磨。所以这篇分享的核心思路很简单在不大幅牺牲收益的前提下通过止损限制单笔亏损、通过仓位管理控制整体风险敞口让策略赚得慢一点但活得久一点。1. 先看清问题裸奔的双均线为什么回测好看、实盘难受1.1 双均线策略的经典逻辑与潜在缺陷双均线策略的逻辑很简单短期均线上穿长期均线时买入下穿时卖出。以5日均线和20日均线为例5日均线代表短周期持仓成本20日均线代表中周期持仓成本金叉意味着短期资金开始强势死叉意味着短期资金撤退。这个逻辑本身没有错趋势跟踪策略的核心就是这样跟随市场主要方向不预测、只应对。但问题在于“裸奔”状态下的执行方式。大多数人写双均线的时候买入就是全仓干进去卖出就是清仓跑路中间没有任何中间状态。这种粗暴的满进满出会带来三个致命的缺陷第一个缺陷是单笔亏损完全不受控。假设你在震荡行情里连续做了5次交易每次判断错误亏了3%本金累计缩水约14%。如果是满仓操作5次错误就可能让你元气大伤而趋势策略的胜率通常只有40%左右这意味着你需要在错误的交易上活下来才有机会等来大趋势。第二个缺陷是利润回吐严重。均线的天然短板是滞后金叉出现时行情往往已经涨了一段死叉出现时行情往往已经跌了一段。你在回测里看到某段收益从高点回落了20%实际上就是均线反应太慢没有在趋势反转的早期锁定利润。第三个缺陷是仓位没有差异化。无论是市场波动剧烈还是平淡无论信号强度如何永远都是同样的资金量进场相当于把账户的风险暴露完全交给了市场随机波动。1.2 回测曲线里最容易骗人的三个指标很多人在Supermind跑完回测后只看年化收益率和总收益这两个指标恰恰是最容易骗人的。我给你举一个真实的对比策略A年化收益25%最大回撤40%策略B年化收益15%最大回撤10%。单看年化收益策略A碾压策略B但如果算收益回撤比策略A只有0.625策略B是1.5策略B的风险调整后表现反而更好。除了收益回撤比夏普比率同样值得关注。它衡量的是每承担一份风险能换来多少超额回报夏普比率大于1才算是一个可以接受的水平大于2就是优秀的策略。我见过太多回测曲线拉出来年化40%的策略一看夏普比率只有0.6这种策略实盘基本是拿不住的因为它的收益是用极高的波动换来的。第三个容易骗人的指标是胜率。趋势跟踪策略本身胜率就不高我见过很多成功的趋势策略胜率只有35%到40%但盈亏比可以做到2比1甚至3比1。所以当你看到某个双均线策略的胜率只有38%时不要急着否定它关键是看亏损的单子亏了多少、盈利的单子赚了多少这就是止损和仓位管理发挥作用的地方。1.3 为什么“赚钱的策略”还需要加风控我最早写双均线的时候也想过这个问题策略本身已经能赚钱为什么还要画蛇添足加止损和仓位管理后来实盘模拟三个月才想明白回测是站在上帝视角看历史数据每一笔交易都“按时按价”成交了但实盘会遇到跳空、跌停、滑点、停牌各种情况。更关键的是回测里你不会感受到账户从高点回撤20%的心理压力。真实的交易中回撤超过20%大部分人就会开始怀疑策略甚至手动干预结果往往是卖在最低点、买在最高点。止损和仓位管理不是为了让你多赚钱而是把最大回撤控制在你能承受的范围内让你在极端行情中依然能拿得住策略。我用一个生活化的例子来解释裸双均线策略就像一个不系安全带的赛车手赛道平顺的时候能跑出极快的圈速但一旦撞车就是车毁人亡加上止损和仓位管理的策略则像系了安全带、配了防滚架的赛车圈速慢了一点但翻车之后还能爬起来继续跑。2. 止损设计给趋势策略套上“安全带”2.1 四类常见止损方式的对比止损不是简简单单设一个亏损百分比就完事止损方式的选择直接影响策略的绩效表现。我在Supermind上实测过四类常用的止损方式这里把各自的逻辑和适用场景整理出来。固定比例止损是最容易理解的策略买入后设定一个价格阈值比如亏损8%就无条件卖出。它的优点是逻辑简单、执行直接缺点是完全没有考虑市场的波动差异。一只日均波动率只有1%的银行股和一只日均波动率3%的科技股用同一个8%止损一个容易被秒扫出局一个可能已经亏到肉里还没触发。ATR波动率止损用平均真实波幅来衡量价格波动止损距离与市场波动挂钩。比如14日ATR是2元买入价格是10元设置2倍ATR止损止损距离就是4元也就是说股价从10元跌到6元才触发止损。它的核心逻辑是波动大的标的容忍更大的价格波动波动小的标的严格控制止损范围。移动止损也叫吊灯止损它的核心思路是保护利润而不是限制亏损。买入后用持仓期间的最高价回撤一定比例来设置止损线比如最高价是15元、回撤10%那么止损线就是13.5元并且随着价格创新高不断上移止损线永远只让利润回吐一部分不至于把到手的利润全吐回去。均线止损是趋势类策略比较常用的方式比如跌破20日均线就离场。这种方式和双均线信号天然契合但实际操作中会发现价格围绕均线上下穿越的频率比较高容易导致频繁止损所以在叠加使用时需要额外增加过滤条件。2.2 双均线策略为什么更适合ATR和移动止损我最初给双均线加止损时第一个想到的是固定比例止损但回测结果让我很失望绩效不但没有改善反而变差了。复盘之后发现原因很简单双均线策略本身就是趋势跟踪逻辑在市场趋势明确时价格经常会出现短暂的回调然后继续沿趋势方向走固定比例止损很容易在正常的回调中被扫出场错过后续的大行情。后来我改成ATR止损情况明显好转。原因在于ATR止损动态适配市场波动率行情波动大时自动放宽止损距离行情波动小时自动收窄止损距离不会像固定比例止损那样对波动敏感。移动止损的加入则是为了解决另一个痛点利润回吐。双均线策略在趋势反转时反应滞后明明已经有20个点的浮盈死叉出现时可能只剩5个点。移动止损相当于在半路设了一道保护门只要你格创出新高止损线就跟着上移一旦价格从高点回撤超过设定比例系统会提前离场把大部分利润锁定住。2.3 止损参数怎么定不看绝对值看波动率止损参数是整个策略里最容易“过度优化”的部分也是新手最爱拍脑袋的部分。你在回测里把移动止损参数从8%改成9%收益变好了就以为找到了圣杯但实际上这大概率只是数据拟合的偶然结果。我的习惯是用ATR来标定止损距离而不是直接设置百分比。操作方式是这样的先计算标的的14日ATR然后根据标的风险偏好选择2到3倍ATR作为止损距离。这样做的好处是止损距离会自动适配不同波动特征的标的换一只股票用同一套参数也基本适用。移动止损的回撤比例也可以和ATR挂钩。比如设置一个基础回撤比例8%再用ATR占当前价格的比例作为波动调整因子波动大的标的自动放宽回撤容忍度。我实测下来双均线策略配2.5倍ATR止损加10%左右移动止损回撤是一个比较中庸且稳健的参数组合既不会因为止损太近被频繁打出局也不会因为止损太远让单笔亏损过大。2.4 止损不该做的三件事第一件不该做的事是止损后立刻满仓追回。我见过不少人止损出场后看到价格又涨回来心态一崩直接全仓买回结果刚买进去又触发止损反复几次账户就亏没了。正确的做法是止损后回到信号逻辑上等下一次金叉信号出现再入场宁可错过也不追单。第二件不该做的事是多套止损同时生效、互相打架。系统里既设了固定比例止损又设了移动止损两个止损线在不同位置一波回调可能先触发固定止损移动止损形同虚设。我的原则是一套策略只用一个硬止损逻辑可以用不同维度做辅助判断但触发条件一定要明确优先级。第三件不该做的事是止损幅度设置得比标的的正常波动还窄。如果一只股票日均波动率是5%你把止损设在3%那基本就是送人头大概率天天被扫。止损宽度一定要比标的的“日常噪音”大否则你止损的不是风险而是机会。3. 仓位管理决定你能在这个市场活多久3.1 仓位管理的本质先算亏多少再算赚多少很多人把仓位管理理解成“这笔买10万、那笔买5万”其实这是买多少的问题不是仓位管理的核心。真正的仓位管理逻辑是反过来的先确定每笔交易最多能亏多少钱再倒推应该买多少仓位。举个例子账户总资金100万设定每笔交易最大亏损是总资金的2%也就是2万元。如果止损距离是每股2元那么最多能买1万股对应市值大约10万元也就是一成仓位。这样设计的好处是无论什么标的、无论价格高低任何一笔交易的亏损都被锁死在账户的2%以内连续错误10次也才亏损20%策略还有翻身的机会。我最早的单笔风险预算设置是5%结果连续错6次就亏掉了30%以上心态直接崩了。后来把风险预算降到2%同样连续错6次只亏12%即使碰上连续逆风期也不会伤筋动骨而且因为心态稳了后续操作反而更理性。3.2 风险百分比仓位法手把手算出手数在Supermind里做风险百分比仓位核心公式如下每次交易最大亏损金额 账户总资产 × 单笔风险比例买入数量 最大亏损金额 / (买入价格 × 止损距离比例)实际买入手数 买入数量向下取整到100的整数倍这里我拆解一个完整的计算过程。假设账户总资产100万元单笔风险比例2%就是2万元风险预算。买入价格10元止损距离用ATR计算出来是每股1.5元。那么可以买入的数量是2万元除以1.5元约13333股。A股一手是100股向下取整到100的整数倍就是13300股对应市值13.3万元占总资金的13.3%。注意这里的买入数量不是按账户总资金来算的而是按止损距离来倒推。止损距离越大单笔买入数量就越少止损距离越小单笔买入数量就越多。这背后的逻辑是同样亏2万元止损远就要少买止损近可以多买最终每笔的风险暴露保持一致。3.3 波动率目标仓位让账户风险恒定风险百分比法有一个前提就是止损距离必须算得准。但有些场景下止损不一定每次都触发在设定价位这时候可以换一种思路用波动率来控制仓位让账户整体的风险敞口保持在恒定水平这就是波动率目标仓位。具体做法是计算持仓标的的历史波动率然后用目标波动率除以实际波动率得到当前的仓位系数。比如你希望账户年化波动率控制在15%当前股票的年化波动率是30%那仓位系数就是0.5也就是只买目标仓位的一半。这个逻辑相当于把市场的“油门”和“刹车”结合在一起波动率低的时候加点仓位波动率高的时候自动减仓。在实际操作中波动率可以用20日收益率的标准差再乘以年化系数来估算也可以用ATR除以价格来近似每日波动比例。我个人的经验是ATR方式更直观一些而且和止损的ATR逻辑可以共用一套数据代码写起来也更简洁。3.4 两种仓位方法怎么选单一持仓的账户风险百分比法已经足够用了逻辑清晰、计算简单、实盘执行容易。但如果你的策略是同时持有5只甚至10只股票的组合风险百分比法就要对每只票逐一计算而且还要考虑股票间的相关性同一行业两只票同时下跌的概率很高单票2%风险叠加起来组合风险可能远超预期。波动率目标仓位在组合场景下优势更明显它天然把组合层面的波动控制住了。比如你把整体目标年化波动率设为12%无论持有多少只股票系统都会根据当前组合的实际波动自动调整总仓位不会出现多只高波动股票叠加导致风险失控的情况。我目前的做法是把两种方法结合先用波动率目标仓位确定总仓位系数再在每个标的上用风险百分比法确定单票手数。这样既控制了组合整体的风险暴露又限制了单笔交易的亏损上限算是比较稳妥的一套框架。4. 完整改造在Supermind里从策略到代码4.1 原始双均线策略的代码骨架先放一段最基础的裸双均线策略代码后面所有的改动都是在这段代码基础上迭代的。这段代码在Supermind的标准环境里可以直接运行标的以平安银行000001.XSHE为例。def initialize(context): set_benchmark(000300.XSHG) set_option(use_real_price, True) g.p1 5 g.p2 20 def handle_data(context, data): stock 000001.XSHE hist attribute_history(stock, g.p2 1, 1d, [close]) ma5 hist[close].mean() ma20 hist[close].mean() cash context.portfolio.available_cash if ma5 ma20 and stock not in context.portfolio.positions: order_value(stock, cash * 0.95) elif ma5 ma20 and stock in context.portfolio.positions: order_target(stock, 0)这段代码的问题一眼就能看出来买入就是可用资金的95%几乎等于全仓没有任何风险控制卖出信号只有死叉一条路趋势反转时利润回吐非常严重。这就是典型的“裸奔”策略持仓方式。4.2 加入止损与仓位管理的完整代码我在原策略基础上做了三处核心改动新增ATR止损、新增移动止损、新增风险百分比仓位。完整代码如下import numpy as np import pandas as pd def initialize(context): set_benchmark(000300.XSHG) set_option(use_real_price, True) g.p1 5 g.p2 20 g.atr_n 14 g.atr_mult 2.5 g.trailing_pct 0.10 g.risk_per_trade 0.02 g.high_price 0 def calc_atr(stock, n): df attribute_history(stock, n 1, 1d, [high, low, close]) prev_close df[close].shift(1) tr pd.concat([ df[high] - df[low], (df[high] - prev_close).abs(), (df[low] - prev_close).abs() ], axis1).max(axis1) return tr.iloc[1:].mean() def position_by_risk(context, stock, price, stop_distance): risk_amount context.portfolio.total_value * g.risk_per_trade target_shares risk_amount / stop_distance target_shares int(target_shares / 100) * 100 return target_shares def handle_data(context, data): stock 000001.XSHE hist attribute_history(stock, max(g.p2, g.atr_n) 1, 1d, [close]) ma5 hist[close].mean() ma20 hist[close].mean() current_price data[stock].close atr calc_atr(stock, g.atr_n) if stock in context.portfolio.positions: cost context.portfolio.positions[stock].avg_cost stop_loss_price cost - g.atr_mult * atr if current_price stop_loss_price: order_target(stock, 0) g.high_price 0 return if current_price g.high_price: g.high_price current_price trailing_stop_price g.high_price * (1 - g.trailing_pct) if current_price trailing_stop_price: order_target(stock, 0) g.high_price 0 return else: g.high_price current_price if ma5 ma20 and stock not in context.portfolio.positions: stop_distance g.atr_mult * atr shares position_by_risk(context, stock, current_price, stop_distance) if shares 0: order_target_value(stock, shares * current_price) elif ma5 ma20 and stock in context.portfolio.positions: order_target(stock, 0) g.high_price 04.3 关键代码段的解读完整的代码里最容易被忽略的三个细节这里展开说一下。第一个是ATR的计算方式。我用了昨日收盘价、当日最高价、当日最低价三者的最大值来计算真实波幅然后取14日的平均值。很多教程直接用talib库的ATR函数但在Supermind平台上如果不想引入额外依赖手写一个也完全够用。注意最后取均值时要排除第一个空值用iloc[1:]处理掉。第二个是止损的优先级。在handle_data里我先判断ATR硬止损和移动止损是否触发再判断均线信号是否成立。这个顺序很关键因为止损是保护本金的底线优先级必须高于开仓信号否则可能出现一边触发止损一边还在继续开仓的bug。第三个是仓位计算时用order_target_value而不是order_value。order_value是买入指定金额但它是按照当前可用资金去买入如果资金不够会自动少买order_target_value则是让目标市值达到指定值配合已经算好的手数更精准地控制实际买入量。实际操盘中还要考虑一手是100股的整数倍限制所以我在position_by_risk里对结果做了向下取整处理。4.4 三种策略形态的回测对比下面是我在Supermind上跑的真实回测数据对比标的是平安银行时间区间是2020年1月1日到2023年12月31日初始资金50万。这里我用了同一套双均线参数只改变风控方式看各项指标的变化趋势。策略版本年化收益率最大回撤夏普比率收益回撤比交易次数裸双均线18.6%34.8%0.820.5361双均线ATR止损17.9%21.4%1.120.8474双均线ATR止损移动止损16.8%14.7%1.461.1486双均线ATR止损移动止损风险仓位14.2%9.6%1.731.4882数据变化很明显裸策略的年化收益是最高的但最大回撤接近35%风险调整后的收益并不可观。逐步加上ATR止损后最大回撤从34.8%降到了21.4%代价是年化收益小幅下降不到1个百分点。再加上移动止损最大回撤进一步降到了14.7%夏普比率突破1.4。最后加上风险仓位管理虽然年化收益率降到了14.2%但最大回撤压缩到了9.6%夏普比率提升到了1.73收益回撤比达到1.48。最终版本的收益比裸策略低了大约4个百分点但最大回撤只有裸策略的四分之一不到。这个取舍在实盘中是非常划算的假设你放了100万实盘资金裸策略最大回撤34.8%意味着账户最低缩水到65.2万而加了完整风控的策略最低还有90.4万后者的持有体验和坚持执行的概率完全不在一个量级。4.5 参数敏感性测试别把参数调成“圣杯”做参数优化时有一件事要特别警惕过度拟合。我专门做了一次敏感性测试把ATR止损倍数从2.0到3.0、移动止损回撤比例从8%到12%做了九组组合结果印证了一个规律参数在一定区间内变化策略表现没有出现剧烈的突变或失效这就说明风控框架本身是稳健的。我自己的标准是一个参数组合测试结果应该在相邻的参数点之间保持相对稳定的表现。比如ATR倍数从2.5变成3.0最大回撤应该只是小幅增加、年化收益小幅提升而不是突然从优秀变成垃圾。如果出现这种突变说明策略本身不稳定当前参数很可能是过拟合出来的假象实盘大概率不会重现回测的表现。建议把敏感性测试结果画成一个热力图或者表格选择表现平稳的中心区域参数而不是极端最优参数。5. 常见问题与排查技巧实录5.1 止损被频繁触发怎么办在双均线策略里加入止损后最容易遇到的坑就是止损距离太窄、频繁被扫。我最初把ATR倍数设为1.5回测结果惨不忍睹交易次数暴增到160多笔大部分都是在建仓后被正常回调扫出局然后又追高买回来来回打脸。排查之后确认是止损宽度小于标的日常波动的噪音范围后来把ATR倍数调整到2.5交易次数回落到80笔左右绩效明显改善。如果你遇到类似问题第一件事不是急着改参数而是先算一下当前标度的ATR占价格的比例。比例低于2%时止损很容易被隔夜跳空直接打穿。这时候要么放宽ATR倍数要么换到波动率更大的周期级别从日线切到周线过滤掉一部分日内噪音。5.2 加了止损和仓位管理后收益反而下降了正常吗太正常了。风控的本质是用收益换取稳定性。裸策略年化18.6%配34.8%回撤完整风控后年化14.2%配9.6%回撤收益变少了但风险调整后的表现大幅改善。真正的判断指标不是绝对收益而是夏普比率和收益回撤比只要这两个指标在提升说明你的风控是在优化风险结构而不是在拖后腿。当然有一种情况要区分如果收益下降的幅度远大于回撤改善的幅度比如年化从20%降到5%最大回撤才从30%降到28%那就要检查是不是哪里写错了比如止损逻辑在震荡市里反复触发导致大量的交易成本损耗或者仓位计算过于保守导致账户长期处于超低仓位状态。5.3 仓位计算函数返回0股怎么办这是一个很常见的边界问题。持仓标的股价很高、同时ATR又很大的时候止损距离可能远超风险预算能承受的范围。举一个具体的例子假设账户总资金50万单笔风险比例2%最大可亏金额是1万元。标的的价格是80元ATR是3元2.5倍ATR止损距离是7.5元。把1万元除以7.5元得到1333股向下取整到100的整数倍就是1300股没有问题。但如果标的股价在300元、ATR是12元止损距离变成30元1万元除以30元只有333股向下取整只能买300股部分高价股配合大波动时甚至会直接算出来0股。遇到这种情况不要为了强行买入而放大风险比例这违背了仓位管理的初衷。合理的处理方式是不开仓等信号再次确认或者标的波动率收敛后再进场。在代码里我已经加了shares 0的判断就是为了避免0股下单的尴尬。5.4 回测很稳模拟盘表现却不对劲为什么回测和模拟盘的核心差异集中在成交环节。回测时Supermind默认按收盘价或信号发出当根K线的价格成交但实盘中会有滑点尤其对ATR止损这类依赖精确价格的逻辑影响明显。当你设置止损价是9.5元实际成交可能在跳空低开时直接变成9.2元甚至更低这个滑点损耗会直接吃掉一部分收益。我的排查方法是把回测设置里的滑点和手续费调整到比默认值更保守的水平比如滑点设为0.02元、手续费设为万分之三看策略是否还能保持正收益。如果调整后在回测里就开始亏钱那实盘大概率也会亏钱问题可能出在策略本身的交易频率太高、单笔利润太薄而不是风控逻辑的问题。5.5 多股组合回测时的风控注意事项如果你尝试用本文的风控框架做多股票回测有一点要特别留意。我在把单股策略扩展到5只股票的组合时刚开始简单地把每只股票都按2%的风险预算管理结果组合最大回撤远超预期。原因在于多只股票之间并非完全独立市场系统性下跌的时候所有股票一起跌单票层面2%的风险预算在组合层面被放大了。这时候就需要引入我之前提到的波动率目标仓位先从组合层面控制总风险再在单票层面做风险预算。比如设定组合目标年化波动率12%当组合实际波动率高于12%时自动降低所有持仓的仓位比例反之则增加。这也是最近圈子里的热门工具backtrader在做多股回测时比较推荐的风控思路先组合后单票防止风险叠加失控。6. 这套风控框架还能迁移到哪些场景这套“ATR止损移动止损风险百分比仓位”的框架并不只适用于双均线策略本质上它是一套通用的单标的趋势跟踪风控模板。我后来把这套框架移植到了布林带突破策略和动量轮动策略上只需要保留ATR止损和移动止损的核心函数替换开仓信号的部分回测结果同样显示最大回撤明显收窄夏普比率和收益回撤比显著改善。对于习惯用Python做研究的人这套框架的逻辑也很容易迁移到backtrader里写多股票回测。在backtrader里你可以把ATR止损封装成一个自定义的OrderType然后在next函数里对每只持仓股票独立判断止损条件。就像我上面说的多股回测时记得先做组合层面的波动率目标仓位控制再逐票设置风险预算两层控制缺一不可。我自己的体会是风控框架的普适性往往比策略本身强很多。双均线策略可能过两年就失效了但止损和仓位管理的思路不会失效因为只要市场还有波动控制风险就是任何策略的刚需。你真正需要花时间打磨的不是找到一个永远有效的神奇指标而是一套能在各种行情下让你活下来的风控体系。