自适应网格大小：滚动标准差与RSV拆分买卖格的Python实现

简介围绕网格交易中网格大小固定带来的过早满仓、空仓问题这份 docx 文档面向具备一定 Python 基础的量化投资者与股票分析学习者系统梳理并讲述一种让网格随市场波动自动调整的思路。内容从标准差衡量波动性出发说明波动剧烈时放大网格、波动平缓时缩小网格并进一步引入 RSV 指标对买入与卖出网格做差异化设置配合 0.5 元初始网格、RSV 为 0.85 时买入 0.15 元、卖出 0.85 元等示例呈现策略在趋势行情中的取舍逻辑。资源包共 1 个 docx 文件大小约 165KB篇幅集中结构清晰便于通读和对照公式理解。目前已有 6377 人学习读者可从中获取网格自适应调整的完整方法框架、指标计算思路、参数设定案例与买卖网格联动关系也能将其作为 Python 量化分析与股票分析软件开发的参考素材。1. 网格交易里最容易被低估的一个参数是网格大小网格交易里最容易被低估的一个参数是网格大小。多数人把它设成一个固定值——5 毛、2%、或者某次回测出来的最优解——然后再也不动它。可市场波动一直在变一套能按近期波动自动调整网格大小的方案解决的正是这个错配。它不改变网格交易“低买高卖赚波动”的底层逻辑只做一件事让格子会呼吸波动剧烈时张开行情安静时收窄同时把买入格和卖出格拆成两个不同的宽度。这套思路适合已经会用 Python 处理日线数据、想把量化投资从课本搬到自己电脑上跑一遍的学生也适合拿它作为毕设或课设里“策略自适应”那一章的骨架。2. 需求拆解与技术选型为什么固定网格一定会翻车2.1 两个失效场景决定了这套方案要回答什么问题先说清楚网格交易到底赚的是什么钱。拿某只银行股举例它几年间在 7 元到 15 元之间来回震荡。如果以 0.5 元为一格在 11 元买入一定数量的股票作为母仓之后价格每涨 0.5 元就卖出一份每跌 0.5 元就买回一份完全不在意母仓本身的浮盈浮亏只从反复的上下摆动里取利。假设十年前这只股票是 11 元十年后还是 11 元普通买入持有的结果是十年白干而网格交易在这十年里能把区间震荡反复吃很多遍。这是网格交易最迷人的地方也是它被称作“新手友好”的原因。代价有两个。第一个是资金使用率50 万本金可能要拿 20 万做母仓剩下的钱是留给下跌加仓的弹药一旦行情单边上涨这些现金全程趴着不动实际资金利用率通常只有一半左右收益率自然被摊薄。第二个更要命网格大小是写死的它默认“波动幅度永远不变”。大涨的时候几格就卖光了后面几十个点的行情跟你没关系大跌的时候几格就满仓了后面每一根阴线都只能干看着。前者叫过早空仓后者叫过早满仓本质上是同一个错误——策略的“胃口”被固定住了消化不了超出预期的大波浪。这套方案只针对第二个缺点。资金使用率的问题需要对冲工具或者仓位分层配置不是单纯改网格大小能解决的硬凑进来反而会把逻辑搅浑。所以需求可以收敛成一句话让网格宽度随波动率自适应变化并且让买入方向和卖出方向使用不同的宽度。2.2 为什么是“滚动标准差 RSV”这个组合而不是别的先说宽度这一侧。要让网格跟着波动走第一步得有个能量化“最近波动有多大”的指标。可选的方案不少ATR真实波幅均值、历史波动率收益率标准差、布林带宽。这三个都能用布林带本身就是均值加减若干倍标准差画出来的带宽随波动变化这一点在图上肉眼可见很直观。这里选择直接对近一段时期的最高价、最低价、收盘价求标准差理由是它同时吃到了两件事区间有多宽以及收盘价落在区间里的什么位置。ATR 只吃前一件事对“收盘价贴在最高价上”这种强趋势状态不敏感。但标准差只有一个方向上的“大小”没有“往哪边”的信息。标准差变大你只知道该把网格张开却不知道该把买入格张得更开还是把卖出格张得更开。这就是第二个指标要补的位。RSV 是 KDJ 指标计算里的那个中间量公式是 RSV 收盘价 − N 日最低价/N 日最高价 − N 日最低价。它衡量的是一件事当前收盘价在这段时间的价格区间里站在百分之几的位置上。上涨趋势里收盘价往往贴着最高价RSV 趋近 1下跌趋势里收盘价贴着最低价RSV 趋近 0。它天然是一个 0 到 1 之间的数正好可以当权重用。两个指标各缺一半拼起来刚好互补标准差给尺度RSV 给方向。基础网格宽度由标准差算出代表“买入格 卖出格”的总和总和确定之后用 RSV 这个权重把它切开——RSV 越接近 1说明在涨策略应该易买难卖于是买入格变小、卖出格变大RSV 越接近 0反过来。举个具体数字第一步算出基础网格 1 元当前 RSV 是 0.85那么买入格 1 ×1 − 0.85 0.15 元卖出格 1 × 0.85 0.85 元。落到操作上就是股价跌一毛五就补一份涨八毛五才卖一份。这个不对称让母仓在上涨过程中不会被几格卖光在下跌过程中也不会几格就满仓。这套规则有一点必须提前讲明白它不预测涨跌只是把仓位往趋势的反方向偏一点点。RSV 判错趋势的时候策略会变得“难买易卖”在下跌里卖得更快、买得更慢反而加速空仓。所以它必须有仓位上下限兜底这部分在第 3 章的状态机里做。2.3 数据与工具选型日线、pandas、本地缓存数据用日线就够了。网格交易的成交频率本来就不高分钟级数据带来的噪音远大于信息量而且回测跑得慢、验证周期长对做毕设或者自己研究的场景是纯负担。字段只要 open / high / low / close / volume 五列其中复权处理是最容易被跳过也最容易出问题的一环第 5 章会专门说。技术栈上不引入任何重型框架。pandas 负责滚动窗口和序列对齐numpy 负责数值兜底绘图用 matplotlib 把网格宽度和价格叠在一张图上做人工检查。回测是自己写的一个循环不上现成的回测框架——不是因为框架不好而是因为这个策略的信号逻辑太简单用框架反而要把大部分时间花在适配接口上而且状态机藏在框架内部会变成黑匣子出了问题很难查。自己写循环每一笔成交都能打印出来对账这是我在做这类小策略时的一贯选择。3. 总体设计三层结构与一张参数表3.1 数据层、策略层、执行层各自管什么整个工具切成三层层与层之间只传数据、不共享状态。这样切的好处是每一层都能单独跑、单独验出问题的时候能立刻定位到底哪一层错了。数据层负责把原始行情整理成策略层可以直接使用的表读本地 CSV、统一列名、做前复权、丢掉停牌和零成交的交易日、按日期升序建索引最后输出一张干净的 OHLC 表外加一列复权因子留档。这一层的验收标准很朴素——随便挑三个日期手工核对复权后的收盘价和行情软件上看到的一致。策略层只做两件事算宽度、出信号。它不碰账户也不关心手上有多少股输入是行情表加参数输出是每个交易日一组数买入格宽度、卖出格宽度。把宽度算法从交易逻辑里剥出来是这一层最重要的设计决定因为它让算法可以脱离回测单独验证——把网格宽度和价格曲线画在同一张图上肉眼就能看出宽度有没有跟着波动放大这比看一百行回测报告都直观。执行层是账本。它持有四个状态锚点价上一次成交的价格、母仓股数、现金余额、层数计数器。每来一根 K 线拿收盘价和锚点比差值越过对应的格宽就成交一次成交之后把锚点挪到成交价上。层数计数器用来卡住上限防止一路加仓加到没钱。数据流是单向的行情表 → 宽度序列 → 逐日撮合 → 成交记录与净值曲线。没有任何反向依赖所以你可以只跑前两层做可视化也可以拿一份手工构造的宽度序列塞进执行层做单元测试。3.2 参数表哪些能调调了会怎样参数不写死在代码里统一收进一个字典。下表是核心的几个第三列是常用取值第四列是调大之后的实际后果——这一列比取值范围更有用因为大部分参数调试都是在“反应快”和“抗噪”之间做取舍。参数含义典型取值调大之后base_window算标准差的滚动窗口20 个交易日网格变化更迟钝抗噪但跟不上急变k标准差到网格宽度的放大系数0.3 ~ 0.7格子变宽成交变稀回撤小但收益钝grid_floor网格宽度下限价格的 0.5%防止窄幅震荡时格子缩到几分钱rsv_windowRSV 的回看窗口9趋势判断变慢转向滞后r_min / r_maxRSV 的截断区间0.10 / 0.90限制买卖格极端化避免某一侧退化为 0base_pos_ratio母仓占总资金比例30% ~ 40%资金占用上升抗跌弹药减少max_layers单边最大加仓层数6 ~ 10需要预留更多现金资金利用率更低base_window和rsv_window的关系值得单独说一句。前者决定网格“多快跟着波动变”后者决定买卖不对称“多快跟着趋势变”两个窗口不该相等。实践里宽度窗口要长一些20 日趋势窗口要短一些9 日因为波动的持续性比趋势的持续性更强窗口取一样长会让两个信号同步抖动看不出谁是主因。3.3 状态机把仓位关进笼子里只有自适应宽度是不够的必须有一个明确的状态机来兜住极端情况。我一般按四段设计正常态是层数在 [−max_layers, max_layers] 之间买卖都放开靠格宽决定成交。触顶态是层数跌到 −max_layers也就是加满了这时候强制关闭买入信号只允许卖出即便价格继续跌、RSV 继续变小也不再加。触底态是层数涨到 max_layers也就是卖光了强制关闭卖出信号只允许买入避免出现“空仓看着行情涨”的局面。回中态指的是价格回到母仓成本附近、层数接近 0 的状态这个状态下可以把格宽整体收紧一点因为震荡行情里贴近锚点的成交概率最高。触顶和触底这两个状态才真正回应了“过早满仓”和“过早空仓”这两个原始痛点。自适应宽度只是让触顶触底来得晚一些状态机的硬边界才是最后一道保险。设计上宁可让收益钝一点也不要让策略在单边行情里彻底失去仓位管理能力——这是我踩过一次坑之后才真正接受的。4. 核心实现标准差定宽度RSV 拆买卖4.1 第一步用滚动标准差算出基础网格宽度import numpy as np import pandas as pd def base_grid(df, window20, k0.5): 按近期高低收的离散程度给出基础网格宽度单位元 df 需包含 high / low / close 三列索引为交易日 window: 回看的交易日数20 约等于一个月 k: 放大系数网格宽度 k * 三条价格序列的截面标准差 hi df[high].rolling(window, min_periodswindow).max() lo df[low].rolling(window, min_periodswindow).min() cl df[close] # 三条价格序列放在同一行求标准差既吃到区间宽度也吃到收盘价位置 vol pd.concat([hi, lo, cl], axis1).std(axis1, ddof0) # 下限兜底窄幅震荡时标准差会趋近 0不兜底网格会缩到几分钱 grid (k * vol).clip(lowercl * 0.005) return grid.dropna()这段代码里有三个设计点值得展开。rolling(window, min_periodswindow)里把min_periods显式设成和窗口一样大是为了让序列开头那几十行直接变成 NaN 而不是用不完整的窗口硬算——不完整的窗口算出来的标准差偏小会让网格在数据开头异常窄回测曲线前段会有一段不可信的漂亮收益。axis1求的是行内三列的截面标准差不是时间序列标准差这样每一天的数值只依赖当天的最高、最低、收盘三个数再被滚动窗口间接平滑比直接对收盘价序列求标准差更能反映当期的实际振幅。clip的下限用价格的 0.5% 而不是绝对值是因为不同标的价位差了十几倍写死一个 0.02 元对低价股偏宽、对高价股偏窄。k是最需要手工调的参数。它本质上是“你认为多大的波动值得交易一次”的量化表达。k 太小网格密到每根 K 线都成交手续费和滑点会吃掉全部利润k 太大一年成交不了几次策略退化成低效的买入持有。做过的几次回测里0.3 到 0.7 这个区间的结果差异明显但趋势一致这个范围通常是我的起点。4.2 第二步用 RSV 把总宽度拆成买入格和卖出格def rsv(df, window9): KDJ 里的 RSV收盘价在近 window 日高低区间中的相对位置 lo df[low].rolling(window, min_periodswindow).min() hi df[high].rolling(window, min_periodswindow).max() rng hi - lo # 分母趋近 0 时 RSV 会被放大成纯噪音直接标记为缺失 return (df[close] - lo) / rng.where(rng df[close] * 0.002) def split_grid(base, r, r_min0.10, r_max0.90): 把总宽度 base 拆成买入格与卖出格r 越接近 1 越偏向卖出 r r.clip(r_min, r_max) buy_grid base * (1 - r) sell_grid base * r return buy_grid, sell_gridrsv里的rng.where(...)是这一段最容易被删掉、又最不该删掉的一行。当最高价和最低价几乎相等时窄幅横盘、长时间停牌后复牌的第一天、数据异常分母趋近于零RSV 会被放大成一个离谱的数clip之后要么恒等于 0.1 要么恒等于 0.9策略会误以为行情进入了极端趋势。用.where()把这种日子打成 NaN再在合并时dropna()掉损失几天信号远比被假信号带偏安全。split_grid里的截断区间[0.10, 0.90]也不是随手写的。如果不截断RSV 到 0.99 时买入格只有总宽的 1%等于这天几乎不可能买入同理 RSV 到 0.01 时卖出格几乎为 0。这种极端不对称只在真正的大趋势里才合理而 RSV 这种位置型指标在趋势末端极易冲到极值并被反复触发。留 10% 的余地等于给策略的“偏食”设了个上限保证任何情况下买卖两侧都还留有交易空间。把两步接起来就是完整的宽度序列def grid_series(df, window20, k0.5, rsv_window9): g base_grid(df, window, k) r rsv(df, rsv_window) out pd.DataFrame({base: g, rsv: r}).dropna() out[buy], out[sell] split_grid(out[base], out[rsv]) return out返回的表里base是总宽buy和sell是拆开之后的两条宽度。建议第一步先别跑回测直接画图收盘价一条线buy和sell各一条线看宽度在急涨急跌段有没有明显张开看买卖两条线在趋势里有没有分叉。图对了后面的回测才有意义。4.3 第三步逐根 K 线撮合与锚点维护def run_grid(df, cash500_000, base_ratio0.35, window20, k0.5, rsv_window9, max_layers8, lot100): gs grid_series(df, window, k, rsv_window) df df.loc[gs.index].join(gs) # 建母仓按总资金的 base_ratio 折算成整手 px0 df[close].iloc[0] shares int(cash * base_ratio / px0) // lot * lot cash - shares * px0 anchor px0 # 锚点上一次成交的价格 layers 0 # 层数0 表示净卖出过0 表示净加仓过 trades [] for date, row in df.iterrows(): px row[close] # 层数触底不允许再卖触顶不允许再买 can_buy layers -max_layers and cash px * lot can_sell layers max_layers and shares lot if px anchor - row[buy] and can_buy: cash - px * lot shares lot anchor px layers - 1 trades.append((date, B, px, lot)) elif px anchor row[sell] and can_sell: cash px * lot shares - lot anchor px layers 1 trades.append((date, S, px, lot)) equity cash shares * df[close].iloc[-1] return trades, equity, shares, cash锚点anchor是这个循环的核心每次成交后把它挪到成交价下一格的判定就从新锚点开始算——这样价差是逐格累积的而不是相对某个固定基准价。layers的设计上卖出记 1、买入记 −1所以max_layers同时约束了加仓层数和减仓层数一个参数管两头比自己数股数简单得多。必须说明一点这段代码为了把逻辑看清用了当日收盘价同时做信号判定和成交价这在正式回测里是不成立的等于开了未来函数。真实回测必须改成用 T 日收盘算出信号、按 T1 开盘价成交并加万分之几的滑点。我在第 5 章第一条会把这个坑讲透因为它是最容易让一份漂亮回测曲线彻底作废的问题。4.4 从“元”到“百分比”参数怎么落地到不同价位的标的上面所有宽度都是以元为单位的绝对金额。这在单标的回测里没问题但一旦换标的就失效——11 元的股票用 0.5 元一格110 元的股票还这么设等于把网格压缩了十倍。通行做法是在算出宽度之后立刻归一化# 绝对宽度 → 相对宽度方便跨标的复用同一套参数 df[buy_pct] df[buy] / df[close] df[sell_pct] df[sell] / df[close] # 反向用相对宽度在任意价位上还原成下单价格 buy_price anchor * (1 - df[buy_pct]) sell_price anchor * (1 df[sell_pct])归一化之后k和base_window就变成了一个跟标的价位无关的参数组同一套参数可以拿去跑银行股、跑宽基 ETF、跑指数可比性强很多。做毕设或者写方案时这一层抽象很有用它让你的方案看起来是“方法”而不是“针对某只股票的调参记录”答辩时这一点会直接影响评价。5. 避坑与排查四个让这套方案失效的坑5.1 信号和成交用了同一根 K 线回测收益全是假的现象是回测曲线异常平滑年化漂亮得不像真的实盘一上手立刻回撤。原因是循环里用当日收盘价判定“跌破了买入格”又用同一个收盘价成交等于提前知道了当天收盘价再去按这个价格买。原因很直接收盘价是当天最后一刻才确定的你在盘中根本不可能知道。解决办法是信号与成交严格错开一根 K 线——用 T 日收盘算出buy/sell和锚点关系把订单挂到 T1按 T1 开盘价成交并且加上双边手续费和按成交额千分之一到千分之二的滑点。改完之后回测收益通常会掉一大截掉下去的那部分本来就不该属于你。5.2 单边行情里仓位锁死或者一路卖光现象是某段时间策略完全不动作或者在一波大涨里很早就清空了。原因有两个一是状态机的硬边界被写成了“层数越界就永久停止”行情反转后也不会自动恢复二是趋势过滤缺位RSV 在趋势中冲到极值附近反复触发卖出。解决办法是给状态切换加一个“回归”条件比如层数回到 ±(max_layers − 2) 就恢复双向交易而不是要求回到 0同时给极端上涨加一层保护比如价格站上 20 日均线且偏离超过一定幅度时强制保留不低于母仓一半的底仓不接受清空。5.3 RSV 的分母陷阱让策略在横盘里乱开仓现象是行情明明横着走策略却频繁在 0.1 和 0.9 之间来回跳成交记录密集得离谱。原因是最高价和最低价几乎相等分母接近零RSV 被放大成噪音。解决办法有两道一是像 4.2 节那样在分母上加阈值把rng过小的日子直接标成 NaN二是在split_grid里保留[0.10, 0.90]的截断即便某一侧算出来是 0.001 也强行拉回 0.10。这两道防线做完之后横盘段的成交频率通常会降到合理水平。5.4 复权没处理好网格被除权跳空带偏现象是某一天突然出现一笔莫名其妙的成交价格跳空一大截之后的所有格位都错位了。原因是用了未复权数据分红送股日的价格断层被策略当成了一次真实的暴跌或暴涨。这属于典型的“数据不干净导致策略背锅”而且是血泪经验里最常见的一条。解决办法是全程统一使用前复权数据并且在数据层加一道校验逐日算涨跌幅超过 ±11%考虑涨跌停和 ST 规则留出余量的跳变先打印出来人工确认确认是除权造成的就重算复权因子而不是把这一天当成正常行情喂给策略。6. 验收与答辩用三组对照把“自适应”证明出来这套方案最怕被问的一句话是“你怎么证明自适应比固定网格好”光讲原理说服不了人必须有对照实验。我一般会设计三组跑在同一只标的、同一段行情、同一笔初始资金上组别网格宽度来源买卖格是否对称主要观察点A 组固定值如 0.5 元对称基准线看极端行情下的仓位失控程度B 组滚动标准差自适应对称单独验证“宽度自适应”贡献了多少C 组滚动标准差自适应RSV 差异化拆分完整方案验证两个机制叠加的效果三组都要报同一套指标指标定义先说清楚年化收益率按 250 个交易日折算最大回撤用净值序列的峰谷比成交笔数用来衡量交易成本压力平均资金占用率等于每日持仓市值除以总资产再取均值空仓天数指持仓为 0 的天数。C 组相对 A 组该改善的地方是最大回撤和空仓天数相对 B 组该改善的地方是单边行情段的持仓稳定性——如果 C 组只是在收益上高一点点回撤和空仓天数却没什么变化说明 RSV 那一步没起作用得回去查rsv_window和截断区间。答辩时另一个高频问题是过拟合。应对办法不是辩解而是主动给出样本外结果把数据按时间切成前后两段前段调参、后段只跑不改把两段的指标并列贴出来。再加一张参数敏感性表k取 0.3 / 0.5 / 0.7 三档分别跑如果三档结果趋势一致、只是幅度不同说明策略对参数不敏感这比任何解释都有力。反过来如果k稍微一动结果就天翻地覆那这套参数大概率是拟合出来的得老实承认。还有一个我自己吃过亏的细节讲的时候不要只放最好的那一段行情。把最差的一段单独拎出来讲清楚那段时间发生了什么、策略为什么表现差、是哪一层机制扛住了最大回撤。评审和答辩老师看方案看的从来不是收益峰值而是你在不利情形下有没有兜底设计。把最差的一段讲明白可信度比贴十张漂亮曲线都高。从那以后我每次做这类策略方案都会强制走一遍“三组对照 样本外 最差段复盘”这套流程哪怕时间再紧也至少把 A 组和 C 组跑出来对比。没有对照的方案只能叫想法有了对照才叫方案。希望这套结构能帮到你。本文还有配套的精品资源点击获取