很多人第一次接触量化交易都是从MACD金叉死叉入门的然后很快就在震荡行情里亏到怀疑人生。MACD这指标的争议一直很大有人说它滞后有人说它一到震荡就报废。我的看法是指标本身没做错什么它的价值取决于你给它什么样的上下文。过去几个月我把一套基于MACD跨周期思路的短线策略重新整理了一遍分别适配股指期货和商品期货两个方向形成了双版本的标准代码工程。这篇文章会把策略逻辑、Python实现、指标加工细节和回测评估方法全部拆开讲希望给想自己动手做算法策略的朋友一条相对清晰的路径。提前声明本文定位是策略开发方法的研究与分享不构成任何投资建议所有参数都只是示例别直接拿去做实盘。1. 为什么短线策略要引入跨周期MACD过滤1.1 传统MACD信号在短线上的三个硬伤先回顾一下计算链路MACD由快线EMA和慢线EMA相减得到DIF再对DIF取均值得到DEA柱状图是DIF与DEA差值的两倍。默认参数(12,26,9)源自周线级别的分析习惯放在5分钟或者15分钟级别上参数本身的周期容纳度并不匹配所以直接用默认参数跑短线你得到的不是交易信号而是一堆噪声。我见过很多刚接触量化的人第一版策略就是“金叉开多、死叉开空”。在单边行情里确实能抓到不少利润但一旦进入震荡区间价格围绕均线上下反复穿越DIF和DEA会频繁粘合再分离一天可能触发十几次信号次次都变成手续费和滑点的燃料。这背后有三个具体问题第一短线K线本身噪声占比高MACD作为均线衍生指标无法区分噪声和趋势启动第二信号天然滞后等你看到金叉的时候价格往往已经走出了一段修复行情追进去就是接盘第三震荡市里没有任何方向过滤策略完全暴露在随机波动中胜率和盈亏比都很难看。这三点叠加给人的感觉就是“指标没用”。但你如果把MACD放在一个有方向约束的上下文里结果会完全不同这也是跨周期思路存在的前提。1.2 跨周期过滤的本质把方向和节奏分开跨周期并不神秘核心就一句话用大周期判断方向用小周期寻找进场点。我用一个生活化的例子来解释天气预报说下午有雨这是大周期方向你决定出门带伞但具体什么时候把伞撑开你得看实时雨量这是小周期节奏。如果天气预报是晴天你却非要等雨点落在头上才撑伞属于典型的逆势交易。具体到策略执行上跨周期过滤有两种主流姿势。一种是顺势过滤大周期MACD处于多头状态比如DIF和DEA都在零轴上方只允许小周期金叉开多不允许开空另一种是共振触发大周期柱状图连续放大同时小周期出现金叉两个条件同时满足才开仓。前一种胜在信号数量稳定后一种胜在信号质量高但信号数量会明显减少。对一个短线策略来说信号多不一定赚得多反而意味着更高的交易成本和更多的情绪干扰。我在实盘观察中发现加了跨周期过滤之后交易次数通常能减少六成以上但单笔盈利的质量会显著提升。这个取舍在股指这种交易成本较高的标的上尤其划算。另外别指望策略能在所有行情里都赚钱跨周期过滤本质上是在主动放弃一部分逆势反弹的利润换取更高的方向确定性。2. 股指版和商品版的双版本架构参数与风控为什么不能共用2.1 两类标的的运行差异决定了策略细节如果只做股指不碰商品你可能觉得上一节的跨周期逻辑已经够用了。但一旦把商品加进来你会发现同样一套逻辑、同样一套参数放在螺纹钢和放在沪深300股指上表现可能天差地别。原因在于两类标的的运行特性完全不同。股指期货的核心驱动来自股票市场的整体情绪与权重股波动日内噪声大、开盘和尾盘容易出现跳空趋势行情来得快去得也快。这就决定了股指版的趋势过滤周期不能取太长否则等你确认了大周期方向一波短线行情已经结束但小周期也不能太短否则噪声直接淹没问题。商品期货则完全不同。商品品种多每个品种的波动率差异巨大有些农产品一天波动不如能源化工一个小时的波动而且商品普遍有夜盘日盘和夜盘之间会形成天然的K线断层。这种断层如果不做特殊处理MACD计算会被跨时段数据污染。所以商品版的核心不是某组神奇参数而是对波动率做归一化处理把不同品种拉到一个可比较的尺度上再谈信号。我把这些差异整理成了一个对照表方便你看清楚设计思路的落脚点。特征股指版商品版主要交易时段日盘集中波动日盘夜盘时段连续性差波动来源市场情绪、权重股异动供需、资金、商品自身基本面日内噪声大开盘尾盘跳空多品种间差异极大趋势特征短促方向切换快部分品种趋势延展性强假突破也多价格尺度点值固定计算简单不同品种点值、合约乘数完全不同正因为有这些差异简单地复制同一套参数在两类标的上跑结果通常是一边赚钱另一边亏钱。正确做法是把差异显性化为配置和风控规则而不是让代码里长满if else。2.2 同一套信号引擎两套配置文件我的工程处理方式是核心信号引擎完全复用只把差异全部收敛到配置文件和风控层。这样维护成本最低后续扩展新品种时只需要新增一份YAML配置不需要改代码逻辑。工程目录大致这样strategy/ ├─ core/ │ ├─ signal_factory.py # 信号生成核心逻辑 │ └─ indicator.py # MACD、双底、背驰等指标计算 ├─ settings/ │ ├─ stock_index.yaml # 股指版参数 │ └─ commodity.yaml # 商品版参数 ├─ data/ │ └─ loader.py # K线数据加载与清洗 ├─ backtest/ │ └─ engine.py # 回测引擎 └─ tools/ └─ macd_panel.py # 指标副图可视化股指版的配置文件大致长这样# stock_index.yaml trend_bar: 60min signal_bar: 5min macd: fast: 6 slow: 13 signal: 5 filter: trend_filter: true min_hist_grow: 2 risk: stop_atr_mult: 1.5 take_profit_atr_mult: 3.0 max_daily_loss: 0.02商品版则可能选择15分钟作为信号周期、4小时作为趋势过滤周期MACD参数回到默认(12,26,9)止损用2倍ATR。这些示例参数不是让你照抄而是展示参数文件可以区分到什么粒度。你真正要做的是通过回测找到适合当前品种的参数区间而不是相信某个“权威参数”。之所以坚持“一套引擎、多套配置”还有一个工程层面的原因信号逻辑和参数一旦混在一起后面做样本外测试、参数扫描、策略迭代都会变得特别痛苦。把参数拆出去之后你可以只替换配置就能跑一批验证甚至可以用配置文件直接记录历史版本回测结果和参数版本一一对应复盘的时候才能说清楚“到底是哪次改动让策略变差了”。2.3 商品版内部的波动率归一化商品版还有一个股指版不需要考虑的问题品种间的波动率差异过大。比如一手甲醇的日内平均波幅和一手原油的日内平均波幅完全不在一个数量级。如果直接用同样的MACD阈值、同样的止损距离低波动品种会被反复止损高波动品种又会因为止损太宽导致单笔亏损过大。我通常的做法是将所有与价格距离相关的参数都用ATR归一化过滤阈值、止损距离、止盈目标、双底之间的最小间距等等。ATR是平均真实波幅它衡量的是当前品种最近一段时间的波动尺度。举个例子如果某品种当前ATR是20个点止损设为1.5倍ATR就是30个点另一个品种ATR是80个点同样的1.5倍就是120个点。这样同一个策略文件在切换到不同品种时只需要调整品种对应的ATR参数而不是重新编写一套策略逻辑。3. 关键指标加工MACD双底识别、跨周期共振与反转数值3.1 柱状图双底不是价格双底而是能量双底很多人在行情软件里看到“MACD双底”类的副图指标把它理解为MACD柱状图出现两个低点。这个理解方向没错但要注意价格双底和MACD柱状图双底的意义完全不同。价格双底描述的是价格到达两个低点且第二个低点不再跌破前低而MACD柱状图双底描述的是空头能量两次释放第二次释放力度明显弱于第一次。通俗说价格还在砸但空头的力气已经跟不上了。做双底识别之前先把柱状图局部最低点找出来。一段连续下跌中的柱状图低点往往对应着空头动能的顶峰。计算逻辑是遍历柱状图序列找到那些在左右邻域里值最小的点并且该点小于零。为了过滤微小波动我还会加一个阈值要求前一个低点到峰值之间的反弹幅度必须达到一定比例否则两个谷值之间的反弹没有意义。简化版代码可以这样写import pandas as pd import numpy as np def find_hist_valleys(hist: pd.Series, order: int 2) - list: valleys [] for i in range(order, len(hist) - order): window hist.iloc[i - order : i order 1] if hist.iloc[i] window.min() and hist.iloc[i] 0: valleys.append(i) return valleys def macd_double_bottom(df: pd.DataFrame, min_gap: int 3): hist df[hist] valleys find_hist_valleys(hist, order2) double_bottom np.zeros(len(df), dtypeint) for j in range(1, len(valleys)): i1, i2 valleys[j - 1], valleys[j] if i2 - i1 min_gap: continue if hist.iloc[i2] hist.iloc[i1]: # 第二只脚抬高 double_bottom[i2] 1 return double_bottom这段代码的核心判断只有一句第二个谷值是否高于第一个谷值。第二个谷值越高说明空头能量衰减越明显反转的概率越大。你可以把这个信号绘制在主图或副图上作为入场参考。实际使用中我会再加一个“前低必须是近N根K线的最低点”的约束防止把很久以前的低谷拿来做对比导致双底信号在时间维度上失真。3.2 跨周期共振状态确定性分层的核心数据结构“共振”这个词在MACD副图指标里很常见直觉理解就是多个周期同时发出同向信号。真正落地到策略里你需要把共振状态拆成可计算的数值。我习惯把状态分成三层大周期趋势层用大周期K线的DIF与DEA状态判断多空环境取值为1或-1小周期触发层小周期的DIF与DEA是否发生金叉或死叉描述的是入场时机柱状图动能层小周期柱状图当前值是否比前一根放大用来剔除动能衰竭的信号。当大周期趋势层与小周期触发层方向一致时共振成立。比如大周期为多头、小周期金叉、柱状图放大这就是一个标准的做多共振组合。写成代码就是定义几个布尔列最终信号是它们的叠加def build_resonance_columns(df_trend, df_signal): df df_signal.copy() trend pd.DataFrame({trend_dir: np.sign(df_trend[dif] - df_trend[dea])}) trend trend.sort_index() df df.sort_index() # 用 merge_asof 将最近一根已收盘大周期状态对齐到小周期 df pd.merge_asof(df, trend, left_indexTrue, right_indexTrue, directionbackward) df[signal_dir] np.sign(df[dif] - df[dea]) df[hist_grow] np.where(df[hist] df[hist].shift(1), 1, 0) df[resonance] ((df[trend_dir] 0) (df[signal_dir] 0) (df[hist_grow] 1)).astype(int) return df这个示例里merge_asof的directionbackward非常关键它会自动选择当前小周期K线之前最近一根已经收盘的大周期K线状态恰好避免未来函数。跨周期共振不是让两个周期的指标长得一模一样而是让它们各自承担不同的判断职责再合并成一个最终状态。如果这一步做反了你得到的共振信号只会让两个周期互相“复读”反而放大了滞后性。3.3 反转数值指标把背驰量化成可用阈值最后是“反转数值指标”。行情软件里的MACD反转指标多数是基于价格创新低但MACD柱状图不能同步创新低这种背驰逻辑。主观判断背驰很容易量化却需要一套清晰的规则。我用的方法如下首先定义“价格创出N周期新低”同时记住同一根K线上的柱状图低点随后当MACD柱状图出现高于前低的新谷值时计算柱状图抬升幅度与当前ATR的比值作为反转强度。def divergence_score(df: pd.DataFrame, lookback: int 20): # 前提df 中已经计算了 MACD 的 hist 和 ATR price_low df[close].rolling(lookback).min() hist_low df[hist].rolling(lookback).min() # 当前价格创新低 new_low df[close] price_low.shift(1) # 柱状图低点较历史最低值抬高 hist_rise df[hist] - hist_low.shift(1) score np.where(new_low (hist_rise 0), hist_rise / df[atr], 0) return score当这个得分超过某个阈值时标记为潜在反转区。你会发现这套逻辑和双底识别本质上是同一个东西只是换了一个更连续的表达方式。把双底离散为0/1信号把背驰强度做成连续分数后者的信息量更高也更容易纳入回测优化。关于“怎么修改MACD指标公式图”这类问题我的建议是不要在行情软件里直接改内置指标尤其不要为了画图好看而反复调整参数。把指标逻辑全部迁移到Python里把参数变成变量才能做真正客观的回测和参数扫描。副图只是看板不是决策依据。你可以用matplotlib把价格、MACD柱状图、双底标记和共振状态画在同一个画布上方便直观确认每一条信号的产生过程。4. 回测评估细节跨周期策略最容易栽的地方都在这里4.1 跨周期数据对齐未来函数是回测虚高的头号元凶跨周期策略最隐蔽的坑不是信号逻辑写错而是数据对齐时引入了未来函数。我用一个具体场景说明你想用60分钟的趋势状态去过滤15分钟入场信号。如果在60分钟这根K线还没收盘时就把它实时计算出的DIF用到了已经过去的15分钟K线上那你的回测结果必然虚高。真到实盘你根本不可能在那根15分钟K线收盘前知道大周期状态。解决办法只有一个所有大周期信号都必须用已经收盘的K线结果并且在赋给小周期时整体向后平移一根。也就是说15分钟K线在t时刻能使用的大周期状态是t时刻之前最后一根已经收盘的60分钟K线状态。在pandas里用merge_asof并且把大周期状态滞后处理可以比较稳妥地解决这个问题。4.2 成本模型和成交价模型要往坏处想短线策略对交易成本极度敏感。很多人回测时手续费设得很低滑点干脆忽略结果一上实盘发现净利润全部被成本吃掉。我建议回测参数刻意“往坏处想”手续费按交易所标准上浮一定比例滑点按最小变动价位的1到2个tick估算。股指和商品的成本结构不同不能共用同一套成本参数。成交价模型同样重要。信号在第t根K线收盘后产生实盘最早只能按第t1根K线的开盘价成交。回测时不要用第t根的收盘价当作成交价否则等于开上帝视角。正确做法是记录信号发生时间和信号方向然后用下一根K线的开盘价计算收益。看起来只差一个K线但短线策略里这个误差就是真金白银。4.3 信号序列、持仓和绩效指标的计算方式我用一段简化代码展示信号到绩效的链路df[signal] np.where(condition, 1, np.where(opposite_condition, -1, 0)) df[position] df[signal].shift(1).fillna(0) df[ret] df[position] * df[close].pct_change() df[equity] (1 df[ret]).cumprod()这里的关键是position使用signal.shift(1)代表信号出现后的下一根K线才持仓避免未来函数。ret是持仓收益累乘后得到净值曲线。如果需要更精确可以在信号出现的下一根K线开盘价成交而不是用收盘价近似。绩效指标可以自己实现不需要依赖第三方库。最大回撤的计算就是找到净值曲线最高点与随后最低点之间的最大跌幅夏普比率需要年化收益和收益波动率胜率和盈亏比则从交易记录里统计。我常用的评估表长这样指标数值总收益率...年化收益...最大回撤...夏普比率...胜率...盈亏比...交易次数...这套指标组合的意义在于单看收益率没有意义一个回撤50%的策略会让你中途就崩溃单看胜率也没有意义低胜率高盈亏比的策略照样赚钱。几个指标必须放在一起看才能判断策略是不是真的稳定。4.4 参数优化找高原不找尖峰最后一个关键点是参数优化方式。很多人在回测框架里跑一个参数网格选出样本内累计收益最高的那组参数觉得这就是最优解。但最优解往往是最危险的过拟合因为它可能只是恰好把所有噪声都拟合进去了。我推荐的做法是固定其他条件只扫描少数几个核心参数画出收益或夏普比率的热力图然后选择参数平面上的“高原”而不是“尖峰”。所谓高原是指周围一片区域表现都差不多参数稍微偏移也不会让结果大幅恶化。尖峰则是某一点极高周围迅速变差这种参数放到实盘几乎必然失效。results [] for fast in [5, 6, 8, 10]: for slow in [13, 16, 19, 21]: res run_backtest(fastfast, slowslow) results.append({fast: fast, slow: slow, sharpe: res[sharpe]}) df_res pd.DataFrame(results) pivot df_res.pivot_table(indexfast, columnsslow, valuessharpe) # 用 seaborn.heatmap 或 matplotlib.imshow 可视化这个 pivot 表格另外一定要做样本外验证。把数据按时间切段前面70%用来优化后面30%用来验证。验证表现如果明显比样本内差很多说明策略逻辑的持续性存疑而不是简单的参数问题。5. 实盘落地失效信号与几个必须提醒的纪律问题5.1 跨周期状态跳变带来的盘中冲突实盘与回测最大的不同在于回测里每个K线状态都是确定的实盘里状态会实时变化。比如60分钟K线开始时还是多头状态但盘中价格跳水DIF和DEA可能会从多头变成空头。如果此时小周期已经触发了一个多单就出现了大周期状态与小周期持仓的冲突。我的处理方式有两个方向。第一是提高大周期状态的“确认门槛”比如要求大周期DIF和DEA都在零轴上方且柱状图连续N根递增才认定为多头环境而不是随随便便一根K线就改变状态。第二是在状态改变初期不立即反向开仓而是先清掉反向持仓等状态稳定后再重新找信号。这两个方向都会损失一部分行情但换来的是更少的冲突交易整体上值得。5.2 知道什么时候该停下来量化策略开发过程中最容易犯的错误不是代码出错而是当策略表现不好时不断调参数试图让历史回测变好看。我见过有朋友一个晚上把MACD参数从(5,13,5)改到(20,40,10)连续跑了上百组最后确实跑出一组漂亮的曲线实盘后却一塌糊涂。这种调参本质上是在数据挖掘里寻找巧合。我给自己定的规矩是每次参数优化都记录当时的市场状态和分析逻辑如果只是“觉得好看”就改参数那不如不改。策略失效时先去看交易日志和行情切片搞清楚亏钱的行情长什么样再决定是过滤掉这类行情还是直接降低仓位。不要让单次亏损变成一场“调参狂欢”。交易日志至少要记录这些字段信号时间、信号类型、大周期状态、小周期状态、开仓价格、止损价格、当时ATR、参数版本。没有这些记录你根本无从判断一次亏损是行情问题还是逻辑问题。5.3 从模拟盘到小资金的完整起步路径如果你刚把这套双版本策略写完我建议的路径是先跑至少一个月的模拟盘并且模拟盘必须接入实时行情信号触发后自动记录不能手动干预。模拟盘的意义不是验证策略能不能赚钱而是验证你的信号链路、数据源、异常处理能不能稳定运行。一个月之后如果交易日志没有明显bug再考虑用极小的资金起步。起步阶段不要同时跑股指和商品两个版本先选一个你最熟悉、流动性最好的品种跑通全流程。等整套系统稳定了再逐步扩展第二版本。比如先跑商品版的一个品种稳定后再加入股指版让两台策略机并行但彼此的风控独立。最后多说一句个人感受。MACD跨周期策略真正做到后面你会发现MACD本身只占了整个系统很小一部分更多精力花在了数据对齐、成本模型、风控规则和复盘机制上。指标可以很简单但系统必须足够严谨。我自己在这套双版本策略上收获最大的不是某一组参数而是把流程标准化之后每次优化和失效都有据可查、可复现。希望这篇内容能帮你少走一些弯路。还是那句话策略研究归研究真金白银入场前先想清楚自己能不能承受连续亏损。 
长河君 · 2026/10/4 2:39:20 · 阅读 1.2k MACD跨周期短线策略：指标加工、回测与实盘实践
很多人第一次接触量化交易都是从MACD金叉死叉入门的然后很快就在震荡行情里亏到怀疑人生。MACD这指标的争议一直很大有人说它滞后有人说它一到震荡就报废。我的看法是指标本身没做错什么它的价值取决于你给它什么样的上下文。过去几个月我把一套基于MACD跨周期思路的短线策略重新整理了一遍分别适配股指期货和商品期货两个方向形成了双版本的标准代码工程。这篇文章会把策略逻辑、Python实现、指标加工细节和回测评估方法全部拆开讲希望给想自己动手做算法策略的朋友一条相对清晰的路径。提前声明本文定位是策略开发方法的研究与分享不构成任何投资建议所有参数都只是示例别直接拿去做实盘。1. 为什么短线策略要引入跨周期MACD过滤1.1 传统MACD信号在短线上的三个硬伤先回顾一下计算链路MACD由快线EMA和慢线EMA相减得到DIF再对DIF取均值得到DEA柱状图是DIF与DEA差值的两倍。默认参数(12,26,9)源自周线级别的分析习惯放在5分钟或者15分钟级别上参数本身的周期容纳度并不匹配所以直接用默认参数跑短线你得到的不是交易信号而是一堆噪声。我见过很多刚接触量化的人第一版策略就是“金叉开多、死叉开空”。在单边行情里确实能抓到不少利润但一旦进入震荡区间价格围绕均线上下反复穿越DIF和DEA会频繁粘合再分离一天可能触发十几次信号次次都变成手续费和滑点的燃料。这背后有三个具体问题第一短线K线本身噪声占比高MACD作为均线衍生指标无法区分噪声和趋势启动第二信号天然滞后等你看到金叉的时候价格往往已经走出了一段修复行情追进去就是接盘第三震荡市里没有任何方向过滤策略完全暴露在随机波动中胜率和盈亏比都很难看。这三点叠加给人的感觉就是“指标没用”。但你如果把MACD放在一个有方向约束的上下文里结果会完全不同这也是跨周期思路存在的前提。1.2 跨周期过滤的本质把方向和节奏分开跨周期并不神秘核心就一句话用大周期判断方向用小周期寻找进场点。我用一个生活化的例子来解释天气预报说下午有雨这是大周期方向你决定出门带伞但具体什么时候把伞撑开你得看实时雨量这是小周期节奏。如果天气预报是晴天你却非要等雨点落在头上才撑伞属于典型的逆势交易。具体到策略执行上跨周期过滤有两种主流姿势。一种是顺势过滤大周期MACD处于多头状态比如DIF和DEA都在零轴上方只允许小周期金叉开多不允许开空另一种是共振触发大周期柱状图连续放大同时小周期出现金叉两个条件同时满足才开仓。前一种胜在信号数量稳定后一种胜在信号质量高但信号数量会明显减少。对一个短线策略来说信号多不一定赚得多反而意味着更高的交易成本和更多的情绪干扰。我在实盘观察中发现加了跨周期过滤之后交易次数通常能减少六成以上但单笔盈利的质量会显著提升。这个取舍在股指这种交易成本较高的标的上尤其划算。另外别指望策略能在所有行情里都赚钱跨周期过滤本质上是在主动放弃一部分逆势反弹的利润换取更高的方向确定性。2. 股指版和商品版的双版本架构参数与风控为什么不能共用2.1 两类标的的运行差异决定了策略细节如果只做股指不碰商品你可能觉得上一节的跨周期逻辑已经够用了。但一旦把商品加进来你会发现同样一套逻辑、同样一套参数放在螺纹钢和放在沪深300股指上表现可能天差地别。原因在于两类标的的运行特性完全不同。股指期货的核心驱动来自股票市场的整体情绪与权重股波动日内噪声大、开盘和尾盘容易出现跳空趋势行情来得快去得也快。这就决定了股指版的趋势过滤周期不能取太长否则等你确认了大周期方向一波短线行情已经结束但小周期也不能太短否则噪声直接淹没问题。商品期货则完全不同。商品品种多每个品种的波动率差异巨大有些农产品一天波动不如能源化工一个小时的波动而且商品普遍有夜盘日盘和夜盘之间会形成天然的K线断层。这种断层如果不做特殊处理MACD计算会被跨时段数据污染。所以商品版的核心不是某组神奇参数而是对波动率做归一化处理把不同品种拉到一个可比较的尺度上再谈信号。我把这些差异整理成了一个对照表方便你看清楚设计思路的落脚点。特征股指版商品版主要交易时段日盘集中波动日盘夜盘时段连续性差波动来源市场情绪、权重股异动供需、资金、商品自身基本面日内噪声大开盘尾盘跳空多品种间差异极大趋势特征短促方向切换快部分品种趋势延展性强假突破也多价格尺度点值固定计算简单不同品种点值、合约乘数完全不同正因为有这些差异简单地复制同一套参数在两类标的上跑结果通常是一边赚钱另一边亏钱。正确做法是把差异显性化为配置和风控规则而不是让代码里长满if else。2.2 同一套信号引擎两套配置文件我的工程处理方式是核心信号引擎完全复用只把差异全部收敛到配置文件和风控层。这样维护成本最低后续扩展新品种时只需要新增一份YAML配置不需要改代码逻辑。工程目录大致这样strategy/ ├─ core/ │ ├─ signal_factory.py # 信号生成核心逻辑 │ └─ indicator.py # MACD、双底、背驰等指标计算 ├─ settings/ │ ├─ stock_index.yaml # 股指版参数 │ └─ commodity.yaml # 商品版参数 ├─ data/ │ └─ loader.py # K线数据加载与清洗 ├─ backtest/ │ └─ engine.py # 回测引擎 └─ tools/ └─ macd_panel.py # 指标副图可视化股指版的配置文件大致长这样# stock_index.yaml trend_bar: 60min signal_bar: 5min macd: fast: 6 slow: 13 signal: 5 filter: trend_filter: true min_hist_grow: 2 risk: stop_atr_mult: 1.5 take_profit_atr_mult: 3.0 max_daily_loss: 0.02商品版则可能选择15分钟作为信号周期、4小时作为趋势过滤周期MACD参数回到默认(12,26,9)止损用2倍ATR。这些示例参数不是让你照抄而是展示参数文件可以区分到什么粒度。你真正要做的是通过回测找到适合当前品种的参数区间而不是相信某个“权威参数”。之所以坚持“一套引擎、多套配置”还有一个工程层面的原因信号逻辑和参数一旦混在一起后面做样本外测试、参数扫描、策略迭代都会变得特别痛苦。把参数拆出去之后你可以只替换配置就能跑一批验证甚至可以用配置文件直接记录历史版本回测结果和参数版本一一对应复盘的时候才能说清楚“到底是哪次改动让策略变差了”。2.3 商品版内部的波动率归一化商品版还有一个股指版不需要考虑的问题品种间的波动率差异过大。比如一手甲醇的日内平均波幅和一手原油的日内平均波幅完全不在一个数量级。如果直接用同样的MACD阈值、同样的止损距离低波动品种会被反复止损高波动品种又会因为止损太宽导致单笔亏损过大。我通常的做法是将所有与价格距离相关的参数都用ATR归一化过滤阈值、止损距离、止盈目标、双底之间的最小间距等等。ATR是平均真实波幅它衡量的是当前品种最近一段时间的波动尺度。举个例子如果某品种当前ATR是20个点止损设为1.5倍ATR就是30个点另一个品种ATR是80个点同样的1.5倍就是120个点。这样同一个策略文件在切换到不同品种时只需要调整品种对应的ATR参数而不是重新编写一套策略逻辑。3. 关键指标加工MACD双底识别、跨周期共振与反转数值3.1 柱状图双底不是价格双底而是能量双底很多人在行情软件里看到“MACD双底”类的副图指标把它理解为MACD柱状图出现两个低点。这个理解方向没错但要注意价格双底和MACD柱状图双底的意义完全不同。价格双底描述的是价格到达两个低点且第二个低点不再跌破前低而MACD柱状图双底描述的是空头能量两次释放第二次释放力度明显弱于第一次。通俗说价格还在砸但空头的力气已经跟不上了。做双底识别之前先把柱状图局部最低点找出来。一段连续下跌中的柱状图低点往往对应着空头动能的顶峰。计算逻辑是遍历柱状图序列找到那些在左右邻域里值最小的点并且该点小于零。为了过滤微小波动我还会加一个阈值要求前一个低点到峰值之间的反弹幅度必须达到一定比例否则两个谷值之间的反弹没有意义。简化版代码可以这样写import pandas as pd import numpy as np def find_hist_valleys(hist: pd.Series, order: int 2) - list: valleys [] for i in range(order, len(hist) - order): window hist.iloc[i - order : i order 1] if hist.iloc[i] window.min() and hist.iloc[i] 0: valleys.append(i) return valleys def macd_double_bottom(df: pd.DataFrame, min_gap: int 3): hist df[hist] valleys find_hist_valleys(hist, order2) double_bottom np.zeros(len(df), dtypeint) for j in range(1, len(valleys)): i1, i2 valleys[j - 1], valleys[j] if i2 - i1 min_gap: continue if hist.iloc[i2] hist.iloc[i1]: # 第二只脚抬高 double_bottom[i2] 1 return double_bottom这段代码的核心判断只有一句第二个谷值是否高于第一个谷值。第二个谷值越高说明空头能量衰减越明显反转的概率越大。你可以把这个信号绘制在主图或副图上作为入场参考。实际使用中我会再加一个“前低必须是近N根K线的最低点”的约束防止把很久以前的低谷拿来做对比导致双底信号在时间维度上失真。3.2 跨周期共振状态确定性分层的核心数据结构“共振”这个词在MACD副图指标里很常见直觉理解就是多个周期同时发出同向信号。真正落地到策略里你需要把共振状态拆成可计算的数值。我习惯把状态分成三层大周期趋势层用大周期K线的DIF与DEA状态判断多空环境取值为1或-1小周期触发层小周期的DIF与DEA是否发生金叉或死叉描述的是入场时机柱状图动能层小周期柱状图当前值是否比前一根放大用来剔除动能衰竭的信号。当大周期趋势层与小周期触发层方向一致时共振成立。比如大周期为多头、小周期金叉、柱状图放大这就是一个标准的做多共振组合。写成代码就是定义几个布尔列最终信号是它们的叠加def build_resonance_columns(df_trend, df_signal): df df_signal.copy() trend pd.DataFrame({trend_dir: np.sign(df_trend[dif] - df_trend[dea])}) trend trend.sort_index() df df.sort_index() # 用 merge_asof 将最近一根已收盘大周期状态对齐到小周期 df pd.merge_asof(df, trend, left_indexTrue, right_indexTrue, directionbackward) df[signal_dir] np.sign(df[dif] - df[dea]) df[hist_grow] np.where(df[hist] df[hist].shift(1), 1, 0) df[resonance] ((df[trend_dir] 0) (df[signal_dir] 0) (df[hist_grow] 1)).astype(int) return df这个示例里merge_asof的directionbackward非常关键它会自动选择当前小周期K线之前最近一根已经收盘的大周期K线状态恰好避免未来函数。跨周期共振不是让两个周期的指标长得一模一样而是让它们各自承担不同的判断职责再合并成一个最终状态。如果这一步做反了你得到的共振信号只会让两个周期互相“复读”反而放大了滞后性。3.3 反转数值指标把背驰量化成可用阈值最后是“反转数值指标”。行情软件里的MACD反转指标多数是基于价格创新低但MACD柱状图不能同步创新低这种背驰逻辑。主观判断背驰很容易量化却需要一套清晰的规则。我用的方法如下首先定义“价格创出N周期新低”同时记住同一根K线上的柱状图低点随后当MACD柱状图出现高于前低的新谷值时计算柱状图抬升幅度与当前ATR的比值作为反转强度。def divergence_score(df: pd.DataFrame, lookback: int 20): # 前提df 中已经计算了 MACD 的 hist 和 ATR price_low df[close].rolling(lookback).min() hist_low df[hist].rolling(lookback).min() # 当前价格创新低 new_low df[close] price_low.shift(1) # 柱状图低点较历史最低值抬高 hist_rise df[hist] - hist_low.shift(1) score np.where(new_low (hist_rise 0), hist_rise / df[atr], 0) return score当这个得分超过某个阈值时标记为潜在反转区。你会发现这套逻辑和双底识别本质上是同一个东西只是换了一个更连续的表达方式。把双底离散为0/1信号把背驰强度做成连续分数后者的信息量更高也更容易纳入回测优化。关于“怎么修改MACD指标公式图”这类问题我的建议是不要在行情软件里直接改内置指标尤其不要为了画图好看而反复调整参数。把指标逻辑全部迁移到Python里把参数变成变量才能做真正客观的回测和参数扫描。副图只是看板不是决策依据。你可以用matplotlib把价格、MACD柱状图、双底标记和共振状态画在同一个画布上方便直观确认每一条信号的产生过程。4. 回测评估细节跨周期策略最容易栽的地方都在这里4.1 跨周期数据对齐未来函数是回测虚高的头号元凶跨周期策略最隐蔽的坑不是信号逻辑写错而是数据对齐时引入了未来函数。我用一个具体场景说明你想用60分钟的趋势状态去过滤15分钟入场信号。如果在60分钟这根K线还没收盘时就把它实时计算出的DIF用到了已经过去的15分钟K线上那你的回测结果必然虚高。真到实盘你根本不可能在那根15分钟K线收盘前知道大周期状态。解决办法只有一个所有大周期信号都必须用已经收盘的K线结果并且在赋给小周期时整体向后平移一根。也就是说15分钟K线在t时刻能使用的大周期状态是t时刻之前最后一根已经收盘的60分钟K线状态。在pandas里用merge_asof并且把大周期状态滞后处理可以比较稳妥地解决这个问题。4.2 成本模型和成交价模型要往坏处想短线策略对交易成本极度敏感。很多人回测时手续费设得很低滑点干脆忽略结果一上实盘发现净利润全部被成本吃掉。我建议回测参数刻意“往坏处想”手续费按交易所标准上浮一定比例滑点按最小变动价位的1到2个tick估算。股指和商品的成本结构不同不能共用同一套成本参数。成交价模型同样重要。信号在第t根K线收盘后产生实盘最早只能按第t1根K线的开盘价成交。回测时不要用第t根的收盘价当作成交价否则等于开上帝视角。正确做法是记录信号发生时间和信号方向然后用下一根K线的开盘价计算收益。看起来只差一个K线但短线策略里这个误差就是真金白银。4.3 信号序列、持仓和绩效指标的计算方式我用一段简化代码展示信号到绩效的链路df[signal] np.where(condition, 1, np.where(opposite_condition, -1, 0)) df[position] df[signal].shift(1).fillna(0) df[ret] df[position] * df[close].pct_change() df[equity] (1 df[ret]).cumprod()这里的关键是position使用signal.shift(1)代表信号出现后的下一根K线才持仓避免未来函数。ret是持仓收益累乘后得到净值曲线。如果需要更精确可以在信号出现的下一根K线开盘价成交而不是用收盘价近似。绩效指标可以自己实现不需要依赖第三方库。最大回撤的计算就是找到净值曲线最高点与随后最低点之间的最大跌幅夏普比率需要年化收益和收益波动率胜率和盈亏比则从交易记录里统计。我常用的评估表长这样指标数值总收益率...年化收益...最大回撤...夏普比率...胜率...盈亏比...交易次数...这套指标组合的意义在于单看收益率没有意义一个回撤50%的策略会让你中途就崩溃单看胜率也没有意义低胜率高盈亏比的策略照样赚钱。几个指标必须放在一起看才能判断策略是不是真的稳定。4.4 参数优化找高原不找尖峰最后一个关键点是参数优化方式。很多人在回测框架里跑一个参数网格选出样本内累计收益最高的那组参数觉得这就是最优解。但最优解往往是最危险的过拟合因为它可能只是恰好把所有噪声都拟合进去了。我推荐的做法是固定其他条件只扫描少数几个核心参数画出收益或夏普比率的热力图然后选择参数平面上的“高原”而不是“尖峰”。所谓高原是指周围一片区域表现都差不多参数稍微偏移也不会让结果大幅恶化。尖峰则是某一点极高周围迅速变差这种参数放到实盘几乎必然失效。results [] for fast in [5, 6, 8, 10]: for slow in [13, 16, 19, 21]: res run_backtest(fastfast, slowslow) results.append({fast: fast, slow: slow, sharpe: res[sharpe]}) df_res pd.DataFrame(results) pivot df_res.pivot_table(indexfast, columnsslow, valuessharpe) # 用 seaborn.heatmap 或 matplotlib.imshow 可视化这个 pivot 表格另外一定要做样本外验证。把数据按时间切段前面70%用来优化后面30%用来验证。验证表现如果明显比样本内差很多说明策略逻辑的持续性存疑而不是简单的参数问题。5. 实盘落地失效信号与几个必须提醒的纪律问题5.1 跨周期状态跳变带来的盘中冲突实盘与回测最大的不同在于回测里每个K线状态都是确定的实盘里状态会实时变化。比如60分钟K线开始时还是多头状态但盘中价格跳水DIF和DEA可能会从多头变成空头。如果此时小周期已经触发了一个多单就出现了大周期状态与小周期持仓的冲突。我的处理方式有两个方向。第一是提高大周期状态的“确认门槛”比如要求大周期DIF和DEA都在零轴上方且柱状图连续N根递增才认定为多头环境而不是随随便便一根K线就改变状态。第二是在状态改变初期不立即反向开仓而是先清掉反向持仓等状态稳定后再重新找信号。这两个方向都会损失一部分行情但换来的是更少的冲突交易整体上值得。5.2 知道什么时候该停下来量化策略开发过程中最容易犯的错误不是代码出错而是当策略表现不好时不断调参数试图让历史回测变好看。我见过有朋友一个晚上把MACD参数从(5,13,5)改到(20,40,10)连续跑了上百组最后确实跑出一组漂亮的曲线实盘后却一塌糊涂。这种调参本质上是在数据挖掘里寻找巧合。我给自己定的规矩是每次参数优化都记录当时的市场状态和分析逻辑如果只是“觉得好看”就改参数那不如不改。策略失效时先去看交易日志和行情切片搞清楚亏钱的行情长什么样再决定是过滤掉这类行情还是直接降低仓位。不要让单次亏损变成一场“调参狂欢”。交易日志至少要记录这些字段信号时间、信号类型、大周期状态、小周期状态、开仓价格、止损价格、当时ATR、参数版本。没有这些记录你根本无从判断一次亏损是行情问题还是逻辑问题。5.3 从模拟盘到小资金的完整起步路径如果你刚把这套双版本策略写完我建议的路径是先跑至少一个月的模拟盘并且模拟盘必须接入实时行情信号触发后自动记录不能手动干预。模拟盘的意义不是验证策略能不能赚钱而是验证你的信号链路、数据源、异常处理能不能稳定运行。一个月之后如果交易日志没有明显bug再考虑用极小的资金起步。起步阶段不要同时跑股指和商品两个版本先选一个你最熟悉、流动性最好的品种跑通全流程。等整套系统稳定了再逐步扩展第二版本。比如先跑商品版的一个品种稳定后再加入股指版让两台策略机并行但彼此的风控独立。最后多说一句个人感受。MACD跨周期策略真正做到后面你会发现MACD本身只占了整个系统很小一部分更多精力花在了数据对齐、成本模型、风控规则和复盘机制上。指标可以很简单但系统必须足够严谨。我自己在这套双版本策略上收获最大的不是某一组参数而是把流程标准化之后每次优化和失效都有据可查、可复现。希望这篇内容能帮你少走一些弯路。还是那句话策略研究归研究真金白银入场前先想清楚自己能不能承受连续亏损。