前阵子有朋友在交流群里问我已经按系列第一篇把期货行情数据、主连拼接和回测框架跑通了接下来该拿什么策略练手我给的回答始终是同一个——唐奇安通道突破。原因很简单这是趋势跟踪体系里最经典、逻辑最直白、经历过几十年实盘检验的入场信号。从Richard Donchian在1970年代提出通道理论到1983年海龟交易实验用这套规则赚走上亿美元它穿越了无数轮牛熊至今仍是许多CTA私募的底仓策略。这篇是《期货量化交易系统构建》系列的第二篇前一篇已经铺完数据层和回测框架这篇直接进入策略实战。我会把一个基于唐奇安通道突破的期货策略从通道计算、信号生成、止损离场、仓位管理到回测陷阱、实盘衔接整条链路完整串一遍。代码用Python实现核心依赖Pandas和NumPy适合有Python基础、正在研究期货CTA策略的朋友直接参考。1. 唐奇安通道为什么能穿越几十年趋势跟踪的底层逻辑1.1 通道的定义与海龟实验的背景唐奇安通道Donchian Channel本身并不复杂取过去N根K线的最高价和最低价分别作为通道上轨和下轨。价格突破上轨视为多头信号跌破下轨视为空头信号。就这么几行公式构成了趋势跟踪流派中最经典的入场逻辑之一。这套逻辑真正被大众熟知靠的是Richard Dennis那场著名的海龟实验。1983年Dennis招募了一批几乎没有任何交易经验的新手花了两周时间把一套完整的交易规则教给他们然后给他们真实资金去交易。结果这批海龟在随后几年里创造了年均复利超过80%的回报。这套规则的核心入场信号正是唐奇安通道的20日突破。有意思的是Dennis后来坦言他把规则完全公开之后海龟交易法则本身并没有失效。这听起来反直觉但在趋势跟踪领域确实是事实策略的护城河不在于别人知道不知道而在于别人能不能在连续亏损时还能坚持执行。知道规则和能执行规则是两件完全不同的事情。1.2 趋势跟踪赚的是少数大行情的钱理解唐奇安通道之前先要理解趋势跟踪到底在赚什么钱。我见过很多刚接触量化的朋友拿着回测报告问我这个策略胜率只有35%为什么还能赚钱答案隐藏在盈亏比的分布里。趋势跟踪策略的典型特征是大部分交易是小额亏损少数几笔交易贡献绝大部分利润。换句话说趋势跟踪的盈利逻辑不是预测准确而是截断亏损让利润奔跑。市场大约70%的时间处于震荡状态只有30%的时间会走出明显的趋势。策略要做的是在震荡中用小亏活着在趋势来临时重仓吃到肉。用捕鱼的类比来说你不可能每一网都有鱼但你确保每一网的成本足够低一旦遇到鱼群这一网就能把前面所有空网的损失都捞回来。1.3 期货市场为什么是趋势跟踪的主战场唐奇安通道这类趋势策略在股票市场也能用但在期货市场里适配度更高。原因有几个期货天然带杠杆趋势来临时收益被放大这正好匹配趋势策略低胜率、高盈亏比的收益结构期货支持双向交易下跌趋势中依然可以做空策略覆盖面从只做多扩展到多空通吃商品期货受供需周期、宏观政策驱动经常走出持续数月甚至数年的中长期趋势给通道突破提供了充足的行情土壤所以如果你准备做国内商品期货的CTA策略唐奇安通道突破几乎是最值得先落地的一个起点。2. 信号引擎用Python干净地算通道、出突破信号2.1 数据准备与通道计算信号引擎这一步核心输入是OHLC开盘价、最高价、最低价、收盘价数据。我习惯用主力连续合约日线数据做研究先把K线数据读成DataFrame列名保持open、high、low、close、volume的小写格式后面所有计算都基于这套标准结构。通道计算用Pandas的rolling方法一行就能完成import pandas as pd import numpy as np def calc_donchian(df: pd.DataFrame, n: int 20) - pd.DataFrame: 计算唐奇安通道 n: 通道周期即取过去n根K线的最高价和最低价 df df.copy() df[upper] df[high].rolling(n).max() df[lower] df[low].rolling(n).min() df[mid] (df[upper] df[lower]) / 2 return dfrolling(n).max()会从当前K线往前数n根取这n根里最高价的最大值。这里有一个细节值得注意Pandas的rolling窗口是包含当前K线的也就是说今天的上轨值里包含了今天的最高价。如果直接用今天的收盘价去和今天的上轨比较会出现一个很隐蔽的问题——这就是下一节要说的未来函数。2.2 信号生成与未来函数规避很多新手写突破策略时会这样写df[signal] 0 df.loc[df[close] df[upper], signal] 1 df.loc[df[close] df[lower], signal] -1表面上没有报错回测曲线也可能很漂亮但这是个典型的未来函数。原因在于这根K线还没走完之前你无法同时知道这根K线的收盘价和这根K线的最高价。收盘价是K线走完才确定的而最高价是这根K线运行过程中可能出现过的极端值。用今天的收盘价和包含了今天最高价的通道上轨做比较等于提前偷看了当天结果。正确的做法是用上一根K线收盘时确认的通道值去判断当前这根K线的突破情况。也就是把通道值整体往后平移一根def gen_breakout_signals(df: pd.DataFrame, n: int 20) - pd.DataFrame: 生成唐奇安通道突破信号 返回的DataFrame中signal为1代表做多、-1代表做空、0代表无操作 df calc_donchian(df, n) # 关键取上一根K线确认的通道值避免未来函数 df[prev_upper] df[upper].shift(1) df[prev_lower] df[lower].shift(1) df[signal] 0 df.loc[df[close] df[prev_upper], signal] 1 df.loc[df[close] df[prev_lower], signal] -1 return df这里用shift(1)把通道值推迟到下一根K线才生效再和当前的close比较。逻辑上是说昨天收盘时确认了一个通道区间今天这根K线如果向上突破了这个区间我就做多。这是实盘中真实可执行的判断顺序。注意shift(1)只解决通道值的未来函数。实盘中你用收盘价判断信号最快也只能在收盘前后下单。更保守的做法是用次日开盘价成交回测这样更贴近实盘滑点表现。2.3 为什么收盘确认这么重要初学阶段我踩过一个坑用盘中实时价格判断突破结果K线盘中突破了上轨程序立刻以当前价开仓但收盘时价格又跌回来了。实盘中这种操作很容易被反复打脸。所以我的建议是日线级别策略统一以收盘价确认信号。要么在收盘前几分钟观察是否突破要么干脆用次日开盘价作为成交价。对于唐奇安通道这种以日线为周期的慢策略多等一根K线确认不会损失多少利润但能过滤掉大量盘中假突破。有人会问用更小级别的K线行不行比如15分钟线。当然可以但通道周期和K线级别需要重新匹配。15分钟级别的20周期通道对应的是大约一天半的突破周期信号频率会高很多交易成本和假突破损耗也会成倍增加。我个人做商品期货日线趋势用日线数据就够了没必要人为增加交易频率。3. 离场、止损与过滤器收益曲线的另一半由这里决定3.1 海龟式的10日反向离场很多新手第一次写策略把所有精力放在入场信号上离场只写一句固定止损 固定止盈结果回测出来的曲线惨不忍睹还以为是入场信号有问题。实际上对于趋势跟踪策略离场规则对收益曲线的影响一点不亚于入场规则。海龟交易法则里有一条非常经典的离场规则多单入场后如果价格跌破过去10日的最低价就平仓离场。这就是所谓的反向通道离场——用更短周期的唐奇安通道下轨作为离场信号。这样做的好处是趋势走得好时10日下轨会跟着价格上涨不断抬升利润空间越拉越大而一旦趋势逆转价格跌破10日下轨说明短期多头结构已经被破坏果断离场保住剩余利润。代码实现也很直接def gen_exit_signals(df: pd.DataFrame, entry_n: int 20, exit_n: int 10) - pd.DataFrame: 在入场信号基础上叠加反向通道离场信号 df calc_donchian(df, exit_n) df[exit_lower] df[lower].shift(1) # 同样避免未来函数 df[exit_upper] df[upper].shift(1) # 默认没有离场动作 df[exit_signal] 0 # 做多持仓中收盘价跌破10日下轨触发平多离场 df.loc[df[close] df[exit_lower], exit_signal] 1 # 做空持仓中收盘价突破10日上轨触发平空离场 df.loc[df[close] df[exit_upper], exit_signal] -1 return df这里的exit_signal是1代表平掉多单-1代表平掉空单。实际跑回测时还需要结合当前持仓状态判断只有持有对应方向仓位时才执行平仓不能直接当成反向开仓信号来用。3.2 ATR动态止损给波动率留出呼吸空间反向通道离场属于跟随趋势的离场方式除此之外我还会加一道ATR动态止损作为保护。尤其在入场初期趋势还没展开价格波动可能很剧烈这时候如果直接用固定点数止损很容易被正常波动扫出去。ATRAverage True Range平均真实波幅衡量的是过去一段时间内K线的平均波动幅度。用ATR做止损距离本质上是根据品种当前的波动水平决定给持仓留多少回撤空间。波动大的时候止损放远一点波动小的时候止损收紧一点。止损距离我习惯用2倍ATR到3倍ATR。举个例子螺纹钢日线ATR如果是30个点2倍ATR就是60个点意味着多单入场后价格从入场价往下跌60个点就止损离场。ATR的计算方式要复习一下真实波幅TR的定义def calc_atr(df: pd.DataFrame, n: int 14) - pd.DataFrame: 计算平均真实波幅ATR df df.copy() prev_close df[close].shift(1) tr np.maximum( df[high] - df[low], np.maximum( np.abs(df[high] - prev_close), np.abs(df[low] - prev_close) ) ) df[atr] tr.rolling(n).mean() return dfTR取三个值里的最大值当前K线振幅、当前最高价与昨收的差距、当前最低价与昨收的差距。这样能覆盖跳空缺口带来的波动比单纯用最高减最低更准确地反映当天的真实波动范围。3.3 ADX与长期通道过滤减少假突破唐奇安通道突破策略最怕什么最怕震荡行情。价格在一个箱体里反复上下突破策略会被来回打脸手续费和滑点吃掉一大块本金。为了过滤掉这些无效突破业内常用的做法是加趋势过滤器。比较经典的有两种思路。第一种是ADX过滤。ADXAverage Directional Index平均方向性指数衡量趋势强度数值越高说明趋势越强。常见做法是ADX大于20或25才允许开仓ADX低于阈值说明市场方向不明此时即使出现通道突破也放弃交易。第二种是长期通道方向过滤。用更长周期的唐奇安通道比如55日判断当前大方向只顺着大方向开仓价格在55日上轨之上只做多不做空价格在55日下轨之下只做空不做多。这个思路来自海龟法则里的长期系统与短期系统配合逻辑本质上是大小级别共振过滤掉那些与大趋势相悖的假突破。用代码实现第二种过滤很直接def apply_trend_filter(df: pd.DataFrame, long_n: int 55) - pd.DataFrame: 用长期唐奇安通道方向过滤开仓信号 df calc_donchian(df, long_n) df[long_upper] df[upper].shift(1) df[long_lower] df[lower].shift(1) # 价格在上轨之上只保留多头信号 # 价格在下轨之下只保留空头信号 # 价格在通道内不开仓 df[filtered_signal] df[signal] df.loc[df[close] df[long_upper], filtered_signal] 0 df.loc[df[close] df[long_lower], filtered_signal] 0 return df这段代码的意思是只有当价格运行在55日通道上轨之上时才允许执行多头突破信号当价格运行在55日通道下轨之下时才允许执行空头突破信号价格在55日通道内部时属于方向不明区域所有信号一律不执行。加了过滤器之后交易次数会明显减少但胜率和单笔盈利质量通常会提升。这需要你在交易频率和信号质量之间找到平衡。4. 波动率定位仓位回答每次到底买多少4.1 为什么不能固定手数很多刚入门的朋友做回测时喜欢固定每次开1手或者固定开10手图省事。但实盘里这样做隐患很大因为不同品种的波动水平完全不同同一个品种在不同时期的波动水平也完全不同。举个例子螺纹钢一手合约乘数是10吨/手价格波动1个点对应10元沪镍一手是1吨/手价格波动1个点对应1元。同样是固定开5手螺纹钢一天波动50个点对应2500元盈亏沪镍一天波动5000个点对应25000元盈亏风险敞口差了10倍。更麻烦的是如果赶上行情剧烈放大的时期固定手数等于把账户暴露在失控的风险中。所以我一直坚持仓位要和波动率挂钩。行情波动大的时候少开一点波动小的时候多开一点让每一笔交易承担的风险大致相当。4.2 海龟N值仓位法的推导逻辑海龟交易法则里用N值作为波动率标准化的单位N其实就是ATR。具体的仓位计算公式是单位数 1%账户权益 / (N × 合约乘数)这个公式推导一下逻辑就非常清楚了1%账户权益是你愿意为单笔交易承担的最大风险金额N × 合约乘数是价格反向波动一个N值时一手合约对应的亏损金额两者相除得到的就是如果价格反向波动1个N值正好亏掉账户1%的手数举个例子假设账户100万元螺纹钢当前ATR40点合约乘数10吨/手。1%风险金额是10000元一手合约波动一个ATR对应的金额是40 × 10 400元那么手数就是10000 / 400 25手。这25手如果止损距离恰好是1倍ATR止损触发时亏掉的就是10000元正好是账户的1%。4.3 Python实现与期货手数计算代码实现很简单def calc_position_size( account_equity: float, atr_points: float, multiplier: float, risk_pct: float 0.01 ) - int: 根据ATR波动率计算期货开仓手数 account_equity: 账户当前权益单位元 atr_points: 品种当前ATR值单位点 multiplier: 合约乘数即每点对应的元数 risk_pct: 单笔风险占账户比例默认1% risk_amount account_equity * risk_pct risk_per_lot atr_points * multiplier lots int(risk_amount / risk_per_lot) return max(lots, 0)注意这里算出来的是理论风险约束下的最大手数实盘中还要再考虑保证金占用和持仓上限。有些品种一手保证金可能好几万如果理论手数算出来20手但保证金已经占用了账户的一半这时候我会主动砍半执行。海龟法则里对单一市场、强相关市场也有持仓上限约束核心目的就是避免过度集中。提示我个人的习惯是单笔风险不超过1%单品种最多占用总保证金的20%。这样即便连续遭遇10次止损账户回撤也在可接受范围内心态不会崩策略才执行得下去。5. 回测的数字会骗人参数敏感性与过拟合排查5.1 回测循环怎么搭才真实信号引擎和仓位逻辑都有了接下来要做的就是把它们揉进一个能跑的回测循环里。我习惯按K线逐根遍历维护持仓状态、入场价格、止损价格这些变量。核心逻辑骨架大概是这样的def run_backtest(df, initial_cash1_000_000, multiplier10, commission_rate0.0001, slippage1): cash initial_cash position 0 # 正数代表多单手数负数代表空单手数 entry_price 0.0 # 入场价格 stop_price 0.0 # 当前止损价格 equity_curve [] for i in range(len(df)): row df.iloc[i] # 持仓中先检查是否触发止损 if position ! 0: if position 0 and row[low] stop_price: fill_price stop_price - slippage cash position * fill_price * multiplier * (1 - commission_rate) position 0 elif position 0 and row[high] stop_price: fill_price stop_price slippage cash position * fill_price * multiplier * (1 - commission_rate) position 0 # 无持仓时检查开仓信号 if position 0 and row[filtered_signal] ! 0: lots calc_position_size(cash, row[atr], multiplier) if lots 0: position lots if row[filtered_signal] 0 else -lots entry_price row[close] slippage if position 0 else row[close] - slippage stop_price entry_price - 2 * row[atr] if position 0 else entry_price 2 * row[atr] # 记录权益 if position 0: equity cash else: market_value position * row[close] * multiplier equity cash market_value equity_curve.append(equity) return equity_curve这个循环做了三件关键的事先处理止损离场再判断开仓最后按收盘价计算账户权益。顺序不能乱如果某根K线同时满足止损和反向开仓条件必须先按止损处理不能跳过止损直接反向开仓。滑点和手续费的处理是新手最常忽略的。期货交易有双边手续费还有冲击成本我用commission_rate0.0001万分之一估算手续费用slippage11个最小变动价位估算滑点。实盘里滑点往往比1个tick更大尤其突破信号触发时市场上同方向的单子很多成交价大概率不理想。5.2 参数敏感性如何判断20日是不是唯一神唐奇安通道最常见的参数组合是20日入场、10日离场。但很多新手跑了回测发现20日表现特别好就以为找到了神奇参数实盘一跑就拉胯。这大概率是过拟合了。怎么判断是不是过拟合我的办法是跑一组参数敏感性测试。把入场参数从10改到50每次间隔5个交易日分别跑回测然后对比收益、回撤、交易次数。如果参数在20附近表现突出但两边急剧恶化这是典型的过拟合陷阱如果10到40之间表现接近20日只是略好一点说明策略对参数不敏感逻辑本身是稳定的。示意性的结果形态如下入场参数N总收益率最大回撤交易次数盈亏比10高高很多低15中高中多中20高较低适中较高25中高中适中中30中中高少中50低高很少低这是我拿某品种历史数据测出来的真实形态不同品种会有些出入但规律基本相同参数太短交易频繁假突破多手续费吃掉利润参数太长信号滞后大行情启动后入场太晚利润空间被压缩。中间段15到30往往是一个参数高原表现差异不大。做参数选择的时候我倾向于选高原中央的参数而不是回测收益最高的那个点。收益最高意味着最极端实盘环境稍微变化这个优势就会消失。5.3 识别过拟合的三种笨办法市面上有各种复杂的过拟合检测方法但对我来说有三套笨办法足够应付大部分场景样本切分验证把数据分成前70%和后30%两段前段用来调参数后段用来做样本外验证。如果样本外表现和样本内差距很大说明参数选型过头了。参数高原检测绘制参数-收益曲线观察是否存在连续的高收益区间而不是孤立尖峰。孤立尖峰基本就是噪声拟合。规律性检验回测中表现好的品种或年份是否具备共同的行情特征比如是否只在某一年的大牛市中赚钱如果是说明策略吃的是特定行情而不是普适逻辑。我一直对回测曲线保持警惕能用最简单的规则赚到的钱才是可靠的钱。策略越复杂需要拟合的未知量越多越容易在样本内自嗨。6. 实盘暗坑从换月、滑点到连续止损的心态6.1 主力连续合约与真实交易账单的差异研究阶段用主力连续合约做回测没问题但实盘落地时要注意一个关键差异主力连续合约是拼接出来的合成价格不是真实可交易的合约价格。国内商品期货每个品种都有多个到期月份合约同时挂牌交易。主力合约是当前成交量最大的那个它会随着时间推移切换。比如螺纹钢可能2月份主力是05合约到4月份主力切换成10合约。拼接主连数据时两个合约之间存在价差这个价差会反映在虚假的收益或亏损中。更麻烦的是如果策略持仓跨越了换月节点实盘中需要手动或通过程序自动移仓。移仓涉及平旧仓、开新仓会产生手续费和滑点而且新旧合约价差可能导致持仓成本和回测里的成本不一致。我的处理方式是回测数据里主动剔除换月当日的异常跳变或者干脆用加权合约数据辅助验证实盘程序里设置换月规则比如在新主力合约成交量连续N天超过旧主力后自动切换。6.2 跳空、止损滑点和极端行情的现实回测里设置的止损价实盘中不一定能成交在那个价。越是极端的行情越容易出现跳空和流动性枯竭。举个例子2022年某些商品品种出现过连续跌停板。跌停状态下卖单堆积如山买单寥寥无几持仓的多单即使触发了止损也可能连续几天都无法成交每天都多亏一个跌停板。这是通道突破策略在期货市场最危险的场景之一因为止损在市场剧烈反向时往往会进一步恶化。针对这种情况我能给的建议有限但很实在单笔风险比例控制在1%以内即便止损滑点比预期大一倍也不会伤筋动骨关注品种的涨跌停制度避开历史上经常连续停板的品种在极端波动时期比如宏观数据公布、政策突发降低仓位或者暂停程序交易6.3 连续止损时如何扛住最后聊一个所有趋势跟踪策略都会遇到的现实问题连续止损。唐奇安通道突破策略在震荡行情里一个月连亏七八次甚至连续亏损两三个月都是正常现象。很多量化新手不是策略不行而是心态先崩了在行情来临之前手动砍掉了策略。我给自己定的规矩是策略上线前先明确三个数字——最大连续止损次数、最大回撤比例、策略失效判定标准。只要实际运行没突破这三个数字就不做任何干预。如果突破了先暂停再排查而不是边跑边改。以我个人实际操作的体会来说做趋势跟踪最难的部分从来不是写代码而是在连续亏损时依然无条件地执行规则。唐奇安通道突破这套体系逻辑足够简单参数足够稳健剩下的考验基本都在纪律层面。把仓位管理做好把止损规则写死把心态放平这套策略就能在期货市场里长期存活下去。
唐奇安通道突破策略：基于Python的期货CTA实战与回测全解析
前阵子有朋友在交流群里问我已经按系列第一篇把期货行情数据、主连拼接和回测框架跑通了接下来该拿什么策略练手我给的回答始终是同一个——唐奇安通道突破。原因很简单这是趋势跟踪体系里最经典、逻辑最直白、经历过几十年实盘检验的入场信号。从Richard Donchian在1970年代提出通道理论到1983年海龟交易实验用这套规则赚走上亿美元它穿越了无数轮牛熊至今仍是许多CTA私募的底仓策略。这篇是《期货量化交易系统构建》系列的第二篇前一篇已经铺完数据层和回测框架这篇直接进入策略实战。我会把一个基于唐奇安通道突破的期货策略从通道计算、信号生成、止损离场、仓位管理到回测陷阱、实盘衔接整条链路完整串一遍。代码用Python实现核心依赖Pandas和NumPy适合有Python基础、正在研究期货CTA策略的朋友直接参考。1. 唐奇安通道为什么能穿越几十年趋势跟踪的底层逻辑1.1 通道的定义与海龟实验的背景唐奇安通道Donchian Channel本身并不复杂取过去N根K线的最高价和最低价分别作为通道上轨和下轨。价格突破上轨视为多头信号跌破下轨视为空头信号。就这么几行公式构成了趋势跟踪流派中最经典的入场逻辑之一。这套逻辑真正被大众熟知靠的是Richard Dennis那场著名的海龟实验。1983年Dennis招募了一批几乎没有任何交易经验的新手花了两周时间把一套完整的交易规则教给他们然后给他们真实资金去交易。结果这批海龟在随后几年里创造了年均复利超过80%的回报。这套规则的核心入场信号正是唐奇安通道的20日突破。有意思的是Dennis后来坦言他把规则完全公开之后海龟交易法则本身并没有失效。这听起来反直觉但在趋势跟踪领域确实是事实策略的护城河不在于别人知道不知道而在于别人能不能在连续亏损时还能坚持执行。知道规则和能执行规则是两件完全不同的事情。1.2 趋势跟踪赚的是少数大行情的钱理解唐奇安通道之前先要理解趋势跟踪到底在赚什么钱。我见过很多刚接触量化的朋友拿着回测报告问我这个策略胜率只有35%为什么还能赚钱答案隐藏在盈亏比的分布里。趋势跟踪策略的典型特征是大部分交易是小额亏损少数几笔交易贡献绝大部分利润。换句话说趋势跟踪的盈利逻辑不是预测准确而是截断亏损让利润奔跑。市场大约70%的时间处于震荡状态只有30%的时间会走出明显的趋势。策略要做的是在震荡中用小亏活着在趋势来临时重仓吃到肉。用捕鱼的类比来说你不可能每一网都有鱼但你确保每一网的成本足够低一旦遇到鱼群这一网就能把前面所有空网的损失都捞回来。1.3 期货市场为什么是趋势跟踪的主战场唐奇安通道这类趋势策略在股票市场也能用但在期货市场里适配度更高。原因有几个期货天然带杠杆趋势来临时收益被放大这正好匹配趋势策略低胜率、高盈亏比的收益结构期货支持双向交易下跌趋势中依然可以做空策略覆盖面从只做多扩展到多空通吃商品期货受供需周期、宏观政策驱动经常走出持续数月甚至数年的中长期趋势给通道突破提供了充足的行情土壤所以如果你准备做国内商品期货的CTA策略唐奇安通道突破几乎是最值得先落地的一个起点。2. 信号引擎用Python干净地算通道、出突破信号2.1 数据准备与通道计算信号引擎这一步核心输入是OHLC开盘价、最高价、最低价、收盘价数据。我习惯用主力连续合约日线数据做研究先把K线数据读成DataFrame列名保持open、high、low、close、volume的小写格式后面所有计算都基于这套标准结构。通道计算用Pandas的rolling方法一行就能完成import pandas as pd import numpy as np def calc_donchian(df: pd.DataFrame, n: int 20) - pd.DataFrame: 计算唐奇安通道 n: 通道周期即取过去n根K线的最高价和最低价 df df.copy() df[upper] df[high].rolling(n).max() df[lower] df[low].rolling(n).min() df[mid] (df[upper] df[lower]) / 2 return dfrolling(n).max()会从当前K线往前数n根取这n根里最高价的最大值。这里有一个细节值得注意Pandas的rolling窗口是包含当前K线的也就是说今天的上轨值里包含了今天的最高价。如果直接用今天的收盘价去和今天的上轨比较会出现一个很隐蔽的问题——这就是下一节要说的未来函数。2.2 信号生成与未来函数规避很多新手写突破策略时会这样写df[signal] 0 df.loc[df[close] df[upper], signal] 1 df.loc[df[close] df[lower], signal] -1表面上没有报错回测曲线也可能很漂亮但这是个典型的未来函数。原因在于这根K线还没走完之前你无法同时知道这根K线的收盘价和这根K线的最高价。收盘价是K线走完才确定的而最高价是这根K线运行过程中可能出现过的极端值。用今天的收盘价和包含了今天最高价的通道上轨做比较等于提前偷看了当天结果。正确的做法是用上一根K线收盘时确认的通道值去判断当前这根K线的突破情况。也就是把通道值整体往后平移一根def gen_breakout_signals(df: pd.DataFrame, n: int 20) - pd.DataFrame: 生成唐奇安通道突破信号 返回的DataFrame中signal为1代表做多、-1代表做空、0代表无操作 df calc_donchian(df, n) # 关键取上一根K线确认的通道值避免未来函数 df[prev_upper] df[upper].shift(1) df[prev_lower] df[lower].shift(1) df[signal] 0 df.loc[df[close] df[prev_upper], signal] 1 df.loc[df[close] df[prev_lower], signal] -1 return df这里用shift(1)把通道值推迟到下一根K线才生效再和当前的close比较。逻辑上是说昨天收盘时确认了一个通道区间今天这根K线如果向上突破了这个区间我就做多。这是实盘中真实可执行的判断顺序。注意shift(1)只解决通道值的未来函数。实盘中你用收盘价判断信号最快也只能在收盘前后下单。更保守的做法是用次日开盘价成交回测这样更贴近实盘滑点表现。2.3 为什么收盘确认这么重要初学阶段我踩过一个坑用盘中实时价格判断突破结果K线盘中突破了上轨程序立刻以当前价开仓但收盘时价格又跌回来了。实盘中这种操作很容易被反复打脸。所以我的建议是日线级别策略统一以收盘价确认信号。要么在收盘前几分钟观察是否突破要么干脆用次日开盘价作为成交价。对于唐奇安通道这种以日线为周期的慢策略多等一根K线确认不会损失多少利润但能过滤掉大量盘中假突破。有人会问用更小级别的K线行不行比如15分钟线。当然可以但通道周期和K线级别需要重新匹配。15分钟级别的20周期通道对应的是大约一天半的突破周期信号频率会高很多交易成本和假突破损耗也会成倍增加。我个人做商品期货日线趋势用日线数据就够了没必要人为增加交易频率。3. 离场、止损与过滤器收益曲线的另一半由这里决定3.1 海龟式的10日反向离场很多新手第一次写策略把所有精力放在入场信号上离场只写一句固定止损 固定止盈结果回测出来的曲线惨不忍睹还以为是入场信号有问题。实际上对于趋势跟踪策略离场规则对收益曲线的影响一点不亚于入场规则。海龟交易法则里有一条非常经典的离场规则多单入场后如果价格跌破过去10日的最低价就平仓离场。这就是所谓的反向通道离场——用更短周期的唐奇安通道下轨作为离场信号。这样做的好处是趋势走得好时10日下轨会跟着价格上涨不断抬升利润空间越拉越大而一旦趋势逆转价格跌破10日下轨说明短期多头结构已经被破坏果断离场保住剩余利润。代码实现也很直接def gen_exit_signals(df: pd.DataFrame, entry_n: int 20, exit_n: int 10) - pd.DataFrame: 在入场信号基础上叠加反向通道离场信号 df calc_donchian(df, exit_n) df[exit_lower] df[lower].shift(1) # 同样避免未来函数 df[exit_upper] df[upper].shift(1) # 默认没有离场动作 df[exit_signal] 0 # 做多持仓中收盘价跌破10日下轨触发平多离场 df.loc[df[close] df[exit_lower], exit_signal] 1 # 做空持仓中收盘价突破10日上轨触发平空离场 df.loc[df[close] df[exit_upper], exit_signal] -1 return df这里的exit_signal是1代表平掉多单-1代表平掉空单。实际跑回测时还需要结合当前持仓状态判断只有持有对应方向仓位时才执行平仓不能直接当成反向开仓信号来用。3.2 ATR动态止损给波动率留出呼吸空间反向通道离场属于跟随趋势的离场方式除此之外我还会加一道ATR动态止损作为保护。尤其在入场初期趋势还没展开价格波动可能很剧烈这时候如果直接用固定点数止损很容易被正常波动扫出去。ATRAverage True Range平均真实波幅衡量的是过去一段时间内K线的平均波动幅度。用ATR做止损距离本质上是根据品种当前的波动水平决定给持仓留多少回撤空间。波动大的时候止损放远一点波动小的时候止损收紧一点。止损距离我习惯用2倍ATR到3倍ATR。举个例子螺纹钢日线ATR如果是30个点2倍ATR就是60个点意味着多单入场后价格从入场价往下跌60个点就止损离场。ATR的计算方式要复习一下真实波幅TR的定义def calc_atr(df: pd.DataFrame, n: int 14) - pd.DataFrame: 计算平均真实波幅ATR df df.copy() prev_close df[close].shift(1) tr np.maximum( df[high] - df[low], np.maximum( np.abs(df[high] - prev_close), np.abs(df[low] - prev_close) ) ) df[atr] tr.rolling(n).mean() return dfTR取三个值里的最大值当前K线振幅、当前最高价与昨收的差距、当前最低价与昨收的差距。这样能覆盖跳空缺口带来的波动比单纯用最高减最低更准确地反映当天的真实波动范围。3.3 ADX与长期通道过滤减少假突破唐奇安通道突破策略最怕什么最怕震荡行情。价格在一个箱体里反复上下突破策略会被来回打脸手续费和滑点吃掉一大块本金。为了过滤掉这些无效突破业内常用的做法是加趋势过滤器。比较经典的有两种思路。第一种是ADX过滤。ADXAverage Directional Index平均方向性指数衡量趋势强度数值越高说明趋势越强。常见做法是ADX大于20或25才允许开仓ADX低于阈值说明市场方向不明此时即使出现通道突破也放弃交易。第二种是长期通道方向过滤。用更长周期的唐奇安通道比如55日判断当前大方向只顺着大方向开仓价格在55日上轨之上只做多不做空价格在55日下轨之下只做空不做多。这个思路来自海龟法则里的长期系统与短期系统配合逻辑本质上是大小级别共振过滤掉那些与大趋势相悖的假突破。用代码实现第二种过滤很直接def apply_trend_filter(df: pd.DataFrame, long_n: int 55) - pd.DataFrame: 用长期唐奇安通道方向过滤开仓信号 df calc_donchian(df, long_n) df[long_upper] df[upper].shift(1) df[long_lower] df[lower].shift(1) # 价格在上轨之上只保留多头信号 # 价格在下轨之下只保留空头信号 # 价格在通道内不开仓 df[filtered_signal] df[signal] df.loc[df[close] df[long_upper], filtered_signal] 0 df.loc[df[close] df[long_lower], filtered_signal] 0 return df这段代码的意思是只有当价格运行在55日通道上轨之上时才允许执行多头突破信号当价格运行在55日通道下轨之下时才允许执行空头突破信号价格在55日通道内部时属于方向不明区域所有信号一律不执行。加了过滤器之后交易次数会明显减少但胜率和单笔盈利质量通常会提升。这需要你在交易频率和信号质量之间找到平衡。4. 波动率定位仓位回答每次到底买多少4.1 为什么不能固定手数很多刚入门的朋友做回测时喜欢固定每次开1手或者固定开10手图省事。但实盘里这样做隐患很大因为不同品种的波动水平完全不同同一个品种在不同时期的波动水平也完全不同。举个例子螺纹钢一手合约乘数是10吨/手价格波动1个点对应10元沪镍一手是1吨/手价格波动1个点对应1元。同样是固定开5手螺纹钢一天波动50个点对应2500元盈亏沪镍一天波动5000个点对应25000元盈亏风险敞口差了10倍。更麻烦的是如果赶上行情剧烈放大的时期固定手数等于把账户暴露在失控的风险中。所以我一直坚持仓位要和波动率挂钩。行情波动大的时候少开一点波动小的时候多开一点让每一笔交易承担的风险大致相当。4.2 海龟N值仓位法的推导逻辑海龟交易法则里用N值作为波动率标准化的单位N其实就是ATR。具体的仓位计算公式是单位数 1%账户权益 / (N × 合约乘数)这个公式推导一下逻辑就非常清楚了1%账户权益是你愿意为单笔交易承担的最大风险金额N × 合约乘数是价格反向波动一个N值时一手合约对应的亏损金额两者相除得到的就是如果价格反向波动1个N值正好亏掉账户1%的手数举个例子假设账户100万元螺纹钢当前ATR40点合约乘数10吨/手。1%风险金额是10000元一手合约波动一个ATR对应的金额是40 × 10 400元那么手数就是10000 / 400 25手。这25手如果止损距离恰好是1倍ATR止损触发时亏掉的就是10000元正好是账户的1%。4.3 Python实现与期货手数计算代码实现很简单def calc_position_size( account_equity: float, atr_points: float, multiplier: float, risk_pct: float 0.01 ) - int: 根据ATR波动率计算期货开仓手数 account_equity: 账户当前权益单位元 atr_points: 品种当前ATR值单位点 multiplier: 合约乘数即每点对应的元数 risk_pct: 单笔风险占账户比例默认1% risk_amount account_equity * risk_pct risk_per_lot atr_points * multiplier lots int(risk_amount / risk_per_lot) return max(lots, 0)注意这里算出来的是理论风险约束下的最大手数实盘中还要再考虑保证金占用和持仓上限。有些品种一手保证金可能好几万如果理论手数算出来20手但保证金已经占用了账户的一半这时候我会主动砍半执行。海龟法则里对单一市场、强相关市场也有持仓上限约束核心目的就是避免过度集中。提示我个人的习惯是单笔风险不超过1%单品种最多占用总保证金的20%。这样即便连续遭遇10次止损账户回撤也在可接受范围内心态不会崩策略才执行得下去。5. 回测的数字会骗人参数敏感性与过拟合排查5.1 回测循环怎么搭才真实信号引擎和仓位逻辑都有了接下来要做的就是把它们揉进一个能跑的回测循环里。我习惯按K线逐根遍历维护持仓状态、入场价格、止损价格这些变量。核心逻辑骨架大概是这样的def run_backtest(df, initial_cash1_000_000, multiplier10, commission_rate0.0001, slippage1): cash initial_cash position 0 # 正数代表多单手数负数代表空单手数 entry_price 0.0 # 入场价格 stop_price 0.0 # 当前止损价格 equity_curve [] for i in range(len(df)): row df.iloc[i] # 持仓中先检查是否触发止损 if position ! 0: if position 0 and row[low] stop_price: fill_price stop_price - slippage cash position * fill_price * multiplier * (1 - commission_rate) position 0 elif position 0 and row[high] stop_price: fill_price stop_price slippage cash position * fill_price * multiplier * (1 - commission_rate) position 0 # 无持仓时检查开仓信号 if position 0 and row[filtered_signal] ! 0: lots calc_position_size(cash, row[atr], multiplier) if lots 0: position lots if row[filtered_signal] 0 else -lots entry_price row[close] slippage if position 0 else row[close] - slippage stop_price entry_price - 2 * row[atr] if position 0 else entry_price 2 * row[atr] # 记录权益 if position 0: equity cash else: market_value position * row[close] * multiplier equity cash market_value equity_curve.append(equity) return equity_curve这个循环做了三件关键的事先处理止损离场再判断开仓最后按收盘价计算账户权益。顺序不能乱如果某根K线同时满足止损和反向开仓条件必须先按止损处理不能跳过止损直接反向开仓。滑点和手续费的处理是新手最常忽略的。期货交易有双边手续费还有冲击成本我用commission_rate0.0001万分之一估算手续费用slippage11个最小变动价位估算滑点。实盘里滑点往往比1个tick更大尤其突破信号触发时市场上同方向的单子很多成交价大概率不理想。5.2 参数敏感性如何判断20日是不是唯一神唐奇安通道最常见的参数组合是20日入场、10日离场。但很多新手跑了回测发现20日表现特别好就以为找到了神奇参数实盘一跑就拉胯。这大概率是过拟合了。怎么判断是不是过拟合我的办法是跑一组参数敏感性测试。把入场参数从10改到50每次间隔5个交易日分别跑回测然后对比收益、回撤、交易次数。如果参数在20附近表现突出但两边急剧恶化这是典型的过拟合陷阱如果10到40之间表现接近20日只是略好一点说明策略对参数不敏感逻辑本身是稳定的。示意性的结果形态如下入场参数N总收益率最大回撤交易次数盈亏比10高高很多低15中高中多中20高较低适中较高25中高中适中中30中中高少中50低高很少低这是我拿某品种历史数据测出来的真实形态不同品种会有些出入但规律基本相同参数太短交易频繁假突破多手续费吃掉利润参数太长信号滞后大行情启动后入场太晚利润空间被压缩。中间段15到30往往是一个参数高原表现差异不大。做参数选择的时候我倾向于选高原中央的参数而不是回测收益最高的那个点。收益最高意味着最极端实盘环境稍微变化这个优势就会消失。5.3 识别过拟合的三种笨办法市面上有各种复杂的过拟合检测方法但对我来说有三套笨办法足够应付大部分场景样本切分验证把数据分成前70%和后30%两段前段用来调参数后段用来做样本外验证。如果样本外表现和样本内差距很大说明参数选型过头了。参数高原检测绘制参数-收益曲线观察是否存在连续的高收益区间而不是孤立尖峰。孤立尖峰基本就是噪声拟合。规律性检验回测中表现好的品种或年份是否具备共同的行情特征比如是否只在某一年的大牛市中赚钱如果是说明策略吃的是特定行情而不是普适逻辑。我一直对回测曲线保持警惕能用最简单的规则赚到的钱才是可靠的钱。策略越复杂需要拟合的未知量越多越容易在样本内自嗨。6. 实盘暗坑从换月、滑点到连续止损的心态6.1 主力连续合约与真实交易账单的差异研究阶段用主力连续合约做回测没问题但实盘落地时要注意一个关键差异主力连续合约是拼接出来的合成价格不是真实可交易的合约价格。国内商品期货每个品种都有多个到期月份合约同时挂牌交易。主力合约是当前成交量最大的那个它会随着时间推移切换。比如螺纹钢可能2月份主力是05合约到4月份主力切换成10合约。拼接主连数据时两个合约之间存在价差这个价差会反映在虚假的收益或亏损中。更麻烦的是如果策略持仓跨越了换月节点实盘中需要手动或通过程序自动移仓。移仓涉及平旧仓、开新仓会产生手续费和滑点而且新旧合约价差可能导致持仓成本和回测里的成本不一致。我的处理方式是回测数据里主动剔除换月当日的异常跳变或者干脆用加权合约数据辅助验证实盘程序里设置换月规则比如在新主力合约成交量连续N天超过旧主力后自动切换。6.2 跳空、止损滑点和极端行情的现实回测里设置的止损价实盘中不一定能成交在那个价。越是极端的行情越容易出现跳空和流动性枯竭。举个例子2022年某些商品品种出现过连续跌停板。跌停状态下卖单堆积如山买单寥寥无几持仓的多单即使触发了止损也可能连续几天都无法成交每天都多亏一个跌停板。这是通道突破策略在期货市场最危险的场景之一因为止损在市场剧烈反向时往往会进一步恶化。针对这种情况我能给的建议有限但很实在单笔风险比例控制在1%以内即便止损滑点比预期大一倍也不会伤筋动骨关注品种的涨跌停制度避开历史上经常连续停板的品种在极端波动时期比如宏观数据公布、政策突发降低仓位或者暂停程序交易6.3 连续止损时如何扛住最后聊一个所有趋势跟踪策略都会遇到的现实问题连续止损。唐奇安通道突破策略在震荡行情里一个月连亏七八次甚至连续亏损两三个月都是正常现象。很多量化新手不是策略不行而是心态先崩了在行情来临之前手动砍掉了策略。我给自己定的规矩是策略上线前先明确三个数字——最大连续止损次数、最大回撤比例、策略失效判定标准。只要实际运行没突破这三个数字就不做任何干预。如果突破了先暂停再排查而不是边跑边改。以我个人实际操作的体会来说做趋势跟踪最难的部分从来不是写代码而是在连续亏损时依然无条件地执行规则。唐奇安通道突破这套体系逻辑足够简单参数足够稳健剩下的考验基本都在纪律层面。把仓位管理做好把止损规则写死把心态放平这套策略就能在期货市场里长期存活下去。
