企业官网建设流程全解析

上周有人丢给我一句话：策略里要 BOLL 和 RSI，别的指标不要，帮我把条件写进去。等我拿到他所谓"写好的条件"，发现就是一句收盘价突破上轨 且 RSI 大于 70 就做多。回测曲线漂亮得像画出来的，实盘跑了不到一个月，把前面三个月的利润全交回去了。问题不在于 BOLL 和 RSI 这两个指标不好用，而在于很多人把它们当成了两个可以随手拼在一起的开关，却从来没想过这两个东西测量的根本不是同一件事。

这篇东西就是围绕"期货量化里怎么把 BOLL 和 RSI 用成一个能落地的策略"来写的。我会把布林带的统计含义、RSI 的平滑口径、两个指标怎么分工、参数怎么定、手数怎么算、代码骨架怎么搭、回测里哪些地方最容易自欺欺人，一条一条摊开讲。适合的人群很明确：手上有点 Python 基础，开过期货账户，脑子里有个模糊的想法，但真到写代码那一步就卡住的人。看完你至少能自己写出一版跑得通、看得懂、知道它为什么亏的版本，而不是从别处抄一段信号逻辑然后祈祷它有效。

1. BOLL 和 RSI 不是两个条件，是两种完全不同的测量

很多人把指标组合理解成"多一道保险"：突破上轨是一个条件，RSI 超买是另一个条件，两个都满足就更可靠。这个思路在逻辑上就错了，因为这两个指标压根不是在验证同一件事，它们之间不存在"互相印证"的关系，只有"互相补充"的关系。搞不清这一点，后面所有的参数调优都是在给一个错误的框架抛光。

1.1 布林带量的是"价格相对自己的位置"，不是"贵还是便宜"

布林带的三条线是这么来的：中轨是 N 周期收盘价的简单移动平均，上下轨是中轨加减 k 倍标准差。常用的 N 是 20，k 是 2。写成公式就是中轨等于最近 20 根收盘价的算术平均，标准差按sqrt(Σ(Ci - MA)² / N)算，上轨等于中轨加两倍标准差，下轨等于中轨减两倍标准差。

关键在于，标准差是跟着波动率自己伸缩的。行情剧烈的时候带宽自动张开，行情清淡的时候自动收窄。所以价格碰到上轨，只能说明"当前价格比最近 20 根的平均水平高出了两个标准差"，这是一个纯粹的相对位置描述，它既不告诉你后面会跌，也不告诉你趋势有多强。我见过太多人把"碰到上轨"直接翻译成"超买"，这是把统计学描述当成了交易结论。

还有一个更隐蔽的坑：布林带的推导隐含了"收益率近似正态分布"的假设。期货的日内收益分布是典型的高峰厚尾，极端行情出现的频率远高于正态分布的预测。这意味着带宽在极端行情里永远张开得不够快，你看到价格"贴着上轨走"的时候，往往不是超买，而是波动率正在被行情重新定价。这个认知直接决定了后面策略该选"反转"还是"跟随"。

1.2 RSI 量的是"涨跌动能的占比"，Wilder 平滑这一步千万别换

RSI 的原始定义是把 N 根内的涨幅和跌幅分别做平滑，然后算涨势占总波动的比例，最后映射到 0 到 100 之间。公式主体是RSI = 100 - 100 / (1 + RS)，其中 RS 等于平均涨幅除以平均跌幅。

问题出在"平滑"这两个字上。现在市面上至少流传着三种写法：第一种是直接用简单移动平均，第二种是用指数移动平均，第三种是用 Wilder 原始论文里的递推平滑，也就是avgGain = (avgGain_prev × (N-1) + gain) / N。这三种算法在小参数下算出来的值能差出十几个点，信号出现的时间点能差两三根 K 线。

我个人的做法是固定用 Wilder 递推，原因是它的等效平滑周期和参数 N 是对应的，而且大部分行情软件的默认值也是这个口径。如果你用简单移动平均算 RSI，然后拿它去和自己软件上看到的 RSI 比对，发现数值对不上就开始怀疑数据源，那纯属白折腾。统一口径这件事，比选哪个口径重要得多。

另外提一句首值处理：Wilder 递推需要一个初始值，标准做法是用前 N 根的涨幅、跌幅的简单平均作为种子，从第 N+1 根开始递推。很多实现图省事直接从第一根开始递推，导致前面几十根的 RSI 全是垃圾值，如果你的回测样本比较短，这些垃圾值会污染整个统计结果。

1.3 为什么会有人把两个指标用成互相打架：三种典型错配

我复盘过不少出问题的组合，毛病基本集中在三种模式上。

第一种是方向错配。布林带突破上轨本来描述的是"波动率放大 + 价格向上偏离"，属于趋势跟随的语境；RSI 大于 70 属于均值回归的语境。你把这两个条件用"且"连起来做多，等于要求"行情既要强势突破，又要已经涨到该回调的位置"，这两个诉求本身就是矛盾的，最后能同时满足的样本极少，而且集中在行情末端的衰竭位置，正好是最容易亏的那一段。

第二种是周期错配。用日线的布林带配 6 周期的 RSI，等于拿一个慢变量去过滤一个快变量。6 周期 RSI 在日线上一天能给你翻好几次脸，它根本承担不了"确认"的职责。反过来，用 5 分钟的布林带配 24 周期的 RSI，RSI 会滞后到几乎不反应，等于没加这个条件。

第三种是语义错配。有人在震荡策略里用"价格触及下轨 + RSI 小于 30"做多，听起来很合理，但他没检查中轨的方向。如果中轨正在快速下行，说明 20 根的均价还在往下掉，这时候的"下轨"是移动靶，你接的每一刀都在往下走。加上一句"中轨斜率为正"的条件，同一个策略的胜率能有肉眼可见的差别，这不是玄学，是把语义对齐了。

1.4 组合的三种正确范式

把两个指标真正用对，核心思路是让它们分工：一个管"现在是不是该做"，一个管"做了之后往哪个方向"。我常用的组合范式有三种，适用场景完全不同。

顺势回调是我最常用的一个。逻辑是：中轨向上说明最近 20 根的均价在抬升，大方向偏多；价格回落到下轨附近说明短期出现了偏离；RSI 从 35 以下回升说明抛压正在衰竭。三个条件分别对应"方向""位置""时机"，互不重叠，这才是组合该有的样子。

收口突破则完全反过来，它盯的是带宽。带宽等于上下轨之差除以中轨，这个值在盘整期会压到很低。当带宽处在过去 100 到 200 根的低分位区间，同时价格收盘站上上轨，RSI 高于 55，说明这不是随机波动而是一次有动能的启动。这里 RSI 的作用是过滤——盘整里经常有价格虚破上轨但 RSI 趴在 50 以下的假动作，加这个过滤能砍掉相当一部分无效信号。

区间反转用得最少，因为期货带杠杆，逆势扛单的代价太高。真要用，必须叠加"带宽不能处于扩张状态"这个条件，带宽一扩张就说明行情性质变了，这时候再按区间做就是送钱。

2. 参数不是玄学：周期、口径和品种节律怎么定

参数这个问题上，我见过两种极端。一种是死磕优化，把 N 和 k 用网格搜索扫一遍，挑夏普最高的那组；另一种是彻底不信参数，随便用个 20 和 2 就不管了。这两种都会出问题，前者过拟合，后者根本没考虑品种差异。参数的意义不在于"找到最优",而在于"让指标的响应速度匹配这个品种的波动节律"。

2.1 同一组参数换个品种就失效的原因

同样是 20 周期的布林带，放在一个日内波动 0.5% 的品种上和一个日内波动 2.5% 的品种上，效果天差地别。前者 20 根 K 线可能只覆盖了 1% 的价格区间，带宽窄到一点风吹草动就打穿轨道，信号密度高得离谱；后者 20 根可能跨越 5% 的区间，带宽宽得价格根本碰不到轨道，一个月也出不了几个信号。

真正的决定因素是这个品种完成一次有意义的波段需要多少根 K 线。判断方法很土但有效：把历史价格拉出来，目测统计一下从局部低点到局部高点的平均跨度。如果一个品种的平均波段跨度在 15 到 25 根之间，那 20 周期的布林带是合适的；如果平均跨度在 40 根以上，20 周期就偏快了，信号会在波段中途反复触发，你得往 30 甚至 40 上调。

还有一个更容易被忽略的因素：交易时段结构。有夜盘的品种，一天有多个连续交易时段，中间隔着休市，价格在休市期间的跳空会被算进下一根 K 线的开盘点差里。这种情况下，用纯粹的 K 线根数做周期，实际上是混合了不同长度的"时间块"。我的处理办法是在日线级别用标准周期，在分钟级别上尽量选能整除单个交易时段的周期，避免一根 K 线跨越休市。

2.2 我常用的一套参数起点

下面这套参数不是什么最优解，是我试下来比较"稳"的起点，适合拿来当第一版跑通流程，然后再根据品种微调。

布林带：N = 20，k = 2.0，标准差口径为总体标准差（ddof=0） RSI：N = 14，Wilder 递推平滑 趋势过滤：中轨 5 根斜率 带宽分位：过去 150 根的分位数 RSI 低位阈值：35（做多），高位阈值：65（做空） 突破确认阈值：55（做多），45（做空）

有人会问为什么 RSI 用 14 而不是国内软件常见的 6 或 12。原因在于 14 是 Wilder 原始论文的参数，平滑效果和布林带的 20 周期在时间尺度上比较接近，两者配合起来不会出现严重的快慢错配。6 周期 RSI 太灵敏，日线上基本等于噪音；24 周期又太钝，等它从 30 回升到 40，价格早就跑出去一大截了。当然这不是绝对的，如果你做的是日内分钟级别，6 或 9 的 RSI 反而更合适，因为分钟级别的波段跨度本身就短。

关于 k 值，2.0 是个约定俗成的值，对应正态分布下约 95% 的覆盖区间。调到 2.5 会让轨道变宽，信号变少但质量提高；调到 1.5 会让信号变多，但假信号也成比例增加。我倾向于不要在这上面花太多时间，k 值从 1.8 到 2.2 之间的绩效差异，通常小于手续费和滑点假设变动带来的差异。

2.3 计算口径必须统一：收盘价、标准差 ddof、复权方式

这三件事只要有一样没对齐，你的回测和实盘就对不上，而且这种对不上是隐性的，你看不出报错，只会觉得"实盘怎么跟回测差这么多"。

标准差口径上，ddof=0是除以 N，ddof=1是除以 N-1。N 等于 20 的时候，两者差 2.6% 左右，反映到轨道宽度上是零点几个百分点。单看不大，但它会系统性地让一部分临界信号在你的回测里有、在实盘里没有。我的做法是跟着行情软件走，先在软件上量一下某个位置的轨道值，再拿自己的代码对一遍，差多少一目了然。

复权方式更麻烦。期货主力合约是拼出来的，换月的时候新旧合约有价差，直接拼接会在换月那天造出一根巨大的假 K 线。处理方式有两种：价差复权是在历史价格上加减一个常数，让拼接处连续；比例复权是乘一个系数。这两种复权方式对绝对价格的影响不同，而布林带是基于绝对价格算标准差的，所以复权方式会直接影响轨道位置。我一般用价差复权，因为它对同一品种不同月份合约之间的价差结构保持得比较好，而且在计算 ATR、止损点位的时候，加减法的口径更直观。

最后是收盘价的使用。日内策略如果用当日收盘价算指标，那这个指标在盘中是拿不到的，你只能等收盘才知道信号，也就是只能在下一根开盘或者次日开盘执行。这一点在回测代码里必须严格体现，否则就是未来函数，后面第 5 节会专门讲这个。

2.4 把信号写成可执行的布尔表达式

指标算完之后，下一步是把它翻译成明确的、没有歧义的条件。这一步最忌讳写成"感觉像是回调到位了"这种描述，必须是布尔表达式。

我定义的多头入场条件是这样三条同时成立：

• 方向条件：mid_slope > 0 且 close > mid，也就是中轨在往上走，而且价格在中轨上方；
• 位置条件：low <= lower，本根最低价触及或跌破下轨；
• 时机条件：rsi > 35 且 rsi.shift(1) <= 35，RSI 从 35 以下上穿 35。

注意第二条我用的是"最低价触及"，第三条我用的是"上穿"而不是"小于"。这两个细节都是有讲究的。用最低价触及下轨，是为了捕捉盘中的瞬时偏离，如果要求收盘价也跌破下轨，那大部分回调根本不会触发，信号会少得可怜。用 RSI 上穿而不是小于，是为了避免在下跌还在加速的时候进场——RSI 小于 35 可能持续七八根，你永远不知道哪一根才是底，等它重新站上 35 再进，虽然少赚了一点，但躲掉了最陡的那一段。

空头条件完全对称，这里不重复。需要额外说明的是，多空条件必须互斥，不能在同一个 bar 上同时成立。如果出现这种情况，说明你的参数让上下轨和 RSI 阈值产生了重叠，这种时候我的处理是一律不开仓，等下一根重新判断。宁可错过，不要在逻辑冲突的地方下注。

3. 从信号到持仓：手数、止损、离场这三件事决定生死

信号只是告诉你"什么时候可以考虑动手"，真正决定这套策略能不能活下来的是后面三件事：开多少手、亏多少走、什么时候主动撤。我在实盘里见过的爆仓案例，几乎全是因为这三件事里的某一件没做好，而不是信号本身不准。指标决定你出手的频率，风控决定你能不能撑到指标生效的那一天。

3.1 用 ATR 和保证金双约束算手数

手数的计算我坚持用两个约束同时卡，取两者的小值。

第一个约束是单笔风险。假设账户权益 20 万，单笔最大亏损接受 1%，也就是 2000 元。止损距离用 2 倍 ATR 来定，某个黑色系品种 ATR 是 60 元/吨，合约乘数 10 吨/手，那么每手止损的金额就是 60 × 2 × 10 = 1200 元。用 2000 除以 1200，得到 1.67，向下取整是 1 手。

第二个约束是保证金占用。同样这个品种，价格 4000 元/吨，合约价值 4000 × 10 = 4 万元，保证金率按 10% 算，每手占用 4000 元。如果设定保证金使用率上限 40%，那 20 万 × 40% = 8 万，最多能开 20 手。

两个约束一取小，最终是 1 手。可以看到，在这个例子里真正起作用的约束是风险预算，而不是保证金。很多人算手数只看"能开几手"，结果每次都顶格开，止损一打就是账户的两个点，连亏五次心态就崩了。风险预算是硬约束，保证金只是上限，这个顺序不能反。

写成函数大概是这样：

def size_position(equity, price, atr, cfg): risk_per_lot = cfg["atr_stop"] * atr * cfg["lot"] if risk_per_lot <= 0: return 0 by_risk = int(equity * cfg["risk_pct"] / risk_per_lot) margin_per_lot = price * cfg["lot"] * cfg["margin_rate"] by_margin = int(equity * cfg["max_margin_use"] / margin_per_lot) return max(0, min(by_risk, by_margin))

还有一个细节：ATR 用的是入场那根之前的值，不是入场当根的。用当根的值会有轻微的未来信息，虽然影响很小，但在波动率突变的行情里会造成手数偏差。

3.2 止损放轨道外还是按波动率：两种做法的代价

止损位置的选择，本质上是选"被扫的概率"和"单笔亏损幅度"之间的平衡。

第一种做法是把止损放在轨道外侧，比如做多时放在下轨再往下一点点。好处是逻辑自洽——你是因为触及下轨才进的场，那跌破下轨就说明这个判断错了。坏处是布林带的宽度是变化的，盘整期带宽很窄，止损距离可能只有 0.3%，随便一个毛刺就打掉了；趋势期带宽很宽，止损距离可能到 2%，一笔亏损就吃掉好几笔盈利。

第二种做法是固定波动率止损，比如统一的 2 倍 ATR。好处是每笔风险可控，账户曲线平滑；坏处是它和入场逻辑脱钩，有时候价格还没到位就被扫了。

我现在的做法是两者取宽的那个：入场时同时算出轨道外侧的距离和 2 倍 ATR 的距离，取更大的那个作为止损距离。这样在盘整期用 ATR 兜底，不至于被窄轨道扫掉；在趋势期用轨道兜底，不至于在正常回撤里被赶下车。这个规则听起来有点粗糙，但实测下来比任何一种单一规则都稳，因为它同时照顾到了两种市场状态。

3.3 离场规则：中轨、RSI 回归、时间止损三条腿

出场比入场难写，因为入场只有一个触发点，出场要考虑的情况多得多。我一般同时挂三条规则，谁先满足谁执行。

第一条是回到中轨。顺势回调的多单，目标是价格回到 20 周期均价附近，也就是中轨。这里不是碰到就走，而是要求收盘价站上中轨之后的下一根开盘再走，避免盘中假突破。如果行情强势，价格会直接穿过中轨冲向上轨，这时候不急着走，让利润继续跑，但把止损上移到成本价。

第二条是 RSI 回归中性。如果做多入场时 RSI 是 35 附近，那么当 RSI 冲到 70 以上并且出现回落，就考虑减仓或离场。这条规则的实际作用是防止"行情已经走完了但价格还没回到中轨"这种情况，尤其在波动率收缩的阶段很有用。

第三条是时间止损。如果开仓之后 N 根 K 线内既没到止损也没到目标，一律平掉。N 一般设成布林带周期的 1.5 到 2 倍，也就是 30 到 40 根。这条规则很多人不写，但它是控制回撤的关键——一笔单子横在那里不动，占着保证金，占着风险预算，还让你错过别的机会，机会成本比亏损还高。

三条规则之间会有冲突，比如价格在中轨附近震荡，同时时间也快到了。我的处理优先级是：止损最高，时间止损其次，中轨和 RSI 最后。止损是硬性的，时间止损是纪律性的，另外两个是战术性的，顺序不能乱。

3.4 期货特有的摩擦：乘数、最小变动、手续费、滑点

股票策略里这些摩擦相对小，期货不一样，杠杆放大了所有成本的比例。下面这张表是我在回测里必须逐项填进去的参数，少填一项，回测结果就会偏乐观。

滑点这一项我想多说两句。布林带突破类的策略，入场点往往在价格快速运动的时刻，这时候的成交价和信号价差得最远。回测里如果按信号价成交，等于假设自己每次都能在最好的位置成交，这是最典型的自欺欺人。我的做法是入场滑点给 2 个最小变动价位，止损滑点给 3 个，因为止损触发的时候往往是行情加速的时候，实际成交更差。

手续费看着不起眼，但要看信号频率。如果一个策略平均每天开平各一次，一年 240 个来回，每手手续费按 5 元算，10 手就是 24000 元。账户 20 万的话，光手续费就是 12% 的年度成本，这个数字足以让一个"年化 20%"的策略变成"年化 8%"。

4. 一套能跑起来的 Python 骨架：指标、状态机、撮合

理论讲完，落到代码。下面这套骨架我刻意写得比较朴素，没有引入任何回测框架，原因是框架会隐藏太多细节，你自己写一遍撮合循环，才会真正明白"信号价"和"成交价"之间的差距在哪里。

4.1 数据层与两个指标的实现

数据要求很简单，一个 DataFrame，包含datetime、open、high、low、close、volume六列，按时间升序排列，不能有重复时间戳和缺口。

import numpy as np import pandas as pd def add_indicators(df, n_boll=20, k=2.0, n_rsi=14, ddof=0): df = df.copy() c = df["close"] # 布林带 df["mid"] = c.rolling(n_boll).mean() sd = c.rolling(n_boll).std(ddof=ddof) df["upper"] = df["mid"] + k * sd df["lower"] = df["mid"] - k * sd df["width"] = (df["upper"] - df["lower"]) / df["mid"] df["pctb"] = (c - df["lower"]) / (df["upper"] - df["lower"]) # RSI，Wilder 递推 diff = c.diff() gain = diff.clip(lower=0.0) loss = (-diff).clip(lower=0.0) ag = pd.Series(np.nan, index=df.index, dtype="float64") al = pd.Series(np.nan, index=df.index, dtype="float64") if len(df) > n_rsi: ag.iloc[n_rsi] = gain.iloc[1:n_rsi + 1].mean() al.iloc[n_rsi] = loss.iloc[1:n_rsi + 1].mean() for i in range(n_rsi + 1, len(df)): ag.iloc[i] = (ag.iloc[i - 1] * (n_rsi - 1) + gain.iloc[i]) / n_rsi al.iloc[i] = (al.iloc[i - 1] * (n_rsi - 1) + loss.iloc[i]) / n_rsi rs = ag / al.replace(0.0, np.nan) df["rsi"] = (100 - 100 / (1 + rs)).where(al > 0, 100.0) df.loc[ag.isna() | al.isna(), "rsi"] = np.nan # 辅助量 df["mid_slope"] = df["mid"] - df["mid"].shift(5) tr = pd.concat([ df["high"] - df["low"], (df["high"] - c.shift()).abs(), (df["low"] - c.shift()).abs() ], axis=1).max(axis=1) df["atr"] = tr.rolling(14).mean() df["width_q"] = df["width"].rolling(150).rank(pct=True) return df

这段代码里有几个需要注意的地方。rolling().rank(pct=True)需要 pandas 1.4 以上版本，低版本会报错。RSI 的首值我用的是前 N 根涨幅跌幅的简单平均，从第 N+1 根开始递推，这样前 N 根是 NaN，不会污染信号。where(al > 0, 100.0)处理的是"连续上涨导致平均跌幅为 0"的情况，这时候数学上 RS 趋于无穷，RSI 应该是 100。

4.2 用状态机代替一堆 if：避免重复开仓和信号打架

很多人写信号就是一堆if，结果跑出来发现同一个方向上开了七八次仓，或者多空信号在同一根上打架。正确做法是把持仓状态显式管理起来，用一个状态变量控制所有转移。

def gen_signals(df, rsi_lo=35, rsi_hi=65, brk_lo=55, brk_hi=45, wq=0.30): df = df.copy() df["signal"] = 0 trend_up = (df["mid_slope"] > 0) & (df["close"] > df["mid"]) trend_dn = (df["mid_slope"] < 0) & (df["close"] < df["mid"]) touch_low = (df["low"] <= df["lower"]) & (df["close"] > df["lower"]) touch_high = (df["high"] >= df["upper"]) & (df["close"] < df["upper"]) rsi_up = (df["rsi"] > rsi_lo) & (df["rsi"].shift(1) <= rsi_lo) rsi_dn = (df["rsi"] < rsi_hi) & (df["rsi"].shift(1) >= rsi_hi) # 顺势回调型 df.loc[trend_up & touch_low & rsi_up, "signal"] = 1 df.loc[trend_dn & touch_high & rsi_dn, "signal"] = -1 # 收口突破型 squeeze = df["width_q"] < wq df.loc[squeeze & (df["close"] > df["upper"]) & (df["rsi"] > brk_lo), "signal"] = 1 df.loc[squeeze & (df["close"] < df["lower"]) & (df["rsi"] < brk_hi), "signal"] = -1 # 逻辑冲突直接作废 df.loc[df["signal"] != 0, "signal"] = df["signal"] df["signal"] = df["signal"].astype("int8") return df

状态转移在回测循环里处理：只有当position == 0时才响应开仓信号，只有position != 0时才响应平仓信号。这样一个 bar 上的信号不会重复触发，也不会出现多空同时持仓的荒唐情况。

关于"逻辑冲突作废"那句话，实际实现比上面写的复杂一点：需要先算出多头信号和空头信号两个布尔序列，如果有任何一根上两者同时为真，就把这一根的信号清零。这个检查很便宜，但能帮你发现参数设置上的叠加错误。

4.3 回测撮合：信号在收盘、成交在下一根开盘

这是整个回测里最容易出问题的一环。原则只有一条：决策只能用当根及之前的信息，成交必须发生在之后。具体落实就是：在第 i 根收盘时计算信号，在第 i+1 根开盘时成交。

def run_backtest(df, cfg): cash = cfg["init_cash"] pos, entry, stop = 0, np.nan, np.nan pending = None trades, eq_curve = [], [] for i in range(1, len(df)): bar = df.iloc[i] o, h, l, c = bar["open"], bar["high"], bar["low"], bar["close"] prev = df.iloc[i - 1] # 1) 执行上一根收盘做出的决策，按本根开盘价成交 if pending is not None and not np.isnan(prev["atr"]): action = pending pending = None if action == "close" and pos != 0: px = o - cfg["slip"] * cfg["tick"] * np.sign(pos) cash += (px - entry) * pos * cfg["lot"] cash -= px * cfg["lot"] * cfg["fee_rate"] trades.append((bar["datetime"], "close", px, pos)) pos, entry, stop = 0, np.nan, np.nan elif action in ("long", "short"): lots = size_position(cash, o, prev["atr"], cfg) if lots > 0: side = 1 if action == "long" else -1 px = o + side * cfg["slip"] * cfg["tick"] pos, entry = side * lots, px dist = max(cfg["atr_stop"] * prev["atr"], abs(px - (prev["lower"] if side > 0 else prev["upper"]))) stop = px - side * dist cash -= px * lots * cfg["lot"] * cfg["fee_rate"] trades.append((bar["datetime"], action, px, pos)) # 2) 盘中检查止损，用最不利价成交 if pos != 0: if (pos > 0 and l <= stop) or (pos < 0 and h >= stop): px = stop - np.sign(pos) * cfg["slip"] * cfg["tick"] cash += (px - entry) * pos * cfg["lot"] cash -= abs(px * pos * cfg["lot"]) * cfg["fee_rate"] trades.append((bar["datetime"], "stop", px, pos)) pos, entry, stop = 0, np.nan, np.nan # 3) 用本根收盘做下一根的决策 if pos != 0: hold_bars = sum(1 for t in trades[::-1] if t[1] in ("long", "short")) exit_flag = ( (pos > 0 and c < bar["mid"]) or (pos < 0 and c > bar["mid"]) or (pos > 0 and bar["rsi"] > 70 and bar["rsi"] < prev["rsi"]) or (pos < 0 and bar["rsi"] < 30 and bar["rsi"] > prev["rsi"]) ) if exit_flag: pending = "close" else: if bar["signal"] == 1: pending = "long" elif bar["signal"] == -1: pending = "short" # 4) 记录权益 mark = (c - entry) * pos * cfg["lot"] if pos != 0 else 0.0 eq_curve.append((bar["datetime"], cash + mark)) return pd.DataFrame(eq_curve, columns=["datetime", "equity"]), trades

这段代码是骨架，能跑但有简化。比如hold_bars那段我写得很粗糙，实际应该用一个变量记录开仓的 bar 索引，然后算差值。时间止损也一样，需要自己补上。但核心结构是对的：决策、撮合、止损、记账四段分开，每一段都能单独调试。

有一个细节值得单独说：止损用的是盘中最高最低价判断，成交价用止损价加减滑点。这里隐含了一个假设——价格触及止损价时能以止损价成交。在流动性好的品种上这个假设基本成立，但在跳空开盘的时候不成立，实际成交可能是开盘价，比止损价差很多。严谨的做法是加一条：如果开盘价已经越过止损价，就按开盘价成交。

4.4 看哪几个数才有意义：不止胜率

回测跑完，很多人第一眼看胜率。胜率是最没用的指标之一，因为它是可以靠调整止盈止损比例随意操纵的。把止盈设成一个点、止损设成一百个点，胜率能到 95%，然后一笔亏损把一百笔盈利全吃掉。

我实际会看的顺序是这样的：

最大回撤我放在第一位，因为它直接决定你能不能拿住这套策略。一个年化 40%、回撤 50% 的策略，实盘里 99% 的人会在回撤 30% 的时候手动关掉，然后在行情回来的时候拍大腿。

5. 回测漂亮实盘难看：五个我踩过的坑和排查顺序

下面这些坑，每一个我都真实踩过，而且每一个在当时都让我怀疑是"市场变了"，实际上全是代码或者假设的问题。我把它们按隐蔽程度排序，越靠前的越难发现。

5.1 未来函数：最隐蔽的一种是"用当根收盘价成交"

用当根收盘价成交这个错误，看起来很低级，但它的变种非常隐蔽。比如你在收盘价上算指标，然后假设成交价是"收盘价加一个滑点"，这在代码上看起来是两件事，但本质上你还是在用当根信息做决策、又在当根成交，等于拥有了当根的完整信息还能回到过去下单。

更隐蔽的变种是止损的判定顺序。如果你在一根 K 线内同时判断"最高价触及止盈"和"最低价触及止损"，而且把止盈写在前面，那么在那些既触及止盈又触及止损的大波动 K 线上，你会系统性地假设自己先止盈。这个偏差在日线级别上能凭空造出 10% 以上的年化收益。

排查方法很土：在回测循环里，把所有决策用的变量都加上_prev后缀，逼自己只能访问iloc[i-1]及之前的数据。凡是需要访问iloc[i]的地方，只允许出现在撮合和记账环节。

5.2 主力连续合约拼接的跳空会凭空造出信号

这个问题在换月频繁的品种上特别明显。主力合约切换的时候，新合约和旧合约之间有价差，直接拼接会在换月那天出现一根巨大的跳空 K 线。这根假 K 线会让布林带的中轨剧烈跳动，标准差瞬间放大，RSI 也会算出一个极端值。

后果是双向的：一方面换月当天可能凭空触发一个信号，另一方面换月之后几十根的指标全被污染，因为 20 周期的均线和标准差里都包含那根假 K 线的数据。

处理方式有三种，我按推荐程度排：

1. 按价差复权，把历史价格整体平移，让拼接处连续。这是最常用的做法，对绝对价格类指标（布林带、ATR）比较友好。
2. 按比例复权，乘一个系数让价格连续。适合价差本身随价格水平变化的品种。
3. 换月日强制平仓，并且换月后的前 N 根不产生信号。这是最保守的做法，损失一点样本，但绝对干净。

我一般用第一种加第三种：复权之后，换月当天如果持仓，强制平掉，然后跳过接下来 20 根不产生新信号，等指标重新稳定。

5.3 夜盘、跳空与信号闪烁

有夜盘的品种，日内的跳空比想象中多。白天收盘到夜盘开盘之间隔了几个小时，夜盘收盘到第二天白天开盘又隔了几个小时，这些时段的跳空都会体现在下一根的开盘价上。

如果你的止损是基于收盘价算的，那跳空开盘的时候，实际成交价会远离止损价。这一点在回测里必须显式处理：如果开盘价已经越过止损价，按开盘价成交。我见过不少回测代码直接按止损价成交，结果实盘一跑，第一笔跳空止损就比回测多亏了 40%。

信号闪烁是另一个问题。布林带突破类的信号，如果要求"收盘价站上上轨"，那盘中价格穿上去又掉下来就不会触发；如果用"盘中最高价触及上轨"作为条件，那就会频繁触发又在收盘时失效。这两种做法的回测结果差别很大，而且前者在实盘里会遇到"收盘前一分钟才确认，来不及下单"的问题。

我的折中方案是：用收盘前若干秒的价格作为准收盘价做判断，用收盘集合竞价或者下一根开盘成交。这样既避免了盘中闪烁，又不至于完全错过。当然这个方案对执行系统有要求，手动交易的人做不到，那就只能老老实实用下一根开盘价成交，接受一点滑点。

5.4 参数敏感性测试：把"最优点"变成"平台"

网格搜索出来的最优参数，往往是一个孤立的尖峰。什么意思呢？N 等于 20 的时候年化 25%，N 等于 19 的时候年化 8%，N 等于 21 的时候年化 6%。这种参数就是过拟合的典型特征，它拟合的是历史上某几段特定行情的噪音。

健康的参数应该是一个平台：N 在 18 到 24 之间，年化都在 15% 到 20% 之间波动，没有剧烈跳变。这种参数才可能在未来继续有效，因为它不依赖于某个精确的数值。

我的测试流程是这样的：先固定 k 和 RSI 参数，把 N 从 10 扫到 40，步长 2，看年化收益和回撤的曲线形状。如果曲线是平滑的丘陵，说明这个维度是稳健的；如果是一根根尖刺，直接放弃这个维度。然后对 k 和 RSI 参数重复同样的过程。最后取所有维度都处在平台区的参数组合，而不是取全局最优。

还有一件事必须做：样本外验证。把数据按时间切成 7:3，前 70% 调参，后 30% 只跑一次，不许回头改参数。如果样本外和样本内的绩效差了一倍以上，那说明参数根本不能用。更严格的做法是滚动前推，每次用过去两年的数据调参，跑下三个月，然后窗口往前滚，看整体表现。

5.5 一份上线前的自查清单

下面这张表是我每次把策略从回测搬到模拟盘之前必过的项目，漏一项都不行。

最后再补一个不在表里但很重要的：模拟盘至少跑够 200 笔。回测再严谨，也只是在历史数据上的拟合，模拟盘能暴露出来的问题（成交延迟、部分成交、信号在极端行情下的行为）是回测永远模拟不出来的。我自己有个规矩，任何新策略在模拟盘跑满三个月并且交易笔数超过 200 之前，绝不投入真金白银。这条规矩救过我至少两次，其中一次是一个在回测里年化 30% 的组合策略，模拟盘第一个月就暴露了在涨跌停板附近无法成交的问题，实际收益直接归零。

这套东西写下来，核心其实就一句话：BOLL 告诉你价格现在站在什么位置，RSI 告诉你推动价格到这个位置的力气还有没有，两个加起来能描述一个相对完整的市场状态，但它们描述不了明天。真正让策略活下来的，是后面那些不起眼的细节——手数怎么算、止损放哪、滑点给多少、换月怎么处理。指标决定你出手的次数，工程细节决定你出手之后还能不能站着。