当前位置：首页>python>用 Python 实现一个 25 年回测的量化交易策略

用 Python 实现一个 25 年回测的量化交易策略

2026-10-26 01:33:38

欢迎加入专注于财经数据与量化投研的【数据科学实战】知识星球！在这里，您将获取持续更新的《财经数据宝典》和《量化投研宝典》，这两部宝典相辅相成，为您在量化投研道路上提供明确指引。我们提供了精选的国内外量化投研的 250+ 篇高质量文章，并每日更新最新研究成果，涵盖策略开发、因子分析、风险管理等核心领域。无论您是量化投资新手还是经验丰富的研究者，星球社区都能帮您少走弯路，事半功倍，共同探索数据驱动的投资世界！

引言

你是否想过，一个简单的交易策略能在 25 年的市场波动中存活下来？今天我们来拆解一个结合 Gann 高低点回调和布林带波动率的量化策略，看看它是如何在生物科技股 BIIB 上实现 571% 回报的。

这个策略的核心理念很简单：在市场犹豫时入场，在情绪过热时离场。

策略原理

入场逻辑：读懂昨日的影子

策略使用 Gann 高低点理论，观察价格与前一日高点的关系。当满足以下条件时入场：

今日开盘价低于昨日最高价
昨日开盘价也低于昨日最高价

这种形态意味着价格在关键阻力位下方犹豫，压力正在积蓄。

离场逻辑：让波动率说话

策略使用布林带作为离场信号。当开盘价突破布林带上轨时，说明市场情绪已经过热，此时果断离场。

代码实现

第一步：获取数据

import pandas as pd
import numpy as np
import yfinance as yf
import vectorbt as vbt

# 下载 BIIB 股票数据
symbol = "BIIB"
start_date = "2000-01-01"
end_date = "2026-01-01"
interval = "1d"

# 使用 yfinance 下载历史数据
df = yf.download(symbol, start=start_date, end=end_date, interval=interval)

# 保存到本地 CSV 文件
df.to_csv("BIIB_clean.csv", index=False)

第二步：计算 Gann 趋势指标

GANN_SHIFT = 1# 回看周期为 1 天

defcalculate_gann_trend(df, shift=GANN_SHIFT):
"""
    计算 Gann 高低点趋势和参考价格
    """
    df = df.copy()

# 获取前一根 K 线的高点、低点、开盘价
    df['Gann_High'] = df['High'].shift(shift)
    df['Gann_Low'] = df['Low'].shift(shift)
    df['Prev_High'] = df['High'].shift(shift)
    df['Prev_Low'] = df['Low'].shift(shift)
    df['Prev_Open'] = df['Open'].shift(shift)

# 判断趋势方向
    df['Gann_UpTrend'] = df['Close'] > df['Gann_Low']  # 收盘价高于前低为上升趋势
    df['Gann_DownTrend'] = df['Close'] < df['Gann_High']  # 收盘价低于前高为下降趋势

return df

defgann_open_below_highest_after_below(df, shift=GANN_SHIFT):
"""
    判断入场条件：开盘价连续两天低于前一日高点
    """
    df = calculate_gann_trend(df, shift)
return (df['Open'] < df['Prev_High']) & (df['Prev_Open'] < df['Prev_High'])

第三步：计算布林带指标

BB_PERIOD = 20# 布林带周期
BB_STD = 2# 标准差倍数

defcalculate_bollinger_bands(df, period=BB_PERIOD, std_multiplier=BB_STD):
"""
    计算布林带：中轨、上轨、下轨
    """
    df = df.copy()

# 中轨：20 日移动平均线
    df['BB_MA'] = df['Close'].rolling(window=period).mean()

# 上轨：中轨 + 2 倍标准差
    df['BB_Upper'] = df['BB_MA'] + std_multiplier * df['Close'].rolling(window=period).std()

# 下轨：中轨 - 2 倍标准差
    df['BB_Lower'] = df['BB_MA'] - std_multiplier * df['Close'].rolling(window=period).std()

return df

defbb_open_above_upper(df, period=BB_PERIOD, std_multiplier=BB_STD):
"""
    判断离场条件：开盘价突破布林带上轨
    """
    df = calculate_bollinger_bands(df, period, std_multiplier)
return df['Open'] > df['BB_Upper']

第四步：生成交易信号并回测

# 生成入场信号
df["Open_Below_Highest_after_Below"] = gann_open_below_highest_after_below(df)
entry_conditions = ['Open_Below_Highest_after_Below']
df['entry_signal'] = df[entry_conditions].all(axis=1)

# 生成离场信号
df["BB_Open_Above_Upper"] = bb_open_above_upper(df)
exit_conditions = ['BB_Open_Above_Upper']
df['exit_signal'] = df[exit_conditions].all(axis=1)

# 信号延迟一天执行（避免未来函数）
shift_entries = df['entry_signal'].shift(1).astype(bool).fillna(False).to_numpy()
shift_exits = df['exit_signal'].shift(1).astype(bool).fillna(False).to_numpy()

# 使用 vectorbt 进行回测
pf = vbt.Portfolio.from_signals(
    close=df['Open'],  # 使用开盘价成交
    entries=shift_entries,  # 入场信号
    exits=shift_exits,  # 离场信号
    init_cash=100_000,  # 初始资金 10 万美元
    fees=0.001,  # 手续费 0.1%
    slippage=0.002,  # 滑点 0.2%
    freq='1d'# 日频交易
)

# 输出回测统计数据
print(pf.stats())

# 绘制资金曲线
pf.plot().show()