用 Python 写一个回测收益 1492% 的混合交易策略
- 2026-10-21 13:28:52
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
在量化交易的世界里，很多人追求复杂的模型和高频的交易信号。但有时候，简单的策略反而能穿越牛熊，经受住时间的考验。
今天分享一个结合 Ichimoku 云图 和 布林带 的混合交易策略。这个策略在 2000 年至 2025 年的 25 年回测中，实现了 1492% 的总收益，胜率高达 **72%**。
这篇文章将带你了解这个策略的核心逻辑，并附上完整的 Python 代码实现。
策略核心思路
这个策略的设计理念非常清晰：
入场信号：使用 Ichimoku 云图的基准线（Kijun-sen）判断价格失去平衡的时刻 出场信号：使用布林带上轨判断波动率扩张的时刻
简单来说，当价格跌破基准线时入场做空，当价格从布林带下方突破到上方时出场。这是一个顺应市场结构的策略，而不是预测市场的策略。
数据准备
首先，我们需要获取历史价格数据。这里使用 yfinance 库下载 25 年的日线数据：
import pandas as pd
import numpy as np
import yfinance as yf
import vectorbt as vbt
# -------------------------
# 下载数据
# -------------------------
symbol = "TECH"# 股票代码
start_date = "2000-01-01"# 开始日期
end_date = "2026-01-01"# 结束日期
interval = "1d"# 日线级别
# 使用 yfinance 下载数据
df = yf.download(symbol, start=start_date, end=end_date, interval=interval)
# 保存数据到本地 CSV 文件
df.to_csv("TECH_clean.csv", index=False)
Ichimoku 云图计算入场信号
Ichimoku 云图是一个经典的日本技术分析工具。我们主要使用其中的基准线（Kijun-sen）来判断入场时机。
当价格从基准线上方跌破到下方时，说明市场平衡被打破，这是一个看跌信号。
# Ichimoku 参数设置
ICHIMOKU_DISPLACEMENT = 26# 位移周期
ICHIMOKU_KIJUN_PERIOD = 26# 基准线周期
ICHIMOKU_SENKOU_B_PERIOD = 52# 先行带 B 周期
ICHIMOKU_TENKAN_PERIOD = 9# 转换线周期
defcalculate_ichimoku(df, tenkan_period=ICHIMOKU_TENKAN_PERIOD,
kijun_period=ICHIMOKU_KIJUN_PERIOD,
senkou_b_period=ICHIMOKU_SENKOU_B_PERIOD,
displacement=ICHIMOKU_DISPLACEMENT):
"""
计算 Ichimoku 云图的各条线
"""
df = df.copy()
# 转换线：9 日内最高价和最低价的平均值
df['tenkan_sen'] = (df['High'].rolling(tenkan_period).max() +
df['Low'].rolling(tenkan_period).min()) / 2
# 基准线：26 日内最高价和最低价的平均值
df['kijun_sen'] = (df['High'].rolling(kijun_period).max() +
df['Low'].rolling(kijun_period).min()) / 2
# 先行带 A：转换线和基准线的平均值，向前位移 26 天
df['senkou_span_a'] = ((df['tenkan_sen'] + df['kijun_sen']) / 2).shift(displacement)
# 先行带 B：52 日内最高价和最低价的平均值，向前位移 26 天
df['senkou_span_b'] = ((df['High'].rolling(senkou_b_period).max() +
df['Low'].rolling(senkou_b_period).min()) / 2).shift(displacement)
# 迟行带：收盘价向后位移 26 天
df['chikou_span'] = df['Close'].shift(-displacement)
return df
defprice_cross_kijun_bearish(df):
"""
判断价格是否向下穿越基准线（看跌信号）
条件：前一天收盘价在基准线上方，当天收盘价跌破基准线
"""
df = calculate_ichimoku(df)
return (df['Close'].shift(1) > df['kijun_sen'].shift(1)) & (df['Close'] < df['kijun_sen'])
布林带计算出场信号
布林带用于衡量价格波动率。当价格从布林带下方突破到上方时，往往意味着市场出现了恐慌性反弹或空头回补，这是平仓的好时机。
# 布林带参数设置
BB_PERIOD = 20# 均线周期
BB_SHIFT = 5# 回看周期
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 日简单移动平均线
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_after_below(df, period=BB_PERIOD, std_multiplier=BB_STD, shift=BB_SHIFT):
"""
判断开盘价是否突破布林带上轨
条件：当天开盘价在上轨上方，且 5 天前开盘价在上轨下方
"""
df = calculate_bollinger_bands(df, period, std_multiplier)
return (df['Open'] > df['BB_Upper']) & (df['Open'].shift(shift) < df['BB_Upper'].shift(shift))
完整回测代码
现在我们把入场和出场信号组合起来，使用 vectorbt 进行回测：
# -------------------------
# 生成入场信号
# -------------------------
df["Ichimoku_Price_Cross_Kijun_Bearish"] = price_cross_kijun_bearish(df)
entry_conditions = [
'Ichimoku_Price_Cross_Kijun_Bearish', # 价格跌破基准线
]
df['entry_signal'] = df[entry_conditions].all(axis=1)
# -------------------------
# 生成出场信号
# -------------------------
df["BB_Open_Above_Upper_after_Below"] = bb_open_above_upper_after_below(df)
exit_conditions = [
'BB_Open_Above_Upper_after_Below', # 开盘价突破布林带上轨
]
df['exit_signal'] = df[exit_conditions].all(axis=1)
# -------------------------
# 执行回测
# -------------------------
# 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()
# 创建投资组合进行回测
pf = vbt.Portfolio.from_signals(
close=df['Open'], # 使用开盘价执行交易
entries=shift_entries, # 入场信号
exits=shift_exits, # 出场信号
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'# 日线级别
)
# -------------------------
# 输出回测结果
# -------------------------
print(pf.stats()) # 打印统计指标
pf.plot().show() # 绘制收益曲线
回测结果分析
经过 25 年的回测，这个策略取得了以下成绩：
回测周期：2000 年 1 月 3 日至 2025 年 12 月 18 日 总收益：1492% 最大回撤：61% 总交易次数：104 次 胜率：72% 盈亏比：1.65
相比简单的买入持有策略，这个交易系统在控制回撤的同时，实现了更高的收益率。
策略的优缺点
这个策略有几个明显的特点：
优点：胜率高达 72%，信号稀少但质量高，交易成本低，逻辑简单清晰。
缺点：最大回撤 61% 依然较大，不适合短线交易者，需要较长的持仓周期。
这不是一个快速致富的策略，它需要耐心等待正确的入场时机，然后在波动率扩张时及时离场。
总结
这个 Ichimoku-Bollinger 混合策略向我们展示了一个重要的交易理念：与其预测市场走向，不如倾听市场结构的变化。
策略的核心在于两点：第一，使用 Ichimoku 基准线识别价格失去平衡的时刻；第二，使用布林带上轨识别波动率过度扩张的时刻。
对于学习 Python 量化交易的同学来说，这个案例是一个很好的起点。它涉及到数据获取、技术指标计算、信号生成、回测框架使用等核心知识点。
建议大家在理解代码逻辑后，尝试修改参数或添加其他指标，探索属于自己的交易策略。
参考文章
加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取本文完整研究解析、代码实现细节。 财经数据与量化投研知识社区
核心权益如下：
赠送《财经数据宝典》完整文档，汇集多年财经数据维护经验 赠送《量化投研宝典》完整文档，汇集多年量化投研领域经验 赠送《PyBroker-入门及实战》视频课程，手把手学习量化策略开发 每日分享高质量量化投研文章（已更新 180+篇）、代码和相关资料 定期更新高频财经数据 参与年度不少于 10 次专属直播与录播课程 与核心开发者直接交流，解决实际问题 获取专业微信群交流机会和课程折扣
星球已有丰富内容积累，包括量化投研论文、财经高频数据、 PyBroker 视频教程、定期直播、数据分享和答疑解难。适合对量化投研和财经数据分析有兴趣的学习者及从业者。欢迎加入我们！
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
在量化交易的世界里，很多人追求复杂的模型和高频的交易信号。但有时候，简单的策略反而能穿越牛熊，经受住时间的考验。
今天分享一个结合 Ichimoku 云图 和 布林带 的混合交易策略。这个策略在 2000 年至 2025 年的 25 年回测中，实现了 1492% 的总收益，胜率高达 **72%**。
这篇文章将带你了解这个策略的核心逻辑，并附上完整的 Python 代码实现。
策略核心思路
这个策略的设计理念非常清晰：
入场信号：使用 Ichimoku 云图的基准线（Kijun-sen）判断价格失去平衡的时刻 出场信号：使用布林带上轨判断波动率扩张的时刻
简单来说，当价格跌破基准线时入场做空，当价格从布林带下方突破到上方时出场。这是一个顺应市场结构的策略，而不是预测市场的策略。
数据准备
首先，我们需要获取历史价格数据。这里使用 yfinance 库下载 25 年的日线数据：
import pandas as pd
import numpy as np
import yfinance as yf
import vectorbt as vbt
# -------------------------
# 下载数据
# -------------------------
symbol = "TECH"# 股票代码
start_date = "2000-01-01"# 开始日期
end_date = "2026-01-01"# 结束日期
interval = "1d"# 日线级别
# 使用 yfinance 下载数据
df = yf.download(symbol, start=start_date, end=end_date, interval=interval)
# 保存数据到本地 CSV 文件
df.to_csv("TECH_clean.csv", index=False)
Ichimoku 云图计算入场信号
Ichimoku 云图是一个经典的日本技术分析工具。我们主要使用其中的基准线（Kijun-sen）来判断入场时机。
当价格从基准线上方跌破到下方时，说明市场平衡被打破，这是一个看跌信号。
# Ichimoku 参数设置
ICHIMOKU_DISPLACEMENT = 26# 位移周期
ICHIMOKU_KIJUN_PERIOD = 26# 基准线周期
ICHIMOKU_SENKOU_B_PERIOD = 52# 先行带 B 周期
ICHIMOKU_TENKAN_PERIOD = 9# 转换线周期
defcalculate_ichimoku(df, tenkan_period=ICHIMOKU_TENKAN_PERIOD,
kijun_period=ICHIMOKU_KIJUN_PERIOD,
senkou_b_period=ICHIMOKU_SENKOU_B_PERIOD,
displacement=ICHIMOKU_DISPLACEMENT):
"""
计算 Ichimoku 云图的各条线
"""
df = df.copy()
# 转换线：9 日内最高价和最低价的平均值
df['tenkan_sen'] = (df['High'].rolling(tenkan_period).max() +
df['Low'].rolling(tenkan_period).min()) / 2
# 基准线：26 日内最高价和最低价的平均值
df['kijun_sen'] = (df['High'].rolling(kijun_period).max() +
df['Low'].rolling(kijun_period).min()) / 2
# 先行带 A：转换线和基准线的平均值，向前位移 26 天
df['senkou_span_a'] = ((df['tenkan_sen'] + df['kijun_sen']) / 2).shift(displacement)
# 先行带 B：52 日内最高价和最低价的平均值，向前位移 26 天
df['senkou_span_b'] = ((df['High'].rolling(senkou_b_period).max() +
df['Low'].rolling(senkou_b_period).min()) / 2).shift(displacement)
# 迟行带：收盘价向后位移 26 天
df['chikou_span'] = df['Close'].shift(-displacement)
return df
defprice_cross_kijun_bearish(df):
"""
判断价格是否向下穿越基准线（看跌信号）
条件：前一天收盘价在基准线上方，当天收盘价跌破基准线
"""
df = calculate_ichimoku(df)
return (df['Close'].shift(1) > df['kijun_sen'].shift(1)) & (df['Close'] < df['kijun_sen'])
布林带计算出场信号
布林带用于衡量价格波动率。当价格从布林带下方突破到上方时，往往意味着市场出现了恐慌性反弹或空头回补，这是平仓的好时机。
# 布林带参数设置
BB_PERIOD = 20# 均线周期
BB_SHIFT = 5# 回看周期
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 日简单移动平均线
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_after_below(df, period=BB_PERIOD, std_multiplier=BB_STD, shift=BB_SHIFT):
"""
判断开盘价是否突破布林带上轨
条件：当天开盘价在上轨上方，且 5 天前开盘价在上轨下方
"""
df = calculate_bollinger_bands(df, period, std_multiplier)
return (df['Open'] > df['BB_Upper']) & (df['Open'].shift(shift) < df['BB_Upper'].shift(shift))
完整回测代码
现在我们把入场和出场信号组合起来，使用 vectorbt 进行回测：
# -------------------------
# 生成入场信号
# -------------------------
df["Ichimoku_Price_Cross_Kijun_Bearish"] = price_cross_kijun_bearish(df)
entry_conditions = [
'Ichimoku_Price_Cross_Kijun_Bearish', # 价格跌破基准线
]
df['entry_signal'] = df[entry_conditions].all(axis=1)
# -------------------------
# 生成出场信号
# -------------------------
df["BB_Open_Above_Upper_after_Below"] = bb_open_above_upper_after_below(df)
exit_conditions = [
'BB_Open_Above_Upper_after_Below', # 开盘价突破布林带上轨
]
df['exit_signal'] = df[exit_conditions].all(axis=1)
# -------------------------
# 执行回测
# -------------------------
# 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()
# 创建投资组合进行回测
pf = vbt.Portfolio.from_signals(
close=df['Open'], # 使用开盘价执行交易
entries=shift_entries, # 入场信号
exits=shift_exits, # 出场信号
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'# 日线级别
)
# -------------------------
# 输出回测结果
# -------------------------
print(pf.stats()) # 打印统计指标
pf.plot().show() # 绘制收益曲线
回测结果分析
经过 25 年的回测，这个策略取得了以下成绩：
回测周期：2000 年 1 月 3 日至 2025 年 12 月 18 日 总收益：1492% 最大回撤：61% 总交易次数：104 次 胜率：72% 盈亏比：1.65
相比简单的买入持有策略，这个交易系统在控制回撤的同时，实现了更高的收益率。
策略的优缺点
这个策略有几个明显的特点：
优点：胜率高达 72%，信号稀少但质量高，交易成本低，逻辑简单清晰。
缺点：最大回撤 61% 依然较大，不适合短线交易者，需要较长的持仓周期。
这不是一个快速致富的策略，它需要耐心等待正确的入场时机，然后在波动率扩张时及时离场。
总结
这个 Ichimoku-Bollinger 混合策略向我们展示了一个重要的交易理念：与其预测市场走向，不如倾听市场结构的变化。
策略的核心在于两点：第一，使用 Ichimoku 基准线识别价格失去平衡的时刻；第二，使用布林带上轨识别波动率过度扩张的时刻。
对于学习 Python 量化交易的同学来说，这个案例是一个很好的起点。它涉及到数据获取、技术指标计算、信号生成、回测框架使用等核心知识点。
建议大家在理解代码逻辑后，尝试修改参数或添加其他指标，探索属于自己的交易策略。
参考文章
财经数据与量化投研知识社区
核心权益如下：
赠送《财经数据宝典》完整文档，汇集多年财经数据维护经验 赠送《量化投研宝典》完整文档，汇集多年量化投研领域经验 赠送《PyBroker-入门及实战》视频课程，手把手学习量化策略开发 每日分享高质量量化投研文章（已更新 180+篇）、代码和相关资料 定期更新高频财经数据 参与年度不少于 10 次专属直播与录播课程 与核心开发者直接交流，解决实际问题 获取专业微信群交流机会和课程折扣
星球已有丰富内容积累，包括量化投研论文、财经高频数据、 PyBroker 视频教程、定期直播、数据分享和答疑解难。适合对量化投研和财经数据分析有兴趣的学习者及从业者。欢迎加入我们！
好文推荐
1. 用 Python 打造股票预测系统：Transformer 模型教程（一）
2. 用 Python 打造股票预测系统：Transformer 模型教程（二）
3. 用 Python 打造股票预测系统：Transformer 模型教程（三）
4. 用 Python 打造股票预测系统：Transformer 模型教程（完结）
6. YOLO 也能预测股市涨跌？计算机视觉在股票市场预测中的应用
9. Python 量化投资利器：Ridge、Lasso 和 Elastic Net 回归详解
好书推荐
