2026年重磅升级已全面落地！欢迎加入专注财经数据与量化投研的【数据科学实战】知识星球！您将获取持续更新的《财经数据宝典》与《量化投研宝典》，双典协同提供系统化指引；星球内含300篇以上独有高质量文章，深度覆盖策略开发、因子分析、风险管理等核心领域，内容基本每日更新；同步推出的「量化因子专题教程」系列（含完整可运行代码与实战案例），系统详解因子构建、回测与优化全流程，并实现日更迭代。我们持续扩充独家内容资源，全方位赋能您的投研效率与专业成长。无论您是量化新手还是资深研究者，这里都是助您少走弯路、事半功倍的理想伙伴，携手共探数据驱动的投资未来！

引言

你是否想过，一个简单的交易策略，在 25 年间能把 10 万美元变成 200 万美元？今天我们来拆解一个基于 SuperTrend 和 Ichimoku Cloud（一目均衡表）的量化交易策略。这个策略不预测市场，不追涨杀跌，只遵循两条简单的规则：什么时候进场，什么时候离场。

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。

策略核心思想

这个策略的哲学很简单：当市场发出清晰信号时行动，当市场发出危险信号时离场。

它结合了两个经典的技术指标：

• • SuperTrend：基于波动率的趋势跟踪指标，用来决定何时入场
• • Ichimoku Cloud：基于时间和均衡的指标，用来决定何时离场

策略规则详解

入场条件

当价格收盘价跌破 SuperTrend 的下轨时，触发入场信号。这意味着市场动能出现了结构性的突破，而非随机波动。

离场条件

当 Ichimoku 的 Senkou Span A 下穿 Senkou Span B 时，触发离场信号。这通常标志着趋势耗尽或结构性弱势。

完整代码实现

第一步：获取数据

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

# -------------------------
# 下载股票数据
# -------------------------
symbol = "CAH"  # 股票代码：Cardinal Health
start_date = "2000-01-01"  # 开始日期
end_date = "2026-01-01"  # 结束日期
interval = "1d"  # 日线数据

# 使用 yfinance 下载数据
df = yf.download(symbol, start=start_date, end=end_date, interval=interval)
df.to_csv("CAH_clean.csv", index=False)  # 保存为 CSV 文件

第二步：计算 SuperTrend 指标

# SuperTrend 参数设置
SUPERTREND_MULTIPLIER = 3  # ATR 乘数
SUPERTREND_PERIOD = 14  # ATR 周期

def calculate_supertrend(df, period=SUPERTREND_PERIOD, multiplier=SUPERTREND_MULTIPLIER):
    """计算 SuperTrend 指标、上轨和下轨"""
    hl2 = (df['High'] + df['Low']) / 2  # 最高价和最低价的平均值

    # 计算真实波动幅度（True Range）
    tr1 = df['High'] - df['Low']
    tr2 = abs(df['High'] - df['Close'].shift())
    tr3 = abs(df['Low'] - df['Close'].shift())
    tr = pd.concat([tr1, tr2, tr3], axis=1).max(axis=1)

    # 计算平均真实波动幅度（ATR）
    atr = tr.rolling(period).mean()

    # 计算基础上下轨
    upper_basic = hl2 + multiplier * atr
    lower_basic = hl2 - multiplier * atr

    # 初始化最终上下轨
    upper_band = upper_basic.copy()
    lower_band = lower_basic.copy()

    # SuperTrend 方向列表（True 表示上升趋势）
    supertrend = [True]

    for i in range(1, len(df)):
        # 更新上轨
        if df['Close'].iloc[i-1] <= upper_band.iloc[i-1]:
            upper_band.iloc[i] = min(upper_basic.iloc[i], upper_band.iloc[i-1])

        # 更新下轨
        if df['Close'].iloc[i-1] >= lower_band.iloc[i-1]:
            lower_band.iloc[i] = max(lower_basic.iloc[i], lower_band.iloc[i-1])

        # 判断 SuperTrend 方向
        if df['Close'].iloc[i] > upper_band.iloc[i-1]:
            supertrend.append(True)
        elif df['Close'].iloc[i] < lower_band.iloc[i-1]:
            supertrend.append(False)
        else:
            supertrend.append(supertrend[-1])

    df['SuperTrend'] = supertrend
    df['Upper_Band'] = upper_band
    df['Lower_Band'] = lower_band

    return df

def close_below_st(df):
    """判断收盘价是否低于 SuperTrend 下轨"""
    df = calculate_supertrend(df)
    return df['Close'] < df['Lower_Band']

第三步：计算 Ichimoku 指标

# 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

def calculate_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 云图各条线"""
    df = df.copy()

    # 转换线（Tenkan-sen）：9 日内最高价与最低价的平均值
    df['tenkan_sen'] = (df['High'].rolling(tenkan_period).max() + 
                        df['Low'].rolling(tenkan_period).min()) / 2

    # 基准线（Kijun-sen）：26 日内最高价与最低价的平均值
    df['kijun_sen'] = (df['High'].rolling(kijun_period).max() + 
                       df['Low'].rolling(kijun_period).min()) / 2

    # 先行带 A（Senkou Span A）：转换线与基准线的平均值，向前位移 26 天
    df['senkou_span_a'] = ((df['tenkan_sen'] + df['kijun_sen']) / 2).shift(displacement)

    # 先行带 B（Senkou Span B）：52 日内最高价与最低价的平均值，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)

    # 延迟线（Chikou Span）：收盘价向后位移 26 天
    df['chikou_span'] = df['Close'].shift(-displacement)

    return df

def senkou_span_cross_bearish(df):
    """判断 Senkou Span A 是否下穿 Senkou Span B（看跌信号）"""
    df = calculate_ichimoku(df)
    return (df['senkou_span_a'].shift(1) > df['senkou_span_b'].shift(1)) & \
           (df['senkou_span_a'] <= df['senkou_span_b'])

第四步：生成交易信号并回测

# -------------------------
# 生成入场信号
# -------------------------
df["Supertrend_Close_Below"] = close_below_st(df)

entry_conditions = [
    'Supertrend_Close_Below',  # 收盘价低于 SuperTrend 下轨
]
df['entry_signal'] = df[entry_conditions].all(axis=1)

# -------------------------
# 生成离场信号
# -------------------------
df["Ichimoku_Senkou_Span_Cross_Bearish"] = senkou_span_cross_bearish(df)

exit_conditions = [
    'Ichimoku_Senkou_Span_Cross_Bearish',  # Senkou Span A 下穿 B
]
df['exit_signal'] = df[exit_conditions].all(axis=1)

# -------------------------
# 执行回测
# -------------------------
# 将信号延迟一天，避免未来数据偏差
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()

# 创建投资组合并回测
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,  # 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'  # 日线频率
)

# -------------------------
# 输出回测结果
# -------------------------
print(pf.stats())
pf.plot().show()

回测结果解读

这个策略在 2000 年至 2025 年间的表现：

指标	数值
总收益率	1941%
最大回撤	58%
总交易次数	55 次
胜率	60%
盈亏比	5.43
夏普比率	0.72
索提诺比率	1.04

这不是一个高频策略，平均每年只交易 2 次左右。它经历了互联网泡沫破裂、2008 年金融危机、新冠疫情暴跌等多次市场动荡，依然保持了稳健的表现。

58% 的最大回撤是长期持仓的代价，但超过 5 的盈亏比说明：亏损被控制住了，盈利的交易被充分放大。

策略的优势与局限

优势

• • 规则简单明确，易于执行
• • 不依赖主观判断
• • 经过多个市场周期验证
• • 交易频率低，成本可控

局限

• • 只针对单一股票（CAH）进行了回测
• • 最大回撤较大，需要足够的心理承受能力
• • 历史表现不代表未来收益

总结

这个策略的核心理念是：在市场给出明确信号时行动，在市场发出警告时离场。它不追求预测市场顶部或底部，而是通过两个互补的技术指标构建了一个完整的交易系统。

对于学习 Python 量化交易的同学来说，这个策略是一个很好的入门案例。它展示了如何使用 pandas 计算技术指标，如何使用 vectorbt 进行回测，以及如何构建一个完整的交易系统。

当然，任何交易策略都有风险，历史回测不代表未来表现。如果你想使用这个策略，请务必进行充分的研究和测试。

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

2026年全面升级已落地！【数据科学实战】知识星球核心权益如下：

1. 1. 双典系统赋能：获赠《财经数据宝典》与《量化投研宝典》完整文档，凝练多年实战经验，构建系统化知识框架；
2. 2. 量化因子日更教程（2026重磅新增）：每日更新「量化因子专题教程」，配套完整可运行代码与实战案例，深度拆解因子构建、回测与优化全流程；
3. 3. 量化文章专题教程库：300+篇星球独有高质量教程式文章，系统覆盖策略开发、因子研究、风险管理等核心领域，内容基本每日更新，并配套精选学习资料与实战参考；
4. 4. PyBroker实战课程：赠送《PyBroker-入门及实战》视频课程，手把手教学，快速掌握量化策略开发技能；
5. 5. 财经数据支持：定期更新国内外财经数据，为策略研发提供精准、可靠的数据基础；
6. 6. 顶尖学者与行业专家分享：年度邀请学术界博士与业界资深专家开展前沿论文精讲与实战案例分享，不少于4场，直击研究前沿与产业实践；
   专家直连答疑：与核心开发者及领域专家实时互动，高效解决投研实战难题；
7. 7. 专业社群与专属福利：加入高质量交流社群，获取课程折扣及更多独家资源。

星球已沉淀丰富内容生态——涵盖量化文章专题教程库、因子日更系列、高频数据集、PyBroker实战课程、专家深度分享与实时答疑服务。无论您是初探量化的学习者，还是深耕领域的从业者，这里都是助您少走弯路、高效成长的理想平台。诚邀加入，共探数据驱动的投资未来！

好文推荐