当前位置：首页>python>用 Python 回测 25 年股票数据,这个趋势策略收益高

用 Python 回测 25 年股票数据,这个趋势策略收益高

2026-03-23 20:12:52

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，一套简单的技术指标组合，能否在长达 25 年的股市中稳定盈利？

今天要分享的是一篇来自 Medium 的量化交易策略文章。作者使用 Python 对美股 Cigna（股票代码：CI）进行了从 2000 年到 2025 年的回测，仅凭两个技术指标——EMA（指数移动平均线） 和 DI−（负方向指标），构建了一套完整的趋势跟踪交易系统。

这篇文章非常适合正在学习 Python 量化交易的同学，涉及到数据获取、指标计算、信号生成和组合回测等核心环节。下面我们就来拆解这套策略的完整逻辑和代码实现。

一、策略核心思路

这套策略的名称是 CI-EMA Breakout with DI Deceleration Strategy，核心逻辑可以用两句话概括：

• 入场：当收盘价站上 20 日 EMA 时买入，表明市场处于多头趋势。
• 出场：当 DI−（负方向指标）从上升转为下降时卖出，表明空头压力正在减弱，趋势可能反转。

策略不做预测，只做反应——这是典型的趋势跟踪系统的核心哲学。

二、环境准备与数据获取

首先需要安装以下 Python 库：

pip install pandas numpy yfinance vectorbt

然后下载 Cigna 的历史日线数据：

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

# -------------------------
# 下载股票数据
# -------------------------
symbol = "CI"           # 股票代码：Cigna
start_date = "2000-01-01"  # 起始日期
end_date = "2026-01-01"    # 结束日期
interval = "1d"            # 日线级别

# 通过 yfinance 下载数据
df = yf.download(symbol, start=start_date, end=end_date, interval=interval)

# 保存为 CSV 文件（可选）
df.to_csv("CI_clean.csv", index=False)

提示：yfinance 是一个免费的 Python 库，可以方便地从 Yahoo Finance 获取股票历史数据。

三、入场信号：EMA 突破

EMA（Exponential Moving Average，指数移动平均线） 是一种对近期价格赋予更高权重的均线，比简单移动平均线（SMA）更灵敏。

策略规则很简单：收盘价 > 20 日 EMA，则产生买入信号。

EMA_PERIOD = 20  # EMA 周期设为 20 天

def calculate_ema(df, period=EMA_PERIOD):
    """
    计算收盘价的指数移动平均线（EMA）。
    """
    df = df.copy()
    # 使用 pandas 的 ewm 方法计算 EMA
    df['EMA'] = df['Close'].ewm(span=period, adjust=False).mean()
    return df

def close_above_ema(df, period=EMA_PERIOD):
    """
    判断收盘价是否在 EMA 之上。
    返回布尔序列：True 表示收盘价高于 EMA。
    """
    df = calculate_ema(df, period)
    return df['Close'] > df['EMA']

生成入场信号：

# -------------------------
# 入场条件
# -------------------------
df["EMA_Close_Above"] = close_above_ema(df)

entry_conditions = [
    'EMA_Close_Above',  # 收盘价在 EMA 之上
]

# 所有入场条件同时满足时，产生入场信号
df['entry_signal'] = df[entry_conditions].all(axis=1)

这个条件充当了一个趋势过滤器：价格在 EMA 之上代表多头动能，低于 EMA 则保持观望。

四、出场信号：DI− 方向反转

DI−（Directional Indicator Minus，负方向指标） 用于衡量市场的空头压力强度，是 ADX 指标体系的一部分。

出场逻辑是：DI− 之前在上升（空头压力增强），现在开始下降（空头压力减弱），说明下跌动能正在衰退，此时卖出锁定利润。

DI_PERIOD = 14    # DI 计算周期
DI_SHIFT_1 = 5    # 近期偏移量
DI_SHIFT_2 = 10   # 远期偏移量

def calculate_di(df, period=DI_PERIOD):
    """
    计算 DI+（正方向指标）和 DI-（负方向指标）。
    """
    df = df.copy()

    # 计算真实波幅（True Range）
    df['H-L'] = df['High'] - df['Low']
    df['H-PC'] = abs(df['High'] - df['Close'].shift(1))
    df['L-PC'] = abs(df['Low'] - df['Close'].shift(1))
    df['TR'] = df[['H-L', 'H-PC', 'L-PC']].max(axis=1)

    # 计算 +DM（正方向运动）和 -DM（负方向运动）
    df['+DM'] = np.where(
        (df['High'] - df['High'].shift(1)) > (df['Low'].shift(1) - df['Low']),
        np.maximum(df['High'] - df['High'].shift(1), 0),
        0
    )
    df['-DM'] = np.where(
        (df['Low'].shift(1) - df['Low']) > (df['High'] - df['High'].shift(1)),
        np.maximum(df['Low'].shift(1) - df['Low'], 0),
        0
    )

    # Wilder 平滑处理
    df['TR_smooth'] = df['TR'].rolling(period).sum()
    df['+DM_smooth'] = df['+DM'].rolling(period).sum()
    df['-DM_smooth'] = df['-DM'].rolling(period).sum()

    # 计算 DI+ 和 DI-
    df['DI+'] = 100 * (df['+DM_smooth'] / df['TR_smooth'])
    df['DI-'] = 100 * (df['-DM_smooth'] / df['TR_smooth'])

    return df

def di_minus_change_direction_downward(df, shift_1=DI_SHIFT_1, shift_2=DI_SHIFT_2):
    """
    判断 DI- 是否从上升趋势转为下降趋势。
    即：DI- 在 shift_2 到 shift_1 期间是上升的，但在 shift_1 到当前是下降的。
    """
    df = calculate_di(df)
    return (df['DI-'].shift(shift_1) < df['DI-'].shift(shift_2)) & \
           (df['DI-'] < df['DI-'].shift(shift_1))

生成出场信号：

# -------------------------
# 出场条件
# -------------------------
df["DI-_Change_Direction_Downward"] = di_minus_change_direction_downward(df)

exit_conditions = [
    'DI-_Change_Direction_Downward',  # DI- 方向从上升转为下降
]

# 所有出场条件同时满足时，产生出场信号
df['exit_signal'] = df[exit_conditions].all(axis=1)

这种动态出场方式不依赖固定的止盈止损点，而是根据市场动能的变化自适应退出。

五、回测执行

使用 vectorbt 库进行组合回测，模拟真实的交易环境：

# -------------------------
# 回测设置
# -------------------------

# 信号延迟一天执行（模拟真实交易：今天产生信号，明天开盘执行）
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()

# 构建投资组合
pf = vbt.Portfolio.from_signals(
    close=df['Open'],          # 以开盘价成交
    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'                  # 日线频率
)

# 输出回测统计信息
print(pf.stats())

# 绘制资金曲线图
pf.plot().show()

同时，作者还做了一个买入持有（Buy & Hold） 的对比基准：

# 买入持有策略的回测（作为对比基准）
df_holding = df['Open']
pf_holding = vbt.Portfolio.from_holding(
    df_holding,
    init_cash=100_000,
    fees=0.001,
    slippage=0.002
)
print(pf_holding.stats())

六、回测结果

以下是该策略在 25 年回测期间的核心表现数据：

指标	策略表现	买入持有
回测周期	2000-01-03 至 2025-12-31	同左
总收益率	1406%	—
最大回撤	50%	84%
总交易次数	84 次	—
胜率	39%	—
盈亏比（Profit Factor）	1.56	—

几个关键点值得注意：

关于最大回撤：买入持有的最大回撤高达 84%（经历了 2000 年互联网泡沫和 2008 年金融危机），而策略通过在下跌趋势中及时退出，将最大回撤控制在了 50%。虽然仍然不低，但相比被动持有已经大幅改善。

关于 39% 的胜率：这看起来很低，但这正是趋势跟踪策略的典型特征——不需要高胜率，而是靠"让利润奔跑、快速截断亏损"来实现盈利。1.56 的盈亏比意味着总利润是总亏损的 1.56 倍，这对于趋势系统来说是健康的表现。

七、策略的优势与局限

优势方面：该策略在长周期回测中展现了比买入持有更好的资金保护能力，能够在主要上升趋势中获取收益，并在弱势行情中保持空仓。策略逻辑清晰，完全基于规则执行，排除了情绪干扰。

局限方面：50% 的最大回撤依然具有很大的心理压力；39% 的胜率要求交易者有足够的纪律和耐心。此外，作者也坦承，仅仅在历史数据上回测是不够的，还需要进行更严格的稳健性检验（如 Walk-Forward 优化）来验证策略在未来市场中的可靠性。

总结

这篇文章展示了一套基于 EMA 突破入场 + DI− 方向反转出场 的趋势跟踪策略，使用 Python 的 yfinance 和 vectorbt 库完成了从数据获取到回测分析的全流程。

对于 Python 量化交易的学习者来说，这个案例有几个重要的学习价值：

1. 掌握了如何用 yfinance 获取股票历史数据
2. 学会了 EMA 和 DI 指标的 Python 实现方式
3. 理解了如何使用 vectorbt 构建信号驱动的回测系统
4. 体会到了趋势跟踪策略"低胜率、高盈亏比"的核心理念

正如文章作者所说：一致性胜过预测（Consistency beats prediction）。 在量化交易中，纪律和系统化思维远比猜测市场方向重要。

免责声明：本文仅用于 Python 学习和技术交流，不构成任何投资建议。投资有风险，入市需谨慎。任何交易系统在实盘使用前，都应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. 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. 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. 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. 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. 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. 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. 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！