用 Python 实现实现两个冷门指标的高收益交易策略
- 2026-09-08 15:26:36
用 Python 揭秘均值回归策略：你的收益从何而来？
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 350 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
在量化交易的世界里，大多数人追逐的是 MACD、RSI、布林带这些耳熟能详的指标。但有时候，真正有效的信号恰恰来自那些"冷门"的技术指标。
今天要介绍的这套策略，只用了两个核心思路：当卖压减弱时入场，当趋势变强时离场。听起来简单得不可思议，但在 Caterpillar（CAT）这只股票上回测了 25 年，总收益高达 6521%，远超同期买入持有的 4581%。
这套策略的核心武器是两个相对冷门的技术指标——DeMarker 指标和 ADX 指标。接下来，我们用 Python 一步步实现它。
什么是 DeMarker 指标？
DeMarker 指标是由 Thomas DeMark 提出的震荡指标，它关注的不是价格动量，而是价格极值的变化。简单来说，它衡量的是当前最高价与前一日最高价、当前最低价与前一日最低价之间的关系。
DeMarker 的取值范围在 0 到 1 之间。当它处于低位时，说明卖压较重；当它从低位回升时，意味着卖方力量正在衰竭。
什么是 ADX 指标？
ADX（Average Directional Index，平均趋向指数）由 Welles Wilder 提出，专门用来衡量趋势的强度，而不关心趋势的方向。ADX 值越高，说明当前趋势越强。通常以 20 作为分界线：低于 20 表示市场震荡，高于 20 表示趋势正在形成。
策略逻辑
这套策略的哲学非常简洁：
入场条件：DeMarker 指标在 5 日前的值小于 10 日前的值。这意味着卖压虽然还在，但已经在减弱——这往往发生在价格明显反转之前。
出场条件：ADX 从低于 20 上穿到 20 以上。这说明一个强趋势正在形成，此时策略选择离场，避免在波动放大时被反噬。
Python 实现
1. 环境准备与数据下载
import pandas as pd
import numpy as np
import yfinance as yf
import vectorbt as vbt
# -------------------------
# 下载数据
# -------------------------
symbol = "CAT"
start_date = "2000-01-01"
end_date = "2026-01-01"
interval = "1d"
# 使用 yfinance 下载 CAT 的日线数据
df = yf.download(symbol, start=start_date, end=end_date, interval=interval)
# 保存为 CSV 文件，方便后续使用
df.to_csv("CAT_clean.csv", index=False)
print(df.head())2. 计算 DeMarker 指标
# DeMarker 指标参数
DEM_PERIOD = 14 # 计算周期
DEM_SHIFT_1 = 5 # 近期回看天数
DEM_SHIFT_2 = 10 # 远期回看天数
def calculate_demarker(df, period=DEM_PERIOD):
"""
计算 DeMarker 指标。
DeMax：当今日最高价高于昨日最高价时，取差值；否则为 0。
DeMin：当今日最低价低于昨日最低价时，取差值；否则为 0。
DeMarker = DeMax 之和 / (DeMax 之和 + DeMin 之和)
"""
df = df.copy()
# 计算 DeMax 和 DeMin
df['DeMax'] = np.where(
df['High'] > df['High'].shift(1),
df['High'] - df['High'].shift(1),
0
)
df['DeMin'] = np.where(
df['Low'] < df['Low'].shift(1),
df['Low'].shift(1) - df['Low'],
0
)
# 计算滚动窗口内的求和
dem_max = df['DeMax'].rolling(window=period).sum()
dem_min = df['DeMin'].rolling(window=period).sum()
# 计算 DeMarker 值
df['DeMarker'] = dem_max / (dem_max + dem_min)
return df3. 构建入场信号
策略的入场逻辑是判断 DeMarker 是否在"减速下跌"——即 5 天前的 DeMarker 值小于 10 天前的值。这表示卖方力量虽然仍占上风，但衰减速度在放缓，市场可能即将反转。
def demarker_is_falling(df, shift_1=DEM_SHIFT_1, shift_2=DEM_SHIFT_2):
"""
判断 DeMarker 是否在缓慢下降。
比较 5 日前与 10 日前的 DeMarker 值，
如果 5 日前的值更低，说明下跌趋势在延续但力度减弱。
"""
df = calculate_demarker(df)
return df['DeMarker'].shift(shift_1) < df['DeMarker'].shift(shift_2)
# 生成入场信号
df["Demarker_Is_Falling"] = demarker_is_falling(df)
# 定义入场条件列表（可扩展）
entry_conditions = [
'Demarker_Is_Falling',
]
# 当所有入场条件同时满足时，发出入场信号
df['entry_signal'] = df[entry_conditions].all(axis=1)4. 计算 ADX 指标
ADX_LEVEL = 20 # ADX 的趋势判断阈值
ADX_PERIOD = 14 # ADX 计算周期
def calculate_adx(df, period=14):
"""
计算 ADX（平均趋向指数）及相关列。
包括真实波幅（TR）、方向运动（+DM/-DM）、
方向指标（+DI/-DI）、以及最终的 ADX。
"""
# 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)
# 方向运动（Directional Movement）
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
)
# 滚动窗口平滑
df['TRn'] = df['TR'].rolling(window=period).sum()
df['+DMn'] = df['+DM'].rolling(window=period).sum()
df['-DMn'] = df['-DM'].rolling(window=period).sum()
# 计算 +DI 和 -DI
df['+DI'] = 100 * (df['+DMn'] / df['TRn'])
df['-DI'] = 100 * (df['-DMn'] / df['TRn'])
# 计算 DX 和 ADX
df['DX'] = 100 * abs(df['+DI'] - df['-DI']) / (df['+DI'] + df['-DI'])
df['ADX'] = df['DX'].rolling(window=period).mean()
return df5. 构建出场信号
def adx_cross_above_level(df, period=ADX_PERIOD, level=ADX_LEVEL):
"""
判断 ADX 是否从下方上穿指定阈值（默认 20）。
当 ADX 上穿 20 时，说明趋势正在形成，策略选择离场。
"""
df = calculate_adx(df, period)
return (df['ADX'].shift(1) <= level) & (df['ADX'] > level)
# 生成出场信号
df["ADX_XAbove20"] = adx_cross_above_level(df)
# 定义出场条件列表
exit_conditions = [
'ADX_XAbove20',
]
# 当所有出场条件同时满足时，发出出场信号
df['exit_signal'] = df[exit_conditions].all(axis=1)6. 回测执行
# -------------------------
# 回测
# -------------------------
# 将信号向后移一位，避免未来数据偷看（look-ahead bias）
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 构建投资组合
pf = vbt.Portfolio.from_signals(
close=df['Open'], # 以次日开盘价执行交易
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' # 日频交易
)
# 输出回测统计结果
print(pf.stats())
# 可视化回测结果
pf.plot().show()7. 买入持有对比
# 买入持有基准的表现
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())回测结果一览
以下是该策略从 2000 年到 2025 年底的关键回测指标：
可以看到，策略在总收益、Sharpe 比率和 Sortino 比率上均优于简单的买入持有，同时最大回撤也略低。
策略的核心优势
这套策略并不追求抓住爆发性行情，而是专注于早期定位和均值回归的那段平静期。它的边际优势来自于行为层面的时机把握：在恐惧尚未消退但已在减弱时入场，在波动率扩大之前离场。
整个系统只有 2 个条件、2 个指标，没有复杂的参数优化，也不需要高频交易的基础设施。对于 Python 量化入门者来说，这是一个非常好的学习案例。
注意事项
需要特别提醒的是，回测结果仅基于历史数据，不代表未来收益。在实际应用之前，还需要进行更多的稳健性测试，例如：走步前进优化（Walk-Forward Optimization）、跨品种验证、参数敏感性分析等。任何交易策略都伴随风险，请务必做好自己的研究。
总结
这篇文章介绍了一套基于 DeMarker 和 ADX 指标的量化交易策略，并用 Python 完整实现了从数据下载到回测输出的全部流程。策略的核心理念是"不预测价格方向，只观察市场状态"：当卖压衰竭时入场，当趋势爆发时离场。
通过这个案例，我们可以学到以下几点：
1. DeMarker 指标的计算原理与应用方式 2. ADX 指标衡量趋势强度的核心逻辑 3. 如何使用 vectorbt 进行信号回测 4. 如何通过信号位移避免未来数据偷看 5. 简单策略未必不如复杂模型——关键在于问对问题
与其问"价格会去哪里"，不如问"压力在减弱吗？趋势在形成吗？"有时候，这就够了。
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. 量化投研实战课程：赠送《AKQuant-入门及实战》《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！
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
