这个策略悄悄赚翻了!Python 实战均值回归交易
- 2026-06-30 16:12:18
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
你有没有想过，在 Amazon（AMZN）这种"牛股"身上，除了长期持有还能玩出什么花样？
数据说话：2000 年 1 月到 2025 年 12 月，如果你只是简单地买入并持有 AMZN，你会收获 5616% 的回报，10 万美元变成 570 万美元，非常惊人。但代价是：在互联网泡沫破裂期间，你要眼睁睁看着账户缩水 93%，几乎归零。
今天给大家拆解一个更"聪明"的玩法 —— AMZN Connors-Bollinger 超卖反转策略。它只在市场恐慌时出手，其余时间拿着现金休息。最终 26 年跑出了 16334% 的收益，是买入持有的近 3 倍！
下面我们用 Python 一步步拆解这个策略，代码全部可复现。
一、策略逻辑：两个指标的"共振"
这个策略的核心思想是：只在极度恐慌时买入。
它用两个指标做联合过滤：
1. 布林带下轨突破：当开盘价跌破 20 日均线减 2 倍标准差，说明价格已经进入统计上的异常低位。 2. ConnorsRSI < 30：这是 Larry Connors 提出的复合动量指标，综合了 3 个维度的超卖信号。
入场条件：两个条件同时满足，次日开盘买入。出场条件：当再次出现"开盘跌破下轨"的信号时，次日开盘卖出。
二、Python 代码实战
1. 下载 AMZN 历史数据
import pandas as pdimport numpy as npimport yfinance as yfimport vectorbt as vbt# 下载 AMZN 从 2000 年到 2026 年的日线数据symbol = "AMZN"start_date = "2000-01-01"end_date = "2026-01-01"interval = "1d"df = yf.download(symbol, start=start_date, end=end_date, interval=interval)df.to_csv("AMZN_clean.csv", index=False)2. 计算布林带
# 布林带参数：20 日周期，2 倍标准差BB_PERIOD = 20BB_STD = 2def calculate_bollinger_bands(df, period=BB_PERIOD, std_multiplier=BB_STD): """ 计算布林带的中轨、上轨和下轨 """ df = df.copy() # 中轨：20 日移动平均 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 dfdef bb_open_below_lower(df, period=BB_PERIOD, std_multiplier=BB_STD): # 判断开盘价是否跌破布林带下轨 df = calculate_bollinger_bands(df, period, std_multiplier) return df['Open'] < df['BB_Lower']3. 计算 ConnorsRSI 复合指标
ConnorsRSI 由三部分组成：经典 RSI、连续涨跌 RSI、百分位排名。
# ConnorsRSI 参数CRSI_RSI_OVERSOLD = 30 # 超卖阈值CRSI_RSI_PERIOD = 3 # RSI 周期CRSI_RSI_RANK_PERIOD = 100 # 百分位排名周期CRSI_RSI_STREAK_PERIOD = 2 # 连续涨跌 RSI 周期def connors_rsi(df, rsi_period=CRSI_RSI_PERIOD, streak_rsi_period=CRSI_RSI_STREAK_PERIOD, rank_period=CRSI_RSI_RANK_PERIOD): df = df.copy() # 1. 经典 RSI（基于价格变化） delta = df['Close'].diff() gain = delta.clip(lower=0) loss = -delta.clip(upper=0) avg_gain = gain.rolling(rsi_period).mean() avg_loss = loss.rolling(rsi_period).mean() rsi = 100 - (100 / (1 + (avg_gain / avg_loss + 1e-9))) # 2. 连续涨跌 RSI（基于连续上涨或下跌的天数） sign_diff = np.sign(delta) streak = sign_diff.groupby((sign_diff != sign_diff.shift()).cumsum()).cumsum() streak_rsi = streak.rolling(streak_rsi_period).apply( lambda x: 100 - (100 / (1 + (x.clip(lower=0).sum() / (-x.clip(upper=0).sum() + 1e-9)))) ) # 3. 100 日收益率百分位排名 roc = df['Close'].pct_change() rank = roc.rolling(rank_period).apply(lambda x: x.rank().iloc[-1] / len(x) * 100) # 三者取平均即为 ConnorsRSI df['ConnorsRSI'] = (rsi + streak_rsi + rank) / 3 return dfdef crsi_is_oversold(df, level=CRSI_RSI_OVERSOLD): # 判断 ConnorsRSI 是否处于超卖状态 df = connors_rsi(df) return df['ConnorsRSI'] < level4. 生成信号并回测
# 生成入场条件：ConnorsRSI 超卖df["CRSI_Is_Oversold"] = crsi_is_oversold(df)# 生成出场条件：开盘跌破布林带下轨df["BB_Open_Below_Lower"] = bb_open_below_lower(df)# 入场信号与出场信号df['entry_signal'] = df["CRSI_Is_Oversold"]df['exit_signal'] = df["BB_Open_Below_Lower"]# 信号向后移一根 K 线，模拟次日开盘执行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()# 使用 vectorbt 进行回测pf = vbt.Portfolio.from_signals( close=df['Open'], # 以开盘价成交 entries=shift_entries, exits=shift_exits, 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')print(pf.stats())pf.plot().show()三、回测结果揭秘
在 2000-01-03 至 2025-12-31 这 26 年间的表现：
| 16334% | ||
几个值得注意的亮点：
• 胜率只有 53%，但盈亏比高达 3.57，赚的时候多赚，亏的时候少亏。 • 平均持仓时间：盈利交易平均持有 117 天，亏损交易只持有 28 天，典型的"让利润奔跑，砍掉亏损"。 • 2009 年金融危机抄底的那笔交易，单次盈利高达 200%，贡献了大部分收益。
四、必须警惕的坑
这个策略虽然回测漂亮，但也有几点要冷静看待：
1. 最大回撤 90.5%：意味着 10 万美元会一度缩水到不到 1 万美元，持续近 5 年，心态不稳的人早就割肉了。 2. 单票回测的幸存者偏差：AMZN 本身就是 26 年涨了 70 多倍的神股，策略收益和 AMZN 的长期上涨深度绑定，不代表换个股票也能复现。 3. 均值回归策略在单边下跌行情中是"接飞刀"：2000 年互联网泡沫期间，策略几乎无处可藏。
建议：在实盘之前，还需要做 Walk-Forward 参数优化、多品种样本外测试，确认策略真的稳健，而不是"过拟合"出来的漂亮曲线。
总结
这篇文章带大家用 Python 实现了一个经典的均值回归策略 —— 布林带 + ConnorsRSI 超卖反转。核心思路只有一句话：
在市场极度恐慌时买入，在下一次恐慌出现时卖出。
它告诉我们几个重要的交易哲学：
1. 等待比交易更重要：26 年只交易 78 次，大部分时间都在"摸鱼"。 2. 胜率不是关键，盈亏比才是：53% 的胜率照样跑出惊人的回报。 3. 回测不等于未来：漂亮的历史曲线不代表未来能复制，必须做稳健性检验。
对 Python 量化感兴趣的朋友，可以把这个框架改一改，换成 TSLA、NVDA、META 等其他品种试一试，观察一下策略的适应性。记住：真正的 edge 不是代码本身，而是你对市场的理解。
参考文章
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
