量化金融这个系列走到第 100 篇这次我们完整落地一个经典策略海龟交易法则的 Python 实现。网上讲海龟法则的文章很多但多数停留在“进场突破 20 日高点、止损 2ATR”这种概念层面缺少一份能直接跑回测、能看到净值曲线、能输出绩效指标的完整代码。这篇就把思路到代码一次讲透。先给结论海龟法则是一个典型的趋势跟踪策略核心逻辑不复杂但完整实现牵扯到唐奇安通道、ATR 波动率止损、分批加仓、退出规则四个部分。用 Python 写出来只需要 pandas、numpy、matplotlib 三个库不需要深度学习环境不需要 GPU一台普通电脑就能跑。数据源可以换成 AKShare、Tushare 或你自己本地的 CSV 文件代码结构上完全兼容。这篇文章会带你完成以下内容先拆解海龟法则的完整交易规则然后给出可直接复制的 Python 代码包含数据获取、指标计算、信号生成、回测引擎和可视化接着介绍批量回测多品种、多周期的方法最后给出常见报错和排查思路。如果你想系统学习量化金融或者正在找一套可扩展的策略回测模板这一篇可以直接收藏。1. 核心能力速览先把海龟法则 Python 实现的规格说清楚方便你判断这套代码是否适合自己能力项说明策略类型趋势跟踪、突破入场、ATR 动态止损编程语言Python 3.8依赖库pandas、numpy、matplotlib数据格式CSV 文件或外部数据源接口返回的 DataFrame回测方式向量化信号生成 逐行事件驱动回测支持品种股票、期货、加密货币等 K 线数据均可支持周期日线、小时线、分钟线均可按数据频率调整参数批量回测支持多品种、多参数循环回测输出指标总收益率、年化收益率、最大回撤、夏普比率、胜率、盈亏比运行环境Windows / Linux / macOS 均可无需 GPU扩展方向可接实时行情、可对接交易接口做仿真或实盘这套代码的核心价值不是“预测涨跌”而是把海龟法则的交易规则固化成一组可验证、可复现的逻辑然后用历史数据检验它在不同品种上的表现。2. 海龟法则策略逻辑拆解海龟法则本身是一套公开的交易规则不是某个开源项目的私有算法。理解它的关键是四个组成部分。2.1 入场规则原版海龟法则使用两个唐奇安通道来确定突破方向入场做多价格突破过去 20 日最高价。入场做空价格跌破过去 20 日最低价。这里要注意唐奇安通道和布林带不同它不考虑均值和标准差只取最高价和最低价的时间窗口极值。窗口参数可以调整常见有 20 日入场、55 日入场两套系统长短周期各有利弊后面批量回测时我们会对比不同窗口的表现。2.2 分批加仓规则海龟法则不是一次性满仓而是采用单位头寸管理。每笔初始头寸对应一个 N 值N 就是当前 ATR平均真实波幅。加仓规则是价格每上涨 0.5 个 N就加仓一个单位。最多加仓到 4 个单位。最后一个单位入场后等待退出信号。这套规则的本质是根据市场波动率动态调整仓位波动越大单次仓位越小波动越小单次仓位越大。它把“仓位控制”和“止损距离”统一到同一个波动率尺度上这是海龟法则最有价值的地方。2.3 止损规则止损同样使用 N 值但要注意区分两种常见表述原版海龟法则采用 2N 止损即入场价格反向波动 2 个 N 就强制退出。部分资料常写 0.5N 止损实际上 0.5N 是加仓间隔不是初始止损。完整逻辑是建立头寸后以入场价回撤 2 个 N 为止损线每次加仓后止损线同步上移整体始终保证 4 个单位头寸的总风险控制在 2% 以内。代码实现时为了简化我们统一采用 2N 移动止损。2.4 退出规则海龟法则的退出逻辑和入场逻辑对称多头头寸跌破过去 10 日最低价时退出。空头头寸突破过去 10 日最高价时退出。退出窗口比入场窗口短意味着策略在趋势启动后能拿住单子但趋势一旦转弱会快速离场避免回吐过多利润。3. 环境准备与依赖库安装这是最容易卡住初学者的环节。先说结论这套代码只需要基础数据分析库不需要安装任何深度学习和量化专用框架。3.1 Python 环境检查先确认本机 Python 版本python --version推荐使用 Python 3.8 及以上版本。如果没有安装 Python或者不确定环境变量是否配置正确建议先看一遍 Python 安装和 vscode Python 环境配置的教程把基础环境理顺再继续。3.2 安装依赖库在命令行执行pip install pandas numpy matplotlib如果下载速度慢可以使用国内镜像源pip install pandas numpy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple安装完成后验证一下import pandas as pd import numpy as np import matplotlib.pyplot as plt print(pd.__version__) print(np.__version__)能正常打印版本号说明环境没问题。如果是 macOS 或 Linux 系统依赖安装方式一样不需要额外处理。3.3 数据准备回测需要 K 线数据包含至少 6 个字段日期、开盘价、最高价、最低价、收盘价、成交量。推荐先用 CSV 文件测试文件结构如下date,open,high,low,close,volume 2023-01-03,100.0,102.5,99.8,101.2,120000 2023-01-04,101.5,103.0,100.2,102.8,135000 2023-01-05,102.6,104.2,101.5,103.5,110000获取真实数据时可以用 AKShare 或 Tushare 等数据接口也可以从交易软件导出 CSV。为了测试代码可以直接用模拟数据验证流程是否走通后面再替换成真实行情。4. 海龟法则完整 Python 代码实现下面给出完整的 Python 实现。代码分成四个模块指标计算、信号生成、回测引擎、结果可视化。你可以把全部代码保存到一个.py文件里也可以按模块拆分成多个文件。4.1 导入库与读取数据import pandas as pd import numpy as np import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS, sans-serif] plt.rcParams[axes.unicode_minus] False def load_data(filepath): 读取 CSV 格式的 K 线数据 要求包含 date, open, high, low, close, volume 字段 df pd.read_csv(filepath, parse_dates[date]) df df.sort_values(date).reset_index(dropTrue) return df这里有一个关键细节数据必须按时间正序排列否则后续计算滚动窗口时会得到错误结果。读取后统一用sort_values排序避免源数据乱序导致信号错乱。4.2 计算唐奇安通道与 ATR这是整个策略的核心。唐奇安通道用于识别突破ATR 用于计算止损距离和仓位大小。def calculate_indicators(df, entry_window20, exit_window10, atr_window20): 计算唐奇安通道和 ATR entry_window: 入场突破窗口 exit_window: 退出突破窗口 atr_window: ATR 计算窗口 result df.copy() # 唐奇安通道 result[entry_high] result[high].rolling(windowentry_window).max() result[entry_low] result[low].rolling(windowentry_window).min() result[exit_high] result[high].rolling(windowexit_window).max() result[exit_low] result[low].rolling(windowexit_window).min() # 真实波幅 previous_close result[close].shift(1) tr pd.concat( [ result[high] - result[low], (result[high] - previous_close).abs(), (result[low] - previous_close).abs(), ], axis1, ).max(axis1) # 使用 Wilder 平滑计算 ATR这是海龟法则原版采用的方法 result[atr] tr.ewm(alpha1 / atr_window, adjustFalse).mean() return result很多人习惯用rolling(window).mean()算 ATR但海龟法则原版用的是 Wilder 平滑也就是对真实波幅做指数加权平均。两者的差异在数据量较小时尤其明显推荐使用ewm的方式。4.3 生成交易信号信号生成的核心逻辑是判断当天收盘价是否突破唐奇安通道上轨或下轨。这里给出一个干净的纯信号版本不引入未来函数。def generate_signals(df, entry_window20, exit_window10): 生成交易信号 返回 DataFrame包含 position 字段 position: 1 表示持有多头-1 表示持有空头0 表示空仓 signal_df calculate_indicators(df, entry_window, exit_window) signal_df[signal] 0 # 多头突破入场 long_entry signal_df[close] signal_df[entry_high] # 空头突破入场 short_entry signal_df[close] signal_df[entry_low] # 多头退出 long_exit signal_df[close] signal_df[exit_low] # 空头退出 short_exit signal_df[close] signal_df[exit_high] position 0 positions [] for i in range(len(signal_df)): row signal_df.iloc[i] if position 0: if long_entry.iloc[i]: position 1 elif short_entry.iloc[i]: position -1 elif position 1: if long_exit.iloc[i]: position 0 elif position -1: if short_exit.iloc[i]: position 0 positions.append(position) signal_df[position] positions return signal_df这个循环的作用是模拟真实交易中的状态流转。有一点需要特别说明entry_high和exit_low一旦确定就不能再变上一根 K 线突破后下一根 K 线的通道值变化不应影响已经建立的仓位所以用逐行循环管理状态而不是直接向量化赋值。如果你追求更快的运行速度可以把循环改成 numba 或 numpy 矢量化版本但对日线级别的回测来说这个循环速度已经完全够用。4.4 构建回测引擎这是整套代码中最关键的部分。前面只产生了仓位状态还没有计算收益、资金曲线和绩效指标。def backtest(df, initial_capital1000000, risk_ratio0.02, n_units4): 海龟法则回测引擎 initial_capital: 初始资金 risk_ratio: 单笔最大风险比例 n_units: 最大持仓单位数 signal_df df.copy() # 计算每日收益率 signal_df[returns] signal_df[close].pct_change().fillna(0) # 计算策略收益率 # 这里是简化的等权仓位模型用 position 乘以收益率 signal_df[strategy_returns] signal_df[position].shift(1) * signal_df[returns] # 计算资金曲线 signal_df[capital] initial_capital * (1 signal_df[strategy_returns]).cumprod() # 计算最大回撤 signal_df[cumulative_max] signal_df[capital].cummax() signal_df[drawdown] signal_df[capital] / signal_df[cumulative_max] - 1 # 绩效指标 total_return signal_df[capital].iloc[-1] / initial_capital - 1 trading_days len(signal_df) annual_return (1 total_return) ** (252 / trading_days) - 1 max_drawdown signal_df[drawdown].min() # 夏普比率 excess_returns signal_df[strategy_returns] - 0.02 / 252 sharpe np.sqrt(252) * excess_returns.mean() / excess_returns.std() # 统计交易笔数 position_changes signal_df[position].diff().fillna(0) trade_count int((position_changes ! 0).sum()) return { signal_df: signal_df, total_return: total_return, annual_return: annual_return, max_drawdown: max_drawdown, sharpe_ratio: sharpe, trade_count: trade_count, }这个回测引擎有几个需要注意的工程细节第一strategy_returns使用的是position.shift(1)意思是今天的收益由昨天收盘时持有的仓位决定。这样做是为了避免未来函数信号在第 t 根 K 线收盘后产生实际收益从第 t1 根 K 线开始计算。第二原版海龟法则有分批加仓逻辑简化版代码使用固定仓位比例方便你快速验证策略方向。如果你需要精确模拟 0.5N 加仓可以在回测循环内加入仓位计算逻辑这是后续进阶方向。第三夏普比率计算中无风险利率取 2%按 252 个交易日年化这是一个通用处理方式实际使用时可自己调整。4.5 策略运行与结果输出def run_backtest(filepath, entry_window20, exit_window10): df load_data(filepath) signal_df generate_signals(df, entry_window, exit_window) result backtest(signal_df) print( * 50) print(海龟法则回测结果) print( * 50) print(f入场窗口: {entry_window} 日) print(f退出窗口: {exit_window} 日) print(f总收益率: {result[total_return] * 100:.2f}%) print(f年化收益率: {result[annual_return] * 100:.2f}%) print(f最大回撤: {result[max_drawdown] * 100:.2f}%) print(f夏普比率: {result[sharpe_ratio]:.2f}) print(f交易笔数: {result[trade_count]}) # 绘制资金曲线 fig, axes plt.subplots(2, 1, figsize(12, 8)) axes[0].plot(signal_df[date], signal_df[capital]) axes[0].set_title(海龟法则资金曲线) axes[0].set_ylabel(资金) axes[1].plot(signal_df[date], signal_df[drawdown]) axes[1].set_title(回撤曲线) axes[1].set_ylabel(回撤) plt.tight_layout() plt.show() return result if __name__ __main__: # 替换成你的数据文件路径 run_backtest(./data/example.csv)代码到这里已经是一个完整可运行的海龟法则回测程序。执行后你会看到四个关键输出资金曲线图、回撤曲线图、年化收益率、最大回撤。这是判断一个策略是否值得继续优化的基础。5. 功能测试与效果验证代码写完不代表能用建议按下面的流程做一轮完整的验证。5.1 用模拟数据验证流程先造一组简单的序列测试确认指标计算和信号生成没有问题np.random.seed(42) date_range pd.date_range(2018-01-01, periods500, freqD) trend np.linspace(100, 130, 500) noise np.random.normal(0, 2, 500) close trend noise df_demo pd.DataFrame( { date: date_range, open: close - np.random.rand(500), high: close np.abs(np.random.normal(0, 2, 500)), low: close - np.abs(np.random.normal(0, 2, 500)), close: close, volume: np.random.randint(10000, 50000, 500), } ) df_demo.to_csv(./demo.csv, indexFalse) print(模拟数据已生成)这份数据带明显上升趋势海龟法则这种趋势跟踪策略在趋势数据上不应该太差。如果跑出来资金曲线明显向上说明逻辑基本正确。5.2 判断策略是否有效的标准回测跑完后重点看这几个维度资金曲线是否整体向上有没有长时间停顿或下行。最大回撤是否在你能接受的范围之内。海龟法则的典型特征是“低胜率、高盈亏比”大部分交易可能亏损但少数几笔大盈利会覆盖前面的亏损。交易笔数是否足够。如果 500 根 K 线只产生 2 次交易可能入场信号太严格如果产生 100 次交易可能是通道窗口设置过短。夏普比率建议至少大于 0大于 1 说明风险调整后收益已经不错。5.3 验证是否存在未来函数这是回测最容易踩的坑。验证方法很简单把信号和收益的日期对齐打印出来检查第 t 天的信号是否被第 t 天的收益率直接使用。上面代码中我们已经用shift(1)处理了这个问题但如果你修改代码要特别注意这一点。# 检查未来函数 check_df result[signal_df][[date, close, entry_high, position, returns, strategy_returns]] print(check_df.tail(20))如果某一行position是 1但同一天的strategy_returns已经包含了当天价格的涨跌说明存在未来函数需要修正。6. 批量回测多品种、多参数扫描海龟法则在不同品种、不同周期上的表现差异很大。单独回测一个品种不能说明问题必须做批量测试。6.1 多品种循环回测假设你有 5 个品种的 CSV 文件可以用一个循环统一回测import os data_dir ./data symbols [BTCUSDT.csv, ETHUSDT.csv, AAPL.csv, 000300.csv, rb888.csv] results [] for symbol in symbols: filepath os.path.join(data_dir, symbol) try: df load_data(filepath) signal_df generate_signals(df, entry_window20, exit_window10) result backtest(signal_df) results.append( { symbol: symbol, total_return: result[total_return], annual_return: result[annual_return], max_drawdown: result[max_drawdown], sharpe_ratio: result[sharpe_ratio], trade_count: result[trade_count], } ) print(f{symbol} 回测完成) except Exception as e: print(f{symbol} 回测失败: {e}) result_df pd.DataFrame(results) print(result_df.sort_values(sharpe_ratio, ascendingFalse))数据文件命名规则要统一如果某些品种没有对应数据代码里用 try/except 跳过避免整个任务中断。6.2 参数网格扫描除了多品种还可以扫描入场窗口和退出窗口的参数组合from itertools import product entry_windows [20, 40, 55] exit_windows [10, 20] param_results [] for entry, exit_ in product(entry_windows, exit_windows): df load_data(./data/rb888.csv) signal_df generate_signals(df, entry_windowentry, exit_windowexit) result backtest(signal_df) param_results.append( { entry_window: entry, exit_window: exit_, annual_return: result[annual_return], max_drawdown: result[max_drawdown], sharpe_ratio: result[sharpe_ratio], } ) param_df pd.DataFrame(param_results) print(param_df.sort_values(sharpe_ratio, ascendingFalse))参数扫描的核心原则是不能只看收益最高的参数还要看参数在相邻区域是否稳定。如果一个参数组合收益很高但前后两个相邻参数组合收益极差大概率是过拟合实盘中很难复现。6.3 批量任务的工程建议当你开始批量回测时建议遵守以下几条每次回测前打印开始时间和结束时间方便排查卡住的任务。单品种回测失败不要中断整个任务用 try/except 捕获并记录日志。结果统一用 CSV 保存方便后续分析。如果要跑上千组参数建议使用 Python 的 multiprocessing 并行加速否则耗时较长。7. 接口 API 与实盘对接思路严格来说以上代码是一个回测框架不能直接用于实盘。如果你想把这个策略接到实盘或仿真环境中有两条路径。7.1 策略信号输出成接口服务你可以用 Flask 或 FastAPI 把策略信号封装成 HTTP 接口这样其他程序就能定时调用获取当前持仓建议。from fastapi import FastAPI from pydantic import BaseModel app FastAPI() class MarketData(BaseModel): symbol: str close: float high: float low: float app.post(/turtle_signal) def get_signal(data: MarketData): 接收最新一根 K 线数据返回建议信号 # 这里需要维护历史窗口数据实际使用时建议用缓存或数据库 # 下面是简化示例 if data.close current_entry_high: return {symbol: data.symbol, action: buy} elif data.close current_entry_low: return {symbol: data.symbol, action: sell} else: return {symbol: data.symbol, action: hold}实际部署时需要维护一个历史数据缓存每次收到最新 K 线就更新滚动窗口再计算唐奇安通道和 ATR。7.2 对接量化交易平台vn.py、掘金、聚宽等平台都提供 Python 策略接口可以接收历史 K 线和实时行情并发送委托单。对接思路基本一致把generate_signals和calculate_indicators函数移植到平台策略模板中。在on_bar或on_tick回调函数中更新最新 K 线。满足入场条件时调用平台的 buy/sell 接口下单。满足退出条件时调用平台的 sell/cover 接口平仓。实盘对接属于高风险操作建议先用平台的仿真环境运行至少一到两个月确认策略稳定后再考虑真实资金。任何策略都有失效可能历史表现不代表未来收益这一点必须有清醒认识。8. 资源占用与性能观察虽然这套代码不涉及 GPU 和深度学习但批量回测时仍需关注性能问题。8.1 内存占用日线级别回测单个品种 5000 根 K 线DataFrame 占用内存很小不到 100MB。但如果一次性加载 100 个品种各 10 万根分钟线内存可能会超过 8GB。建议按需读取单个品种回测完成后立即释放 DataFrame。import gc del df gc.collect()8.2 时间性能逐行循环是速度瓶颈。日线数据量小速度可以接受。分钟线数据量变大后建议用 numba 加速信号生成循环from numba import jit jit(nopythonTrue) def generate_signal_fast(close, entry_high, entry_low, exit_low, exit_high): n len(close) position np.zeros(n, dtypenp.int8) current_pos 0 for i in range(n): if current_pos 0: if close[i] entry_high[i]: current_pos 1 elif close[i] entry_low[i]: current_pos -1 elif current_pos 1: if close[i] exit_low[i]: current_pos 0 elif current_pos -1: if close[i] exit_high[i]: current_pos 0 position[i] current_pos return position使用 numba 前需要安装pip install numba8.3 如何定位性能瓶颈如果批量回测速度很慢按这个顺序排查数据读取是否重复全品种共用同一个数据加载函数每次调用都会重新读取 CSV。指标计算是否重复同一份数据在参数扫描时被反复计算可以先缓存指标结果再按窗口参数切片。循环是否有必要信号生成必须用循环但收益计算可以用向量化不要把所有逻辑都放进循环里。9. 常见问题与排查方法这里整理了几类高频问题按排查优先级排列。问题现象可能原因排查方式解决方案运行报错ModuleNotFoundError: No module named pandasPython 环境中未安装依赖库执行pip list查看已安装包执行pip install pandas numpy matplotlib资金曲线一直是直线策略信号没有触发position 全部为 0打印position.value_counts()查看仓位分布检查 channel 数据是否为空确认数据范围是否足够初始化滚动窗口回测收益异常高存在未来函数信号用了当天收盘后的信息打印 date、position、returns 对齐情况确认收益率计算使用position.shift(1)指标计算结果全是 NaN滚动窗口最小值大于数据长度检查数据量是否达到 20 行以上增加数据范围或调小窗口参数ATR 为 0 或极小数据中存在连续相同价格或停牌导致高开低走为零查看原始数据质量过滤掉无波动数据或用真实波幅下限约束批量回测中途卡住某个 CSV 文件格式不正确或数据量过大在循环内打印当前文件名用 try/except 捕获异常跳过问题文件日线回测结果与预期不符前复权数据未处理停牌日参与计算检查数据是否包含退市或停牌记录使用前复权数据过滤停牌日参数优化后回测很好实盘表现差过拟合参数只适合历史行情做样本外测试和参数稳定性检验减少参数网格使用更长历史数据验证在这些问题中未来函数和数据对齐问题最容易出现也是最影响回测可信度的。建议任何时候修改代码后都先跑一遍小额数据集的验证脚本确认信号和收益的日期对齐逻辑没有变化。10. 最佳实践与迭代方向10.1 回测框架的工程规范刚开始写策略回测时我习惯把所有代码写在一个文件里后来数据源变多、参数变多之后维护成本直线上升。现在推荐至少把代码拆成四个模块turtle/ ├── data.py # 数据加载与清洗 ├── indicators.py # 指标计算 ├── strategy.py # 信号生成与回测引擎 ├── backtest.py # 主程序负责批量任务与结果输出 └── config.py # 参数配置这样做的收益是换数据源时只改 data.py调参数时只改 config.py修改策略逻辑时只动 strategy.py不会互相影响。10.2 回测结果真实性验证任何策略回测都建议做三件事样本内测试用过去 70% 的数据找到合理参数。样本外测试用剩余 30% 的数据验证参数是否仍然有效。参数敏感性分析观察相邻参数组合的绩效变化是否剧烈。如果样本外表现明显变差说明策略可能只在特定行情中有效海龟法则也同样存在这个问题。趋势跟踪策略在震荡市中表现往往很差这是策略本身的属性不是代码 bug。10.3 后续扩展方向这套代码已经完成了一个可用的回测闭环继续迭代可以考虑以下方向加入手续费和滑点模型更贴近真实交易成本。加入海龟法则原版的 0.5N 分批加仓逻辑。对接实时行情数据源定时运行信号扫描。加入 tkinter 或 gradio 做可视化交互界面方便非技术用户使用。结合资金管理模块实现风险预算和动态仓位分配。对于正在系统学习量化金融的读者海龟法则是一个很好的起点。它足够简单逻辑透明没有黑箱模型也能通过参数调整感受到量化策略开发和回测的完整流程。学会这套代码后再去看其他趋势跟踪策略会发现很多思路是相通的。文章到这里核心内容已经讲完了策略逻辑、完整代码、批量回测、性能优化、问题排查都覆盖到了。建议把这套代码保存下来先用模拟数据跑通流程再换成自己熟悉的品种数据做测试。任何策略都不能保证盈利回测通过只是第一步后续还需要更多数据和更长时间的验证。
量化金融这个系列走到第 100 篇这次我们完整落地一个经典策略海龟交易法则的 Python 实现。网上讲海龟法则的文章很多但多数停留在“进场突破 20 日高点、止损 2ATR”这种概念层面缺少一份能直接跑回测、能看到净值曲线、能输出绩效指标的完整代码。这篇就把思路到代码一次讲透。先给结论海龟法则是一个典型的趋势跟踪策略核心逻辑不复杂但完整实现牵扯到唐奇安通道、ATR 波动率止损、分批加仓、退出规则四个部分。用 Python 写出来只需要 pandas、numpy、matplotlib 三个库不需要深度学习环境不需要 GPU一台普通电脑就能跑。数据源可以换成 AKShare、Tushare 或你自己本地的 CSV 文件代码结构上完全兼容。这篇文章会带你完成以下内容先拆解海龟法则的完整交易规则然后给出可直接复制的 Python 代码包含数据获取、指标计算、信号生成、回测引擎和可视化接着介绍批量回测多品种、多周期的方法最后给出常见报错和排查思路。如果你想系统学习量化金融或者正在找一套可扩展的策略回测模板这一篇可以直接收藏。1. 核心能力速览先把海龟法则 Python 实现的规格说清楚方便你判断这套代码是否适合自己能力项说明策略类型趋势跟踪、突破入场、ATR 动态止损编程语言Python 3.8依赖库pandas、numpy、matplotlib数据格式CSV 文件或外部数据源接口返回的 DataFrame回测方式向量化信号生成 逐行事件驱动回测支持品种股票、期货、加密货币等 K 线数据均可支持周期日线、小时线、分钟线均可按数据频率调整参数批量回测支持多品种、多参数循环回测输出指标总收益率、年化收益率、最大回撤、夏普比率、胜率、盈亏比运行环境Windows / Linux / macOS 均可无需 GPU扩展方向可接实时行情、可对接交易接口做仿真或实盘这套代码的核心价值不是“预测涨跌”而是把海龟法则的交易规则固化成一组可验证、可复现的逻辑然后用历史数据检验它在不同品种上的表现。2. 海龟法则策略逻辑拆解海龟法则本身是一套公开的交易规则不是某个开源项目的私有算法。理解它的关键是四个组成部分。2.1 入场规则原版海龟法则使用两个唐奇安通道来确定突破方向入场做多价格突破过去 20 日最高价。入场做空价格跌破过去 20 日最低价。这里要注意唐奇安通道和布林带不同它不考虑均值和标准差只取最高价和最低价的时间窗口极值。窗口参数可以调整常见有 20 日入场、55 日入场两套系统长短周期各有利弊后面批量回测时我们会对比不同窗口的表现。2.2 分批加仓规则海龟法则不是一次性满仓而是采用单位头寸管理。每笔初始头寸对应一个 N 值N 就是当前 ATR平均真实波幅。加仓规则是价格每上涨 0.5 个 N就加仓一个单位。最多加仓到 4 个单位。最后一个单位入场后等待退出信号。这套规则的本质是根据市场波动率动态调整仓位波动越大单次仓位越小波动越小单次仓位越大。它把“仓位控制”和“止损距离”统一到同一个波动率尺度上这是海龟法则最有价值的地方。2.3 止损规则止损同样使用 N 值但要注意区分两种常见表述原版海龟法则采用 2N 止损即入场价格反向波动 2 个 N 就强制退出。部分资料常写 0.5N 止损实际上 0.5N 是加仓间隔不是初始止损。完整逻辑是建立头寸后以入场价回撤 2 个 N 为止损线每次加仓后止损线同步上移整体始终保证 4 个单位头寸的总风险控制在 2% 以内。代码实现时为了简化我们统一采用 2N 移动止损。2.4 退出规则海龟法则的退出逻辑和入场逻辑对称多头头寸跌破过去 10 日最低价时退出。空头头寸突破过去 10 日最高价时退出。退出窗口比入场窗口短意味着策略在趋势启动后能拿住单子但趋势一旦转弱会快速离场避免回吐过多利润。3. 环境准备与依赖库安装这是最容易卡住初学者的环节。先说结论这套代码只需要基础数据分析库不需要安装任何深度学习和量化专用框架。3.1 Python 环境检查先确认本机 Python 版本python --version推荐使用 Python 3.8 及以上版本。如果没有安装 Python或者不确定环境变量是否配置正确建议先看一遍 Python 安装和 vscode Python 环境配置的教程把基础环境理顺再继续。3.2 安装依赖库在命令行执行pip install pandas numpy matplotlib如果下载速度慢可以使用国内镜像源pip install pandas numpy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple安装完成后验证一下import pandas as pd import numpy as np import matplotlib.pyplot as plt print(pd.__version__) print(np.__version__)能正常打印版本号说明环境没问题。如果是 macOS 或 Linux 系统依赖安装方式一样不需要额外处理。3.3 数据准备回测需要 K 线数据包含至少 6 个字段日期、开盘价、最高价、最低价、收盘价、成交量。推荐先用 CSV 文件测试文件结构如下date,open,high,low,close,volume 2023-01-03,100.0,102.5,99.8,101.2,120000 2023-01-04,101.5,103.0,100.2,102.8,135000 2023-01-05,102.6,104.2,101.5,103.5,110000获取真实数据时可以用 AKShare 或 Tushare 等数据接口也可以从交易软件导出 CSV。为了测试代码可以直接用模拟数据验证流程是否走通后面再替换成真实行情。4. 海龟法则完整 Python 代码实现下面给出完整的 Python 实现。代码分成四个模块指标计算、信号生成、回测引擎、结果可视化。你可以把全部代码保存到一个.py文件里也可以按模块拆分成多个文件。4.1 导入库与读取数据import pandas as pd import numpy as np import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS, sans-serif] plt.rcParams[axes.unicode_minus] False def load_data(filepath): 读取 CSV 格式的 K 线数据 要求包含 date, open, high, low, close, volume 字段 df pd.read_csv(filepath, parse_dates[date]) df df.sort_values(date).reset_index(dropTrue) return df这里有一个关键细节数据必须按时间正序排列否则后续计算滚动窗口时会得到错误结果。读取后统一用sort_values排序避免源数据乱序导致信号错乱。4.2 计算唐奇安通道与 ATR这是整个策略的核心。唐奇安通道用于识别突破ATR 用于计算止损距离和仓位大小。def calculate_indicators(df, entry_window20, exit_window10, atr_window20): 计算唐奇安通道和 ATR entry_window: 入场突破窗口 exit_window: 退出突破窗口 atr_window: ATR 计算窗口 result df.copy() # 唐奇安通道 result[entry_high] result[high].rolling(windowentry_window).max() result[entry_low] result[low].rolling(windowentry_window).min() result[exit_high] result[high].rolling(windowexit_window).max() result[exit_low] result[low].rolling(windowexit_window).min() # 真实波幅 previous_close result[close].shift(1) tr pd.concat( [ result[high] - result[low], (result[high] - previous_close).abs(), (result[low] - previous_close).abs(), ], axis1, ).max(axis1) # 使用 Wilder 平滑计算 ATR这是海龟法则原版采用的方法 result[atr] tr.ewm(alpha1 / atr_window, adjustFalse).mean() return result很多人习惯用rolling(window).mean()算 ATR但海龟法则原版用的是 Wilder 平滑也就是对真实波幅做指数加权平均。两者的差异在数据量较小时尤其明显推荐使用ewm的方式。4.3 生成交易信号信号生成的核心逻辑是判断当天收盘价是否突破唐奇安通道上轨或下轨。这里给出一个干净的纯信号版本不引入未来函数。def generate_signals(df, entry_window20, exit_window10): 生成交易信号 返回 DataFrame包含 position 字段 position: 1 表示持有多头-1 表示持有空头0 表示空仓 signal_df calculate_indicators(df, entry_window, exit_window) signal_df[signal] 0 # 多头突破入场 long_entry signal_df[close] signal_df[entry_high] # 空头突破入场 short_entry signal_df[close] signal_df[entry_low] # 多头退出 long_exit signal_df[close] signal_df[exit_low] # 空头退出 short_exit signal_df[close] signal_df[exit_high] position 0 positions [] for i in range(len(signal_df)): row signal_df.iloc[i] if position 0: if long_entry.iloc[i]: position 1 elif short_entry.iloc[i]: position -1 elif position 1: if long_exit.iloc[i]: position 0 elif position -1: if short_exit.iloc[i]: position 0 positions.append(position) signal_df[position] positions return signal_df这个循环的作用是模拟真实交易中的状态流转。有一点需要特别说明entry_high和exit_low一旦确定就不能再变上一根 K 线突破后下一根 K 线的通道值变化不应影响已经建立的仓位所以用逐行循环管理状态而不是直接向量化赋值。如果你追求更快的运行速度可以把循环改成 numba 或 numpy 矢量化版本但对日线级别的回测来说这个循环速度已经完全够用。4.4 构建回测引擎这是整套代码中最关键的部分。前面只产生了仓位状态还没有计算收益、资金曲线和绩效指标。def backtest(df, initial_capital1000000, risk_ratio0.02, n_units4): 海龟法则回测引擎 initial_capital: 初始资金 risk_ratio: 单笔最大风险比例 n_units: 最大持仓单位数 signal_df df.copy() # 计算每日收益率 signal_df[returns] signal_df[close].pct_change().fillna(0) # 计算策略收益率 # 这里是简化的等权仓位模型用 position 乘以收益率 signal_df[strategy_returns] signal_df[position].shift(1) * signal_df[returns] # 计算资金曲线 signal_df[capital] initial_capital * (1 signal_df[strategy_returns]).cumprod() # 计算最大回撤 signal_df[cumulative_max] signal_df[capital].cummax() signal_df[drawdown] signal_df[capital] / signal_df[cumulative_max] - 1 # 绩效指标 total_return signal_df[capital].iloc[-1] / initial_capital - 1 trading_days len(signal_df) annual_return (1 total_return) ** (252 / trading_days) - 1 max_drawdown signal_df[drawdown].min() # 夏普比率 excess_returns signal_df[strategy_returns] - 0.02 / 252 sharpe np.sqrt(252) * excess_returns.mean() / excess_returns.std() # 统计交易笔数 position_changes signal_df[position].diff().fillna(0) trade_count int((position_changes ! 0).sum()) return { signal_df: signal_df, total_return: total_return, annual_return: annual_return, max_drawdown: max_drawdown, sharpe_ratio: sharpe, trade_count: trade_count, }这个回测引擎有几个需要注意的工程细节第一strategy_returns使用的是position.shift(1)意思是今天的收益由昨天收盘时持有的仓位决定。这样做是为了避免未来函数信号在第 t 根 K 线收盘后产生实际收益从第 t1 根 K 线开始计算。第二原版海龟法则有分批加仓逻辑简化版代码使用固定仓位比例方便你快速验证策略方向。如果你需要精确模拟 0.5N 加仓可以在回测循环内加入仓位计算逻辑这是后续进阶方向。第三夏普比率计算中无风险利率取 2%按 252 个交易日年化这是一个通用处理方式实际使用时可自己调整。4.5 策略运行与结果输出def run_backtest(filepath, entry_window20, exit_window10): df load_data(filepath) signal_df generate_signals(df, entry_window, exit_window) result backtest(signal_df) print( * 50) print(海龟法则回测结果) print( * 50) print(f入场窗口: {entry_window} 日) print(f退出窗口: {exit_window} 日) print(f总收益率: {result[total_return] * 100:.2f}%) print(f年化收益率: {result[annual_return] * 100:.2f}%) print(f最大回撤: {result[max_drawdown] * 100:.2f}%) print(f夏普比率: {result[sharpe_ratio]:.2f}) print(f交易笔数: {result[trade_count]}) # 绘制资金曲线 fig, axes plt.subplots(2, 1, figsize(12, 8)) axes[0].plot(signal_df[date], signal_df[capital]) axes[0].set_title(海龟法则资金曲线) axes[0].set_ylabel(资金) axes[1].plot(signal_df[date], signal_df[drawdown]) axes[1].set_title(回撤曲线) axes[1].set_ylabel(回撤) plt.tight_layout() plt.show() return result if __name__ __main__: # 替换成你的数据文件路径 run_backtest(./data/example.csv)代码到这里已经是一个完整可运行的海龟法则回测程序。执行后你会看到四个关键输出资金曲线图、回撤曲线图、年化收益率、最大回撤。这是判断一个策略是否值得继续优化的基础。5. 功能测试与效果验证代码写完不代表能用建议按下面的流程做一轮完整的验证。5.1 用模拟数据验证流程先造一组简单的序列测试确认指标计算和信号生成没有问题np.random.seed(42) date_range pd.date_range(2018-01-01, periods500, freqD) trend np.linspace(100, 130, 500) noise np.random.normal(0, 2, 500) close trend noise df_demo pd.DataFrame( { date: date_range, open: close - np.random.rand(500), high: close np.abs(np.random.normal(0, 2, 500)), low: close - np.abs(np.random.normal(0, 2, 500)), close: close, volume: np.random.randint(10000, 50000, 500), } ) df_demo.to_csv(./demo.csv, indexFalse) print(模拟数据已生成)这份数据带明显上升趋势海龟法则这种趋势跟踪策略在趋势数据上不应该太差。如果跑出来资金曲线明显向上说明逻辑基本正确。5.2 判断策略是否有效的标准回测跑完后重点看这几个维度资金曲线是否整体向上有没有长时间停顿或下行。最大回撤是否在你能接受的范围之内。海龟法则的典型特征是“低胜率、高盈亏比”大部分交易可能亏损但少数几笔大盈利会覆盖前面的亏损。交易笔数是否足够。如果 500 根 K 线只产生 2 次交易可能入场信号太严格如果产生 100 次交易可能是通道窗口设置过短。夏普比率建议至少大于 0大于 1 说明风险调整后收益已经不错。5.3 验证是否存在未来函数这是回测最容易踩的坑。验证方法很简单把信号和收益的日期对齐打印出来检查第 t 天的信号是否被第 t 天的收益率直接使用。上面代码中我们已经用shift(1)处理了这个问题但如果你修改代码要特别注意这一点。# 检查未来函数 check_df result[signal_df][[date, close, entry_high, position, returns, strategy_returns]] print(check_df.tail(20))如果某一行position是 1但同一天的strategy_returns已经包含了当天价格的涨跌说明存在未来函数需要修正。6. 批量回测多品种、多参数扫描海龟法则在不同品种、不同周期上的表现差异很大。单独回测一个品种不能说明问题必须做批量测试。6.1 多品种循环回测假设你有 5 个品种的 CSV 文件可以用一个循环统一回测import os data_dir ./data symbols [BTCUSDT.csv, ETHUSDT.csv, AAPL.csv, 000300.csv, rb888.csv] results [] for symbol in symbols: filepath os.path.join(data_dir, symbol) try: df load_data(filepath) signal_df generate_signals(df, entry_window20, exit_window10) result backtest(signal_df) results.append( { symbol: symbol, total_return: result[total_return], annual_return: result[annual_return], max_drawdown: result[max_drawdown], sharpe_ratio: result[sharpe_ratio], trade_count: result[trade_count], } ) print(f{symbol} 回测完成) except Exception as e: print(f{symbol} 回测失败: {e}) result_df pd.DataFrame(results) print(result_df.sort_values(sharpe_ratio, ascendingFalse))数据文件命名规则要统一如果某些品种没有对应数据代码里用 try/except 跳过避免整个任务中断。6.2 参数网格扫描除了多品种还可以扫描入场窗口和退出窗口的参数组合from itertools import product entry_windows [20, 40, 55] exit_windows [10, 20] param_results [] for entry, exit_ in product(entry_windows, exit_windows): df load_data(./data/rb888.csv) signal_df generate_signals(df, entry_windowentry, exit_windowexit) result backtest(signal_df) param_results.append( { entry_window: entry, exit_window: exit_, annual_return: result[annual_return], max_drawdown: result[max_drawdown], sharpe_ratio: result[sharpe_ratio], } ) param_df pd.DataFrame(param_results) print(param_df.sort_values(sharpe_ratio, ascendingFalse))参数扫描的核心原则是不能只看收益最高的参数还要看参数在相邻区域是否稳定。如果一个参数组合收益很高但前后两个相邻参数组合收益极差大概率是过拟合实盘中很难复现。6.3 批量任务的工程建议当你开始批量回测时建议遵守以下几条每次回测前打印开始时间和结束时间方便排查卡住的任务。单品种回测失败不要中断整个任务用 try/except 捕获并记录日志。结果统一用 CSV 保存方便后续分析。如果要跑上千组参数建议使用 Python 的 multiprocessing 并行加速否则耗时较长。7. 接口 API 与实盘对接思路严格来说以上代码是一个回测框架不能直接用于实盘。如果你想把这个策略接到实盘或仿真环境中有两条路径。7.1 策略信号输出成接口服务你可以用 Flask 或 FastAPI 把策略信号封装成 HTTP 接口这样其他程序就能定时调用获取当前持仓建议。from fastapi import FastAPI from pydantic import BaseModel app FastAPI() class MarketData(BaseModel): symbol: str close: float high: float low: float app.post(/turtle_signal) def get_signal(data: MarketData): 接收最新一根 K 线数据返回建议信号 # 这里需要维护历史窗口数据实际使用时建议用缓存或数据库 # 下面是简化示例 if data.close current_entry_high: return {symbol: data.symbol, action: buy} elif data.close current_entry_low: return {symbol: data.symbol, action: sell} else: return {symbol: data.symbol, action: hold}实际部署时需要维护一个历史数据缓存每次收到最新 K 线就更新滚动窗口再计算唐奇安通道和 ATR。7.2 对接量化交易平台vn.py、掘金、聚宽等平台都提供 Python 策略接口可以接收历史 K 线和实时行情并发送委托单。对接思路基本一致把generate_signals和calculate_indicators函数移植到平台策略模板中。在on_bar或on_tick回调函数中更新最新 K 线。满足入场条件时调用平台的 buy/sell 接口下单。满足退出条件时调用平台的 sell/cover 接口平仓。实盘对接属于高风险操作建议先用平台的仿真环境运行至少一到两个月确认策略稳定后再考虑真实资金。任何策略都有失效可能历史表现不代表未来收益这一点必须有清醒认识。8. 资源占用与性能观察虽然这套代码不涉及 GPU 和深度学习但批量回测时仍需关注性能问题。8.1 内存占用日线级别回测单个品种 5000 根 K 线DataFrame 占用内存很小不到 100MB。但如果一次性加载 100 个品种各 10 万根分钟线内存可能会超过 8GB。建议按需读取单个品种回测完成后立即释放 DataFrame。import gc del df gc.collect()8.2 时间性能逐行循环是速度瓶颈。日线数据量小速度可以接受。分钟线数据量变大后建议用 numba 加速信号生成循环from numba import jit jit(nopythonTrue) def generate_signal_fast(close, entry_high, entry_low, exit_low, exit_high): n len(close) position np.zeros(n, dtypenp.int8) current_pos 0 for i in range(n): if current_pos 0: if close[i] entry_high[i]: current_pos 1 elif close[i] entry_low[i]: current_pos -1 elif current_pos 1: if close[i] exit_low[i]: current_pos 0 elif current_pos -1: if close[i] exit_high[i]: current_pos 0 position[i] current_pos return position使用 numba 前需要安装pip install numba8.3 如何定位性能瓶颈如果批量回测速度很慢按这个顺序排查数据读取是否重复全品种共用同一个数据加载函数每次调用都会重新读取 CSV。指标计算是否重复同一份数据在参数扫描时被反复计算可以先缓存指标结果再按窗口参数切片。循环是否有必要信号生成必须用循环但收益计算可以用向量化不要把所有逻辑都放进循环里。9. 常见问题与排查方法这里整理了几类高频问题按排查优先级排列。问题现象可能原因排查方式解决方案运行报错ModuleNotFoundError: No module named pandasPython 环境中未安装依赖库执行pip list查看已安装包执行pip install pandas numpy matplotlib资金曲线一直是直线策略信号没有触发position 全部为 0打印position.value_counts()查看仓位分布检查 channel 数据是否为空确认数据范围是否足够初始化滚动窗口回测收益异常高存在未来函数信号用了当天收盘后的信息打印 date、position、returns 对齐情况确认收益率计算使用position.shift(1)指标计算结果全是 NaN滚动窗口最小值大于数据长度检查数据量是否达到 20 行以上增加数据范围或调小窗口参数ATR 为 0 或极小数据中存在连续相同价格或停牌导致高开低走为零查看原始数据质量过滤掉无波动数据或用真实波幅下限约束批量回测中途卡住某个 CSV 文件格式不正确或数据量过大在循环内打印当前文件名用 try/except 捕获异常跳过问题文件日线回测结果与预期不符前复权数据未处理停牌日参与计算检查数据是否包含退市或停牌记录使用前复权数据过滤停牌日参数优化后回测很好实盘表现差过拟合参数只适合历史行情做样本外测试和参数稳定性检验减少参数网格使用更长历史数据验证在这些问题中未来函数和数据对齐问题最容易出现也是最影响回测可信度的。建议任何时候修改代码后都先跑一遍小额数据集的验证脚本确认信号和收益的日期对齐逻辑没有变化。10. 最佳实践与迭代方向10.1 回测框架的工程规范刚开始写策略回测时我习惯把所有代码写在一个文件里后来数据源变多、参数变多之后维护成本直线上升。现在推荐至少把代码拆成四个模块turtle/ ├── data.py # 数据加载与清洗 ├── indicators.py # 指标计算 ├── strategy.py # 信号生成与回测引擎 ├── backtest.py # 主程序负责批量任务与结果输出 └── config.py # 参数配置这样做的收益是换数据源时只改 data.py调参数时只改 config.py修改策略逻辑时只动 strategy.py不会互相影响。10.2 回测结果真实性验证任何策略回测都建议做三件事样本内测试用过去 70% 的数据找到合理参数。样本外测试用剩余 30% 的数据验证参数是否仍然有效。参数敏感性分析观察相邻参数组合的绩效变化是否剧烈。如果样本外表现明显变差说明策略可能只在特定行情中有效海龟法则也同样存在这个问题。趋势跟踪策略在震荡市中表现往往很差这是策略本身的属性不是代码 bug。10.3 后续扩展方向这套代码已经完成了一个可用的回测闭环继续迭代可以考虑以下方向加入手续费和滑点模型更贴近真实交易成本。加入海龟法则原版的 0.5N 分批加仓逻辑。对接实时行情数据源定时运行信号扫描。加入 tkinter 或 gradio 做可视化交互界面方便非技术用户使用。结合资金管理模块实现风险预算和动态仓位分配。对于正在系统学习量化金融的读者海龟法则是一个很好的起点。它足够简单逻辑透明没有黑箱模型也能通过参数调整感受到量化策略开发和回测的完整流程。学会这套代码后再去看其他趋势跟踪策略会发现很多思路是相通的。文章到这里核心内容已经讲完了策略逻辑、完整代码、批量回测、性能优化、问题排查都覆盖到了。建议把这套代码保存下来先用模拟数据跑通流程再换成自己熟悉的品种数据做测试。任何策略都不能保证盈利回测通过只是第一步后续还需要更多数据和更长时间的验证。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
