简介这份文档资料面向具备一定量化基础的投资者与学习者围绕布林通道指标与KD指标完整演示股票池量化策略的构建与验证流程。内容从基本面选股入手综合动态市盈率、每股收益、净利润环比增长率、净资产收益率、流动资产与流动负债差额、经营活动现金净流量六个维度筛选出四只股票组建股票池再结合布林指标与KD指标制定买卖择时规则最后通过回测参数设置与收益、成交、风险三方面分析检验策略有效性并附有逐行注释的编程实现思路。资源包为1个docx文档约391KB结构紧凑便于按研究思路逐步研读。目前已有326人学习参考适合希望将基本面分析、技术择时与回测评估串联起来的中级量化学习者可据此掌握选股逻辑、指标择时与风险指标解读的完整方法。1. 布林带与 KD 共振把股票池变成可复现的量化策略很多人做量化卡在第一步手里有几百只自选股每天靠肉眼翻 K 线看到布林带收口就兴奋看到 KD 金叉就下单结果一年下来手续费比盈利还高。问题不在指标本身而在于没有把「布林指标 KD 指标 股票池」这三件事串成一条可回测、可复现、可迭代的流水线。布林带负责定义价格波动的相对位置和通道宽度KD 负责捕捉短期动量的拐点股票池负责把全市场几千只标的压缩到几十只候选三者叠加才是完整的量化策略分析框架。这套东西适合两类人一是已经会写 Python 但不知道怎么把指标组合成策略的开发者二是手工交易多年、想把盘感翻译成规则的老手。下面从数据准备讲到参数调优每一步都给出可抄的代码和参数说明。2. 布林带与 KD 的计算逻辑为什么不能直接调库了事2.1 布林带三条线的数学定义与窗口选择布林带的核心就三行公式中轨是 N 周期收盘价的简单移动平均上轨是中轨加 K 倍标准差下轨是中轨减 K 倍标准差。常见默认值是 N20、K2但这两个参数直接决定了通道的敏感度和容错率。N 越小通道越贴合价格信号越频繁但假信号也越多N 越大通道越平滑适合捕捉中期趋势但会错过短线拐点。K 值决定通道宽度K2 覆盖约 95% 的价格波动K1.5 会让通道收窄、突破信号更早出现但也更容易被噪音触发。我一般会在股票池层面做一次参数扫描而不是全市场统一用 20/2。大盘蓝筹波动率低N20、K2 足够中小盘波动剧烈N14、K2.5 反而能过滤掉大量无效突破。标准差的计算必须用总体标准差还是样本标准差pandas 的rolling().std()默认是样本标准差ddof1而多数交易软件用的是总体标准差ddof0。这个差异在 N20 时大约影响 2.5% 的通道宽度回测时如果和实盘软件对不上先查这里。import pandas as pd import numpy as np def bollinger_bands(close: pd.Series, n: int 20, k: float 2.0, ddof: int 0): 计算布林带 :param close: 收盘价序列 :param n: 移动平均窗口 :param k: 标准差倍数 :param ddof: 标准差自由度0总体标准差1样本标准差 :return: DataFrame包含中轨、上轨、下轨、带宽 mid close.rolling(windown, min_periodsn).mean() std close.rolling(windown, min_periodsn).std(ddofddof) upper mid k * std lower mid - k * std # 带宽衡量通道收口程度用于过滤横盘 width (upper - lower) / mid return pd.DataFrame({ boll_mid: mid, boll_upper: upper, boll_lower: lower, boll_width: width })这段代码里min_periodsn保证前 N-1 根 K 线不产生信号避免用不完整窗口计算出的假通道。boll_width是我额外加的后面用来判断布林带是否收口——收口意味着波动率压缩往往是变盘前兆这个特征比单纯看价格触碰上下轨更有价值。2.2 KD 指标的递推计算与平滑陷阱KD 指标全称随机指标先算 RSV未成熟随机值再对 RSV 做平滑得到 K 值对 K 值再平滑得到 D 值。标准参数是 9、3、39 周期内最高价和最低价确定 RSV 的分母K 值是 RSV 的 3 日平滑D 值是 K 的 3 日平滑。这里最大的坑是平滑方式国内多数软件用K 2/3 * 前K 1/3 * RSV本质是 α1/3 的指数移动平均而有些平台用简单移动平均。两种算法在震荡市里信号差异能到 10% 以上回测和实盘对不上时这是第二个要查的地方。def kd_indicator(high: pd.Series, low: pd.Series, close: pd.Series, n: int 9, m1: int 3, m2: int 3): 计算 KD 指标采用国内常见的递推平滑方式 :param n: RSV 周期 :param m1: K 值平滑周期 :param m2: D 值平滑周期 low_n low.rolling(windown, min_periodsn).min() high_n high.rolling(windown, min_periodsn).max() # RSV分母为0时一字板用50填充避免除零 rsv (close - low_n) / (high_n - low_n) * 100 rsv rsv.fillna(50) # 递推平滑等价于 alpha1/m1 的 EMA k rsv.ewm(alpha1/m1, adjustFalse).mean() d k.ewm(alpha1/m2, adjustFalse).mean() return pd.DataFrame({kd_k: k, kd_d: d, kd_rsv: rsv})adjustFalse是必须的它保证递推公式和手工计算一致。fillna(50)处理一字涨停或跌停导致high_n low_n的情况否则 RSV 会变成无穷大或 NaN后面所有信号都会断掉。KD 的经典用法是 K 上穿 D 金叉买入、下穿死叉卖出但单独用 KD 在趋势市里会反复打脸——这就是为什么要和布林带叠加。2.3 股票池的构建从全市场到候选集的过滤链股票池不是随便选几十只股票而是一条有顺序的过滤链。我的做法分四层第一层剔除 ST、退市整理、上市不足 60 个交易日的次新股第二层按日均成交额过滤低于 5000 万的直接扔掉流动性不够的策略回测再好也执行不了第三层按布林带宽排序取带宽处于历史 30% 分位以下的标的这些是波动率压缩、可能变盘的第四层在候选集里等 KD 信号触发。这样每天从几千只压缩到 30 到 50 只既不会漏掉机会也不会让计算量爆炸。def build_stock_pool(df: pd.DataFrame, min_amount: float 5e7, width_pct: float 0.3) - list: 构建候选股票池 :param df: 包含 code, amount, boll_width 的截面数据 :param min_amount: 日均成交额下限 :param width_pct: 布林带宽分位数阈值 # 剔除流动性不足 df df[df[amount] min_amount].copy() # 按带宽分位数过滤保留收口标的 threshold df[boll_width].quantile(width_pct) df df[df[boll_width] threshold] return df[code].tolist()min_amount设 5000 万是经验值小资金可以降到 2000 万大资金要提到 1 亿以上。width_pct0.3表示只保留带宽最窄的 30%这个参数在牛市可以放宽到 0.5因为普涨行情里收口标的少。股票池每天收盘后重建一次不要盘中动态调整否则会引入未来函数。3. 策略信号合成布林带定方向KD 定扳机3.1 双指标共振的入场条件设计单独用布林带突破会在震荡市里被上下轨反复扫损单独用 KD 金叉会在单边下跌里不断抄底被埋。两者结合的逻辑是布林带判断价格处于通道的什么位置KD 判断动量是否配合。我用的入场条件是三个同时满足收盘价从下轨下方回到下轨上方或触及下轨后反弹K 值在 20 以下上穿 D 值且布林带宽处于收口状态。第一个条件确保价格没有继续破位第二个条件确认短期动量转向第三个条件保证是在变盘窗口而不是趋势中继。def generate_signals(df: pd.DataFrame) - pd.DataFrame: 合成布林带与 KD 的共振信号 要求 df 已包含 boll_lower, boll_upper, boll_width, kd_k, kd_d df df.copy() # 条件1价格从下轨下方收回 cond_price (df[close] df[boll_lower]) \ (df[close].shift(1) df[boll_lower].shift(1)) # 条件2KD 低位金叉 cond_kd (df[kd_k] df[kd_d]) \ (df[kd_k].shift(1) df[kd_d].shift(1)) \ (df[kd_d] 30) # 条件3布林带收口 cond_width df[boll_width] df[boll_width].rolling(60).quantile(0.3) df[signal] (cond_price cond_kd cond_width).astype(int) return dfcond_price用 shift 比较前一根 K 线确保是「收回」而不是「一直在上方」。cond_kd里kd_d 30是低位约束避免在高位追金叉。cond_width用 60 日滚动分位数而不是全历史分位数这样能适应不同市场阶段的波动率变化。三个条件缺一不可少一个都会显著增加假信号。3.2 仓位管理与止损规则信号只告诉你什么时候买仓位和止损才决定你能不能活下来。我的规则是单只股票仓位不超过总资金的 5%同时持仓不超过 10 只这样单票最大回撤对总资金的影响控制在 0.5% 以内。止损用布林带下轨作为动态止损线入场后如果收盘价跌破下轨且 KD 死叉次日开盘无条件离场。止盈分两档第一档在价格触及中轨时减半仓第二档在触及上轨或 KD 进入 80 以上死叉时清仓。def position_sizing(capital: float, price: float, max_pct: float 0.05) - int: 计算单只股票买入股数按手取整 max_value capital * max_pct shares int(max_value / price / 100) * 100 return max(shares, 0)max_pct0.05是单票上限资金量小于 50 万时可以放宽到 0.1但持仓数量要相应减少。按手取整是 A 股规则科创板 200 股起买需要单独处理。止损规则里「收盘价跌破下轨」比「盘中跌破」更可靠因为盘中假突破太多收盘价确认能过滤掉大量噪音。3.3 用向量化回测验证信号质量回测不是看总收益而是看信号在不同市场环境下的表现。我一般会把回测区间切成三段趋势上涨、震荡、趋势下跌分别统计胜率、盈亏比和最大回撤。如果策略只在上涨段赚钱那它本质上是个 beta 策略不值得投入。向量化回测的核心是把信号 shift 一根 K 线作为实际成交价避免用当日收盘价成交的未来函数。def vector_backtest(df: pd.DataFrame, fee: float 0.0015) - pd.Series: 向量化回测信号次日开盘成交 :param fee: 单边手续费加滑点 df df.copy() df[trade] df[signal].shift(1).fillna(0) # 持仓状态1 持有0 空仓 df[position] df[trade].replace(0, np.nan).ffill().fillna(0) # 日收益率 df[ret] df[close].pct_change() df[strategy_ret] df[position].shift(1) * df[ret] # 扣除买卖手续费 df[cost] df[trade].diff().abs().fillna(0) * fee df[strategy_ret] df[strategy_ret] - df[cost] return df[strategy_ret].cumsum()fee0.0015包含万三佣金加千一滑点实际做小盘股要提到 0.002 以上。position.shift(1)确保用昨天的持仓吃今天的收益这是回测里最容易搞错的地方。累计收益曲线只是第一步还要算夏普、卡玛比率和月度胜率分布这些指标比总收益更能反映策略的稳健性。4. 避坑与排查回测赚钱实盘亏钱的五个血泪教训4.1 现象回测年化 40%实盘三个月亏 15%原因通常有三个一是用了复权价回测但实盘看的是不复权价除权除息日信号完全错位二是股票池里包含了回测期间已经退市的股票存活偏差让收益虚高三是手续费和滑点设得太低小盘股实际冲击成本远高于万三。解决方法是回测统一用后复权价股票池按每日实际可交易标的动态生成手续费按成交额的 0.2% 到 0.3% 计提。4.2 现象KD 金叉信号在盘中触发收盘又消失这是典型的盘中数据不稳定问题。KD 的 RSV 依赖当日最高价和最低价盘中高低点会不断变化导致 K、D 值在收盘前反复穿越。解决方法是所有信号一律用收盘后确认的数据计算次日开盘执行。如果非要做盘中至少等到下午两点半之后此时高低点基本定型信号稳定性大幅提升。4.3 现象布林带收口后突破买入就回落收口只代表波动率压缩不代表突破方向。如果收口期间价格在中轨下方运行向下突破的概率反而更大。我后来加了一个方向过滤收口期间收盘价必须站上中轨至少 3 个交易日才认定多头蓄势。这个条件过滤掉了大约四成的假突破代价是错过一些 V 型反转但盈亏比明显改善。4.4 现象股票池每天变化太大持仓频繁换血原因是带宽分位数阈值设得太敏感今天 30% 分位是 0.05明天可能变成 0.08导致候选集剧烈波动。解决办法是对带宽分位数做平滑用 5 日均值代替单日值或者直接固定一个绝对带宽阈值比如 0.06只在极端行情时调整。股票池稳定性比精确性更重要换手率降下来手续费才能降下来。4.5 现象同一套参数在沪深 300 上有效在中证 1000 上失效这不是策略问题是标的特性问题。沪深 300 成分股波动率低、趋势性强适合 N20、K2 的布林带中证 1000 波动率高、震荡频繁需要 N14、K2.5 并放宽 KD 的低位阈值到 25。我的做法是按指数成分分别维护参数组而不是一套参数打天下。参数组每季度重新校准一次用滚动窗口优化而不是全历史优化避免过拟合。5. 参数调优与滚动验证让策略活过下一个季度参数调优最容易犯的错是在全历史上找最优解结果样本内夏普 2.0样本外直接负收益。我的做法是滚动窗口验证用前 250 个交易日做参数寻优后 60 个交易日做样本外测试然后窗口整体后移 60 天重复这个过程。最终选参数时不看单次最优而看参数在多个窗口里的稳定性——如果 N18 和 N22 的表现差不多就选中间值 N20而不是选那个恰好最高的 N19。def rolling_optimize(df: pd.DataFrame, param_grid: dict, train: int 250, test: int 60): 滚动窗口参数寻优 :param param_grid: 参数网格如 {n: [14, 20, 26], k: [1.5, 2.0, 2.5]} results [] for start in range(0, len(df) - train - test, test): train_df df.iloc[start:start train] test_df df.iloc[start train:start train test] best_sharpe, best_param -np.inf, None for n in param_grid[n]: for k in param_grid[k]: # 在训练集上计算布林带和信号 bb bollinger_bands(train_df[close], nn, kk) # ... 信号合成与回测计算夏普 sharpe 0 # 此处省略具体回测调用 if sharpe best_sharpe: best_sharpe, best_param sharpe, {n: n, k: k} # 用最优参数在测试集上验证 results.append({start: start, param: best_param, train_sharpe: best_sharpe}) return pd.DataFrame(results)train250约一年交易日test60约一个季度这个比例保证训练集足够覆盖一轮完整波动测试集又能及时反映参数衰减。参数网格不要设太密N 取 14、20、26 三档K 取 1.5、2.0、2.5 三档九种组合足够。如果最优参数在连续三个窗口里都是同一个说明它比较稳健如果每个窗口最优都不同说明策略本身不稳定应该放弃而不是继续调参。最后说一个我自己的习惯每次参数调整后我会把新旧参数在最近 20 个交易日的信号差异打印出来逐条看哪些信号被过滤了、哪些被新增了。如果新增的信号里有明显的基本面利空股说明参数在拟合噪音而不是规律。这个人工复核步骤看起来笨但帮我躲过了至少三次大的回撤。希望帮到你。本文还有配套的精品资源点击获取
