用Python手把手复现经典Dual Thrust策略（附完整代码与回测结果）

在量化交易领域，Dual Thrust策略以其简洁高效的特性成为众多初学者的首选实战案例。这个诞生于上世纪80年代的经典策略，核心思想是通过动态计算价格通道触发交易信号，既适合股票市场也适用于期货外汇等品种。本文将带您从零开始，用Python完整实现该策略，包括数据获取、指标计算、信号生成和回测验证全流程。

1. 环境准备与数据获取

工欲善其事，必先利其器。我们需要先配置好Python开发环境，建议使用Jupyter Notebook或VS Code作为开发工具。以下是必备的Python库：

python复制# 安装依赖库
!pip install pandas numpy matplotlib akshare backtrader

获取历史数据是策略开发的基石，这里推荐使用akshare库获取A股数据。以沪深300指数为例：

python复制import akshare as ak

def get_index_data(symbol="sh000300", start_date="20150101", end_date="20221231"):
    """
    获取指数日线数据
    :param symbol: 指数代码 sh000300(沪深300)
    :return: DataFrame格式的行情数据
    """
    df = ak.stock_zh_index_daily(symbol=symbol)
    df = df[(df['date'] >= start_date) & (df['date'] <= end_date)]
    df.set_index('date', inplace=True)
    return df[['open', 'high', 'low', 'close', 'volume']]

# 获取2015-2022年沪深300数据
hs300 = get_index_data()
print(hs300.head())

提示：如果akshare获取数据失败，可以尝试tushare或本地csv文件作为替代数据源。确保数据包含open, high, low, close四个基本价格字段。

2. Dual Thrust核心逻辑实现

Dual Thrust策略的核心在于计算动态价格通道，我们先分解其计算步骤：

1. 计算N日价格极值：

   • HH：N日内最高价的最高值
   • LC：N日内收盘价的最低值
   • HC：N日内收盘价的最高值
   • LL：N日内最低价的最低值

2. 确定价格波动区间(Range)：

   python复制Range = max(HH - LC, HC - LL)
   

3. 构建交易通道：

   • 上轨：当日开盘价 + K1 × Range
   • 下轨：当日开盘价 + K2 × Range

以下是Python实现代码：

python复制def dual_thrust_signal(data, n_days=5, k1=0.5, k2=0.5):
    """
    生成Dual Thrust交易信号
    :param data: 包含OHLC的DataFrame
    :param n_days: 计算Range的周期
    :param k1: 上轨系数
    :param k2: 下轨系数
    :return: 添加信号列的DataFrame
    """
    df = data.copy()
    
    # 计算N日极值
    df['HH'] = df['high'].rolling(n_days).max()
    df['LC'] = df['close'].rolling(n_days).min() 
    df['HC'] = df['close'].rolling(n_days).max()
    df['LL'] = df['low'].rolling(n_days).min()
    
    # 计算Range和通道
    df['Range'] = df[['HH', 'LC', 'HC', 'LL']].apply(
        lambda x: max(x[0]-x[1], x[2]-x[3]), axis=1)
    df['upper'] = df['open'] + k1 * df['Range']
    df['lower'] = df['open'] + k2 * df['Range']
    
    # 生成交易信号
    df['signal'] = 0
    df.loc[df['close'] > df['upper'], 'signal'] = 1  # 上破做多
    df.loc[df['close'] < df['lower'], 'signal'] = -1 # 下破做空
    
    return df.dropna()

# 应用策略
signal_df = dual_thrust_signal(hs300)
print(signal_df[['close', 'upper', 'lower', 'signal']].tail(10))

参数选择对策略表现影响显著。经过多次测试，我们发现：

3. 使用Backtrader进行回测

有了交易信号后，我们需要专业的回测框架验证策略效果。Backtrader是Python中最强大的量化回测库之一：

python复制import backtrader as bt

class DualThrustStrategy(bt.Strategy):
    params = (('n_days', 5), ('k1', 0.5), ('k2', 0.5))
    
    def __init__(self):
        self.hh = bt.indicators.Highest(self.data.high, period=self.p.n_days)
        self.lc = bt.indicators.Lowest(self.data.close, period=self.p.n_days)
        self.hc = bt.indicators.Highest(self.data.close, period=self.p.n_days)
        self.ll = bt.indicators.Lowest(self.data.low, period=self.p.n_days)
        
    def next(self):
        range_val = max(self.hh[0] - self.lc[0], self.hc[0] - self.ll[0])
        upper = self.data.open[0] + self.p.k1 * range_val
        lower = self.data.open[0] + self.p.k2 * range_val
        
        if not self.position:
            if self.data.close[0] > upper:
                self.buy()
            elif self.data.close[0] < lower:
                self.sell()
        else:
            if self.position.size > 0 and self.data.close[0] < lower:
                self.close()
                self.sell()
            elif self.position.size < 0 and self.data.close[0] > upper:
                self.close()
                self.buy()

# 回测设置
cerebro = bt.Cerebro()
data = bt.feeds.PandasData(dataname=hs300)
cerebro.adddata(data)
cerebro.addstrategy(DualThrustStrategy)
cerebro.broker.setcash(100000.0)
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')

# 执行回测
results = cerebro.run()
strat = results[0]
print('最终资产: %.2f' % cerebro.broker.getvalue())
print('夏普比率:', strat.analyzers.sharpe.get_analysis()['sharperatio'])
print('最大回撤:', strat.analyzers.drawdown.get_analysis()['max']['drawdown'])

注意：实际回测时应考虑交易成本，可通过cerebro.broker.setcommission(commission=0.001)设置0.1%的交易手续费。

4. 策略优化与改进方向

基础版Dual Thrust策略有几个明显可优化点：

1. 动态参数调整：

   python复制# 结合波动率调整K系数
   def dynamic_k(volatility):
       base_k = 0.5
       adjust = 0.1 if volatility > 0.15 else -0.1
       return base_k + adjust
   

2. 加入过滤条件：

   • 20日均线方向过滤
   • 交易量突增确认
   • 波动率阈值控制

3. 风险控制模块：

   python复制# 在策略类中添加止损止盈
   def notify_trade(self, trade):
       if trade.isclosed:
           return
       if trade.pnl < -0.02 * trade.size:  # 2%止损
           self.close(trade)
       elif trade.pnl > 0.05 * trade.size: # 5%止盈
           self.close(trade)
   

改进后的策略表现对比：

5. 实盘部署建议

将策略投入实盘前，还需要考虑以下工程化问题：

1. 实时数据对接：

   • 使用websocket接收实时行情
   • 实现分钟级/秒级信号计算

2. 订单执行逻辑：

   python复制def execute_order(signal):
       if signal == 1:
           # 市价单买入逻辑
           pass
       elif signal == -1:
           # 市价单卖出逻辑
           pass
   

3. 监控与日志：

   • 记录每笔交易的入场/出场价格
   • 实时监控策略风险指标
   • 异常情况自动预警

在本地开发环境中，可以使用schedule库实现定时任务：

python复制import schedule
import time

def job():
    data = get_realtime_data()
    signal = generate_signal(data)
    execute_order(signal)

schedule.every(5).minutes.do(job)

while True:
    schedule.run_pending()
    time.sleep(1)

Dual Thrust策略最吸引人的地方在于其清晰的逻辑和易于实现的特点，但实际应用中需要根据市场环境不断调整优化。建议先用模拟盘运行1-2个月，确认策略稳定性后再投入实盘。