量化策略分类与实战全解：从趋势跟踪到回测防过拟合

1. 先厘清量化策略的版图：每一类策略到底在赚什么钱

经常有人在后台问我：想做量化，第一步是不是得先把Python学得滚瓜烂熟？我的回答通常是一句反问：你打算赚哪种钱？这个问题想不清楚，代码写得再漂亮，最后多半还是在给券商和交易所交手续费。

量化交易策略本质上不是一堆指标和代码的堆砌，而是把一套可重复、可验证的交易逻辑用程序表达出来。这套逻辑必须回答三个问题：为什么这个价格会涨跌、什么时候触发买卖、错了怎么办。市面上流传的“常见策略”看起来花样很多，但拆开来看，赚的钱基本来自这么几个地方：市场参与者的情绪惯性、资产价格的暂时失衡、信息扩散的时间差、以及有人愿意为流动性付出溢价。搞明白策略赚的是哪一类钱，才能搞明白它在什么行情下有效、什么行情下会失灵。

先给一张我常用来给新人做科普的量化策略版图，按决策逻辑来切分要比按品种切分清晰得多：

工具是可以互相叠加的，比如一个CTA策略可以同时包含趋势和套利成分。但如果连自己主要吃的是哪种“市场beta”都说不清楚，后面的参数优化、绩效归因都会变成无源之水。

我之所以把“分类”放在全文最前面，是因为在实际带人做策略的过程中，发现大多数亏损并非策略本身失效，而是使用者在错误的行情里用了错误的策略类型。量化圈有句老话：没有万能的圣杯，只有错配的周期。开篇先把地图铺开，后面的每一类策略细节才有落脚点。

2. 主流策略逐个拆解：核心逻辑、代码骨架与失效边界

这一部分我会把六类主流策略逐一说透。每一类都会讲清楚它最底层的假设、实际操作中的标准做法、以及普通人最容易忽略的失效场景。

2.1 趋势跟踪：市场惯性的钱，赚得最辛苦也最稳定

趋势跟踪是历史最悠久、逻辑最朴素的量化策略：价格一旦形成方向，就会在惯性作用下继续运行一段时间。均线交叉、唐奇安通道突破、动量因子都是这个思路的变体。

核心假设是市场存在“羊群效应”，趋势的形成需要时间，而多数交易者对信息的反应是渐进的，这就给了后来者搭乘趋势的机会。一个最传统的突破策略长这样：

python复制# 唐奇安通道突破策略
# 数据：日线OHLCV
import pandas as pd

def donchian_signal(df, lookback=20):
    df['upper'] = df['high'].rolling(lookback).max()
    df['lower'] = df['low'].rolling(lookback).min()
    df['signal'] = 0
    # 突破上轨开多
    df.loc[df['close'] > df['upper'].shift(1), 'signal'] = 1
    # 跌破下轨反手做空（期货/两融账户适用）
    df.loc[df['close'] < df['lower'].shift(1), 'signal'] = -1
    return df

注意我用了 shift(1)，这是回测里避免未来函数的关键细节。用当天的最高价去和当天的唐奇安上轨比，逻辑上没问题，但成交只能发生在信号确认之后，所以实际买入应该用次日开盘价。

趋势策略真正考验人的不是入场信号，而是震荡期的连续磨损。价格在通道上下沿之间来回扫的时候，策略会连续触发止损，资金曲线形成一段很长的横盘或阴跌。我早期跑股指期货5分钟趋势策略时，曾经连续21个交易日没有盈利