同花顺Supermind量化实战：从零构建双均线策略，手把手教你回测与模拟交易

1. 为什么选择双均线策略入门量化交易

刚接触量化交易的新手，最头疼的问题往往是：该从哪种策略开始？我见过太多人一上来就想搞机器学习、神经网络，结果被复杂的数学公式劝退。其实量化交易就像学游泳，得先从最基础的狗刨式练起。而双均线策略，就是量化界的"狗刨式"——简单、经典、有效。

我第一次用同花顺Supermind平台时，也是从双均线策略入手的。这个策略最大的优势在于直观易懂：金叉买、死叉卖，连我妈都能听懂这个逻辑。但千万别小看它，我认识几个私募基金经理，他们至今还在用改良版的双均线策略管理上亿资金。

在Supermind平台上实现双均线策略特别方便，因为它内置了完善的行情数据和交易接口。你不用自己搭建数据库，也不用担心交易接口的稳定性，这些脏活累活平台都帮你搞定了。我对比过几个主流量化平台，发现Supermind对新手最友好的地方在于：代码量少得惊人。下面这个完整的双均线策略，核心代码不到20行。

2. 搭建你的第一个双均线策略

2.1 策略框架搭建

打开Supermind的策略编译器，你会看到两个核心函数：init和handle_bar。这就像做菜的准备工作——init是备菜，handle_bar是炒菜。

在init函数里，我们先确定要交易的股票。以贵州茅台为例：

python复制def init(context):
    # 设置交易标的
    context.security = '600519.SH'
    # 这里可以添加其他初始化设置
    context.slippage = 0.002  # 设置滑点
    context.commission = 0.0003  # 设置佣金

这里有个小技巧：我习惯在init里设置滑点和佣金，这样回测会更接近真实交易。很多人回测时收益很好看，实盘却亏钱，往往就是因为忽略了这些交易成本。

2.2 实现双均线逻辑

handle_bar函数是策略的核心，它会在每个交易周期自动运行。我们在这里实现双均线逻辑：

python复制def handle_bar(context, bar_dict):
    # 获取过去20个交易日的收盘价
    closeprice = history(context.security, ['close'], 20, '1d')
    
    # 计算均线
    MA5 = closeprice['close'].iloc[-5:].mean()  # 5日均线
    MA20 = closeprice['close'].mean()  # 20日均线
    
    # 交易逻辑
    if MA5 > MA20 and context.portfolio.stock_account.market_value == 0:
        order_target_percent(context.security, 1)  # 全仓买入
        log.info("金叉出现，买入信号触发")
    elif MA5 < MA20 and context.portfolio.stock_account.market_value > 0:
        order_target(context.security, 0)  # 清仓卖出
        log.info("死叉出现，卖出信号触发")

这里我做了两个优化：

1. 增加了持仓判断，避免重复下单
2. 添加了交易日志，方便调试

3. 策略回测与参数优化

3.1 基础回测设置

在Supermind上回测非常简单，点击"编译运行"就能看到策略表现。但新手常犯的错误是回测周期太短。我建议至少测试一个完整的牛熊周期，比如2018-2023年。

回测时要特别关注这几个指标：

• 年化收益率：不要只看绝对值，要对比同期大盘表现
• 最大回撤：超过30%的策略就要小心了
• 胜率：50%以上算合格
• 夏普比率：大于1说明风险收益比不错

3.2 均线周期优化

默认的5日和20日均线不一定适合所有股票。我做过测试，发现不同波动特性的股票需要不同的参数：

优化方法很简单，用Supermind的参数优化功能：

python复制# 参数优化版双均线策略
def init(context):
    context.security = '600519.SH'
    context.short_window = 5  # 可优化参数
    context.long_window = 20  # 可优化参数

def handle_bar(context, bar_dict):
    closeprice = history(context.security, ['close'], context.long_window, '1d')
    MA_short = closeprice['close'].iloc[-context.short_window:].mean()
    MA_long = closeprice['close'].mean()
    # 剩余逻辑相同...

4. 实盘模拟与风险控制

4.1 从回测到模拟交易

在Supermind上绑定模拟交易只需要三步：

1. 在回测页面点击"开启模拟交易"
2. 选择"从当前日开始模拟"
3. 设置初始资金和风险控制参数

这里有个血泪教训：一定要先模拟再实盘！我曾经有个策略回测年化收益40%，结果实盘第一周就亏了15%，后来发现是没考虑流动性问题。

4.2 必备的风险控制措施

好的量化策略必须包含风控模块。我现在的标准模板里一定会加这些：

python复制def handle_bar(context, bar_dict):
    # 原有交易逻辑...
    
    # 风控模块
    # 单日最大亏损止损
    if context.portfolio.daily_pnl < -0.05 * context.portfolio.total_value:
        clear_position(context)  # 清仓函数
        log.error("触发单日最大亏损止损")
    
    # 总资金止损
    if context.portfolio.total_value < 0.9 * context.portfolio.starting_cash:
        clear_position(context)
        log.error("触发总资金止损")
        
def clear_position(context):
    for stock in context.portfolio.positions:
        order_target(stock, 0)

4.3 模拟交易常见问题排查

在模拟交易中遇到最多的问题：

1. 信号消失：检查是否设置了正确的交易频率
2. 未预期下单：确认没有重复运行的策略实例
3. 成交价偏差大：调整滑点设置

我习惯每天开盘前检查三件事：

1. 策略是否处于运行状态
2. 账户资金是否充足
3. 股票是否发生除权除息

5. 策略进阶与优化方向

5.1 多标的组合策略

单一股票策略风险太大，可以扩展为多标的组合：

python复制def init(context):
    # 设置股票池
    context.stock_list = ['600519.SH', '000858.SZ', '600036.SH']
    # 设置每只股票的最大仓位
    context.max_weight = 0.3  

def handle_bar(context, bar_dict):
    for stock in context.stock_list:
        # 对每只股票执行双均线策略
        closeprice = history(stock, ['close'], 20, '1d')
        MA5 = closeprice['close'].iloc[-5:].mean()
        MA20 = closeprice['close'].mean()
        
        current_weight = context.portfolio.positions[stock].value / context.portfolio.total_value
        
        if MA5 > MA20 and current_weight < context.max_weight:
            order_target_percent(stock, context.max_weight)
        elif MA5 < MA20 and current_weight > 0:
            order_target(stock, 0)

5.2 结合其他指标过滤信号

纯双均线策略会有很多假信号，可以加入其他条件过滤：

• 成交量验证：金叉时成交量放大才有效
• 波动率过滤：排除波动过大的时期
• 趋势确认：加入MACD或布林带确认趋势

python复制# 改进版信号判断
def is_valid_signal(closeprice, MA5, MA20):
    # 成交量验证
    vol = history(context.security, ['volume'], 5, '1d')['volume']
    if vol.iloc[-1] < vol.mean():
        return False
        
    # 波动率过滤
    returns = closeprice['close'].pct_change().std()
    if returns > 0.03:  # 日波动大于3%时不交易
        return False
        
    return True

5.3 不同时间周期的应用

双均线策略可以应用于不同时间周期：

• 日线策略：适合上班族，每天收盘后检查
• 30分钟策略：适合日内交易
• 周线策略：适合长线投资者

在Supermind上切换周期很简单，只需修改handle_bar的调用频率：

python复制# 在init中设置
context.frequency = '30m'  # 或 '1d', '1w'

# 获取数据时对应调整
closeprice = history(context.security, ['close'], 20, context.frequency)

记住一个原则：周期越短，交易成本影响越大。我测试过，30分钟线以下的策略很难盈利，因为手续费和滑点会吃掉大部分利润。