企业官网建设流程全解析

简介：基于布林指标与随机摆动指标的股票池量化策略分析，是一份面向具备一定量化基础读者的系统文档。内容覆盖从股票池构建到回测结果解读的完整研究链条：先以动态市盈率、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、经营现金流量六大指标筛选出四只股票，并选取江山股份、天赐材料、盛新锂能、中矿资源等案例进行基本面分析；随后利用布林通道与随机摆动指标设计买卖择时规则，结合编程实现和回测参数设置，完成收益、成交与风险分析。资源包共含一个Word文档，压缩包大小约391KB，便于直接查看和按需修改。目前已有326人学习，文档结构清晰，从选股逻辑、指标说明到代码实现、回测结果逐步递进，对理解选股与择时指标的组合逻辑、搭建完整量化策略框架有实际参考价值，也可用作课程设计或量化入门项目的写作范本。

1. 为什么说“布林指标 + KD指标”组合适合股票池量化策略

很多量化爱好者在选指标时陷入一个误区：觉得某个指标单独使用就足以走遍天下。事实上，布林指标处理的是价格相对均线的波动幅度，KD指标处理的是当前价格在近期高低点之间的相对位置，两者一个管“波动边界”，一个管“动量强弱”，互补性很强。把它们组合进股票池量化策略，核心是用布林带先框出哪些股票正处于“均值回归”的潜在区域，再用KD指标去卡入场时间。这种思路对日线或周线级别的中低频交易尤其实用。适合有一定Python基础、想从单票交易转向批量筛选的技术从业者，下文会给出从数据读取到回测报表的完整可改代码。

2. 搭股票池：用Python构建可复现的量化分析底座

2.1 股票池量化策略需要先解决“数据面”问题

股票池量化策略的第一个瓶颈不是指标公式，而是数据怎么组织。常见做法是：用接口或CSV文件把全市场日线数据拉下来，统一成{code: DataFrame}字典结构，每个DataFrame的索引是交易日，列至少包含open/high/low/close/volume/amount。这里有两个容易踩的坑：第一个是除权除息没有复权，导致后复权与前复权混用，信号和回测全变样；第二个是交易日历不统一，不同股票因停牌导致的缺行，会直接破坏rolling窗口的连续性。

我一般在数据落地时做一次“标准化”处理：把价格列全部按前复权因子重算，并剔除上市不满60个交易日、当日停牌、近20日平均成交额低于3000万的个股。这样进池子的标的至少保证有一定流动性和可交易性，避免回测里出现“一支小盘股一天就能把曲线拉成直线”的失真场景。

另外，股票池不是每天重建一次，而是按固定调仓周期重建。我常用的做法是周频调仓：每周五收盘后重建股票池，下周一执行买入。这样既控制了换手率，又不会因为单日价格异动让池子剧烈抖动。

2.2 用最小代码实现基础股票池筛选

下面这段代码给定一个基准日date，从全市场日线字典中筛出当期股票池。它不依赖任何专门的量化框架，只用pandas，方便你在现有工程里直接嵌入。

import pandas as pd def build_stock_pool(daily_data, date, min_list_days=60, min_avg_amount=3e7, exclude_st=True): """按基准日生成股票池。 daily_data: dict，key 为股票代码，value 为 DataFrame， 索引是交易日，字段含 open/high/low/close/volume/amount/name date: 基准日字符串，格式 'YYYY-MM-DD' min_list_days: 上市最少天数，过滤次新股 min_avg_amount: 近20日平均成交额下限，单位元 exclude_st: 是否剔除 ST / *ST """ pool = [] for code, df in daily_data.items(): # 截取基准日之前的数据，避免用到未来数据 hist = df.loc[:date] if len(hist) < min_list_days: continue if exclude_st and 'name' in hist.columns: latest_name = str(hist['name'].iloc[-1]) if 'ST' in latest_name.upper(): continue if 'amount' in hist.columns: avg_amount = hist['amount'].tail(20).mean() else: avg_amount = 0 if avg_amount < min_avg_amount: continue pool.append({ 'code': code, 'last_close': hist['close'].iloc[-1], 'avg_amount': avg_amount }) return pd.DataFrame(pool)

从逻辑上看，这个函数有几个关键判断点：len(hist) < min_list_days拦住上市时间过短的标的；latest_name中带ST的标的被剔除；avg_amount低于min_avg_amount的流动性过滤也被挡在外面。参数min_avg_amount我一般设 3000 万，如果你做的是小市值实验，可以降到 1000 万，但注意滑点风险会显著上升；反之做中大盘策略可以提高到 1 亿以上。

需要特别提醒的是，这个函数并没有对复权做处理。在实际应用中，你应该在把原始数据存入daily_data之前就完成前复权操作。不同数据源的前复权接口差异较大，但核心原则只有一个：回测与实盘必须使用同一套复权基准，否则信号的位置会整体偏移。

2.3 回测需要的最小框架：向量化与逐日循环的取舍

按日线做股票池策略，回测引擎不需要很复杂。常见做法是逐日循环：每天先判断股票是否还在池中，再对持仓标的打信号。这样做贴近实盘，方便加手续费、滑点和涨跌停限制；坏处是速度慢。单标的几千行数据无所谓，但全市场几千只股票滚动跑，速度就成问题。

所以工程上通常采用“先算好信号，再统一撮合”的思路：把指标向量化计算，buy/sell 两个布尔序列直接生成，回测时只做状态切换。下面这段python量化交易策略代码既是回测骨架，也是后续章节评估绩效的输入。

import pandas as pd import numpy as np def run_backtest(close: pd.Series, buy_signal: pd.Series, sell_signal: pd.Series, initial_cash=1_000_000, fee_rate=0.0003): """向量化信号前提下的逐日回测。 close: 收盘价序列，index 为交易日 buy_signal / sell_signal: 布尔序列，True 表示当天触发 fee_rate: 单边手续费率，默认万三 """ cash = initial_cash position = 0.0 equity = [] for i in range(len(close)): price = close.iloc[i] if buy_signal.iloc[i] and position == 0: # 全仓买入，手续费以持仓市值形式扣除 position = cash / price cash = 0.0 position *= (1 - fee_rate) elif sell_signal.iloc[i] and position > 0: cash = position * price * (1 - fee_rate) position = 0.0 equity.append(cash + position * price) return pd.Series(equity, index=close.index)

这个回测函数假设当日信号当日按收盘价成交，是最大简化版。其中fee_rate是单边费率，一般 A 股默认万三到万五；如果考虑滑点，可以在函数外把成交价改成close * (1 + slippage)，效果类似。更细的撮合逻辑，比如涨停买不进、跌停卖不出，需要在信号过滤阶段先处理，第五章会给出具体做法。

3. 布林指标与KD指标信号怎么算、怎么合并

3.1 布林指标计算公式与标准差口径

布林指标由中轨、上轨、下轨三条线组成。中轨是N日均线，上下轨是中轨加减K倍标准差。这里有一个统计口径差异：pandas 的std()默认ddof=1，而布林指标的标准差一般取总体标准差ddof=0。两者在小窗口下差异尤其明显，20日窗口大约有百分之几的偏差，直接影响上下轨宽度。下面给出一段标准实现，直接指定ddof=0，避免不同版本回测口径不一致：

def bollinger_bands(close: pd.Series, window: int = 20, num_std: float = 2.0): """计算布林指标上中下轨。 close: 收盘价序列 window: 均线窗口，默认20；周线策略可改用 20*5=100 num_std: 标准差倍数，默认2 返回 (upper, middle, lower) """ middle = close.rolling(window=window).mean() std = close.rolling(window=window).std(ddof=0) upper = middle + num_std * std lower = middle - num_std * std return upper, middle, lower

为什么num_std默认取 2？因为在正态分布假设下，价格落在均值±2倍标准差内的概率约为95%。实际金融数据不服从正态分布，布林带给出的“统计带”更多是情绪参考：当价格贴着下轨运行，说明短期情绪偏弱，均值回归概率在提升，但不是说一定会反弹。这也就是为什么只用布林带一个指标，容易在单边下跌行情里反复抄底亏损——价格可以在下轨之下运行很久。加入KD指标作为二次确认，就是用来过滤掉这种“情绪弱但动能仍在向下”的场景。

3.2 KD指标计算公式与递归初始化细节

KD指标的核心是 RSV，随后对 RSV 做指数平滑得到 K 和 D。标准公式如下：

RSV = (收盘价 - 9日最低价) / (9日最高价 - 9日最低价) * 100 K = 2/3 * K(前一日) + 1/3 * RSV D = 2/3 * D(前一日) + 1/3 * K

初始 K 和 D 一般取第一个 RSV 或直接取 50。用 pandas 的ewm可以直接实现递归平滑。注意alpha要设为1/3，并且adjust=False，这样才能匹配标准KD的更新式。

def kd_indicator(df: pd.DataFrame, n: int = 9, alpha: float = 1/3): """计算KD指标的K值和D值。 df: 必须含 high, low, close 三列 n: RSV 的回看窗口，默认9 alpha: K 与 D 的平滑系数，标准值为1/3 """ low_n = df['low'].rolling(window=n).min() high_n = df['high'].rolling(window=n).max() rsv = (df['close'] - low_n) / (high_n - low_n) * 100 rsv = rsv.fillna(50.0) k = rsv.ewm(alpha=alpha, adjust=False).mean() d = k.ewm(alpha=alpha, adjust=False).mean() return k, d

这里有个容易被忽略的细节：ewm(adjust=False)的递归公式是y_t = (1 - alpha) * y_{t-1} + alpha * x_t，正好对应 K 的更新式。如果误用默认的adjust=True，结果会变成从起始点向当前值的全量加权平均，前面几百行的K值会与标准KD差异巨大，信号位置也会整体偏移。

另外，rsv.fillna(50.0)这一句是给前n-1行一个中性初值，避免最前面的 K 和 D 出现 NaN。如果你准备逐日滚动计算而非一次性全量计算，这个初值决定权在你自己，但标准做法是取 50，不会对后续稳态产生实质影响。

3.3 组合信号设计：布林定位置，KD定时点

单用布林带，你得到的是一个价格通道；单用 KD，你得到的是一个摆动区间。把它们组合成“布林+KD”的入场信号，我常用一个非常朴素的逻辑：布林带下轨与KD低位金叉同时发生才买入。“低位”指 K 值低于 20 或 30，“金叉”指 K 从下向上穿越 D。

def generate_signals(df, bb_window=20, bb_std=2.0, kd_n=9, kd_low=20): """生成布林+KD组合买入/卖出信号。 df: 含 open/high/low/close 的日线 DataFrame 返回 df 副本，新增 buy_signal / sell_signal 两列 """ df = df.copy() upper, middle, lower = bollinger_bands( df['close'], bb_window, bb_std) k, d = kd_indicator( df[['high', 'low', 'close']], n=kd_n) # 买入：前一日收盘仍在下轨之上， # 当日收盘跌破下轨，且 K 在低位上穿 D buy_signal = ( (df['close'].shift(1) >= lower.shift(1)) & (df['close'] < lower) & (k > d) & (k.shift(1) <= d.shift(1)) & (k < kd_low) ) # 卖出：价格向上穿越中轨，或 K 值大于 80 后死叉 sell_signal = ( (df['close'] > middle) | ((k < d) & (k.shift(1) >= d.shift(1)) & (k > 80)) ) df['buy_signal'] = buy_signal df['sell_signal'] = sell_signal return df

这里是整个策略的核心。买入信号加了三层过滤：跌破下轨、KD金叉、K值在低位。为什么不直接用“当日收盘跌破下轨就买”？因为跌破下轨既可能是均值回归机会，也可能是趋势加速的第一天，单独看布林带无法区分。KD低位金叉作为附加条件，是在用动量指标确认下跌动能正在衰减。

卖出信号没有做太严格的限制。原因在于这个策略的盈利来源是中轨回归，价格一旦回到布林带中轨以上，意味着“从偏离到回归”的过程大概率已经走完；K值80以上的高位死叉作为止盈保护，防止在极端强势行情中过早下车。如果你在实盘里觉得卖出太频繁，可以再加一条持仓时间不小于5日的最低持有规则，但这属于交易成本与信号频率的权衡，不是策略逻辑的必要条件。

4. 回测结果评估与参数调优

4.1 核心绩效指标：用夏普而不是总收益评判

回测跑完，不能只看总收益，还要看年化、最大回撤、夏普比率、胜率和盈亏比。用第三章的run_backtest函数拿到权益曲线后，我通常立刻算下面几个指标：

def evaluate_equity(equity: pd.Series, periods_per_year=252): """从权益曲线计算核心绩效指标。 equity: 逐日权益序列 periods_per_year: 年交易日数，日线取252，周线取52 """ ret = equity.pct_change().dropna() total_return = equity.iloc[-1] / equity.iloc[0] - 1 years = len(equity) / periods_per_year annual_return = (1 + total_return) ** (1 / years) - 1 peak = equity.cummax() drawdown = (equity - peak) / peak max_drawdown = drawdown.min() # 夏普比率，无风险利率按0计 sharpe = ret.mean() / ret.std() * (periods_per_year ** 0.5) return { 'total_return': total_return, 'annual_return': annual_return, 'max_drawdown': max_drawdown, 'sharpe': sharpe, 'volatility': ret.std() * (periods_per_year ** 0.5) }

最大回撤是这个策略最需要盯的指标。布林+KD这种均值回归型策略，往往胜率不错，但偶尔会遇到单边下跌的品种，下轨不断下移、买进去就被套。如果最大回撤超过20%，说明股票池里混进了不该有的趋势性下跌个股，此时应优先调整入池条件，而不是盲目修改指标参数。

4.2 三个核心参数怎么选：布林窗口、带宽倍数、KD周期

布林和KD合在一起，最关键的可调参数有三个：布林窗口bb_window、带宽倍数bb_std、KD周期kd_n。下表是常见取值范围和它们对结果的影响方向：

参数的选取没有全局最优。比较稳妥的做法是网格遍历后看参数平面的稳定性：如果3×3×3的参数空间里只有少数几组参数赚钱，绝大多数亏钱，说明策略本身不稳健，靠的是参数拟合；如果大片区域都能盈利且回撤差距不大，说明策略逻辑成立，参数选择只是微调。

4.3 用滚动窗口做参数调优，防止前视偏差

“前视偏差”是参数调优中最容易犯的错。正确做法是：用历史某段时间内的数据选出参数，再用没参与选参的后一段数据做样本外验证。下面给出两段式网格搜索的骨架：

from itertools import product def grid_search(daily_df, param_grid, in_sample_dates, out_sample_dates): """两段式网格搜索：样本内选参，样本外验证。 daily_df: 单只股票或股票池等权组合的行情 DataFrame param_grid: {'bb_window': [15, 20, 25], 'bb_std': [1.5, 2, 2.5], 'kd_n': [9, 14]} 返回样本内外核心指标组成的 DataFrame """ results = [] for bb_window, bb_std, kd_n in product( param_grid['bb_window'], param_grid['bb_std'], param_grid['kd_n']): df = generate_signals(daily_df, bb_window, bb_std, kd_n) df_is = df.loc[in_sample_dates] df_oos = df.loc[out_sample_dates] eq_is = run_backtest(df_is['close'], df_is['buy_signal'], df_is['sell_signal']) eq_oos = run_backtest(df_oos['close'], df_oos['buy_signal'], df_oos['sell_signal']) results.append({ 'bb_window': bb_window, 'bb_std': bb_std, 'kd_n': kd_n, 'is_sharpe': evaluate_equity(eq_is)['sharpe'], 'oos_sharpe': evaluate_equity(eq_oos)['sharpe'], }) result_df = pd.DataFrame(results) return result_df.sort_values('oos_sharpe', ascending=False)

一个实际工程要点：股票池场景下不一定对每只股票单独调参，而是对“全池子等权组合”调同一组参数。原因是个股噪音大，单独调参容易过拟合；组合级别的参数普适性更高。我在项目管理几十只股票时只跑组合级网格，个股级调参的人力成本完全不划算。

5. 把回测报表当体检报告：三个必须看的隐藏项

很多人拿到一份漂亮的回测权益曲线就开始兴奋，但回测报表里最关键的三个“隐藏项”往往不在首页。

第一个是幸存者偏差。如果你用的股票池是今天存在的股票、而不是历史当时存在的股票，那么退市股和暴跌股从一开始就不在回测里，年化收益虚高10%以上都很常见。解决办法是使用带退市标记的全量历史数据，或者在入池流程中保留“之后被退市”的标的直到退市日。

第二个是手续费与滑点的真实占比。布林+KD组合策略的交易频率不低，按20日布林带、每周调仓来算，年单边换手可能到20倍以上。回测里如果只用万三佣金且不算滑点，夏普比率会比较好看；一旦把滑点按0.1%计入，很多参数组合会从盈利变亏损。验证手段很简单：把fee_rate从0.0003改成0.001，看年化收益缩水多少，缩水幅度超过40%就要考虑降低调仓频率。

第三个是出场信号是否真的可执行。这个策略的买入条件是“跌破下轨 + KD低位金叉”，成交价是按收盘价模拟的。但在跌停板上收盘买入往往无法成交；涨停板上卖出也同理。更保守的做法是在信号生成后加一条规则：当日不是一字涨停或跌停才允许成交。代码里加一行过滤即可：

def apply_limit_filter(df): """剔除一字涨跌停日的伪信号。""" limit_up = df['close'] >= df['close'].shift(1) * 1.095 limit_down = df['close'] <= df['close'].shift(1) * 0.905 df.loc[limit_up | limit_down, ['buy_signal', 'sell_signal']] = False return df

把generate_signals的输出接上这个过滤，再进回测，曲线会朴素很多，但每一笔收益都是实盘里拿得到的。拿这个口径去对比优化前后的夏普比率，你才能真正判断“布林+KD”这一套框架在股票池量化策略中值不值得上线。

本文还有配套的精品资源，点击获取