1. 海龟交易策略：一个被公开的“圣杯”传说

在量化交易的世界里，很少有策略能像“海龟交易策略”这样，既充满传奇色彩，又如此彻底地暴露在公众视野之下。它源于上世纪80年代一场著名的“海龟实验”，由商品交易大师理查德·丹尼斯和他的合伙人威廉·埃克哈特发起。他们通过一场公开的赌约，证明了交易才能并非天生，而是可以通过一套严格的规则体系来培养。他们招募并培训了一批普通人，这些学员后来被称为“海龟”，而他们所遵循的那套完整的趋势跟踪交易系统，就是“海龟交易策略”。这套策略的核心，不是预测市场，而是通过一套机械化的规则，捕捉并跟随市场的主要趋势，在趋势中获取利润，并通过严格的资金管理来控制风险。对于每一个想要踏入系统化交易大门的人来说，海龟策略都是一本绝佳的“入门教科书”，它剥离了交易中的情绪干扰，将复杂的市场行为简化为可执行、可回测、可复制的规则。今天，我们就来深入拆解这个经典策略，从核心理念到参数计算，再到用Python一步步实现它，并分享在实际应用中那些容易被忽略的“坑”和优化思路。

2. 海龟策略的四大核心支柱：理解其运作逻辑

海龟策略之所以经典且有效，在于它构建了一个完整的交易系统闭环，这个系统建立在四个相互支撑的支柱之上：市场选择、入市信号、头寸规模（资金管理）和离市信号。理解这四者之间的关系，比记住具体参数更重要。

2.1 市场选择与时间框架：趋势的土壤

海龟策略是一个典型的中长期趋势跟踪策略。这意味着它并非为短线震荡市或日内交易设计。它的目标是捕捉持续数周甚至数月的大级别趋势。因此，策略对交易品种和市场有明确要求：

• 高流动性：品种需要有足够的成交量和市场深度，以确保大资金进出时滑点成本可控。海龟们最初交易的是期货市场（如原油、外汇、债券期货），这些市场流动性好，且自带杠杆。
• 低相关性：为了分散风险，海龟们会在多个不相关的市场同时寻找机会。一个市场的亏损可能被另一个市场的盈利所抵消。在A股市场，我们可以选择不同行业板块的ETF或流动性极佳的大盘股。
• 时间框架：原版海龟策略使用日线数据进行计算和决策。这是策略的“心跳”频率。所有关键指标（如突破、ATR）都基于日线收盘价计算。试图在分钟线上套用海龟规则，往往会因为市场噪音过大而失效。

注意：很多初学者第一个坑就是选错了市场或周期。试图在比特币的1小时线或一只成交稀薄的小盘股上运行海龟策略，结果通常是频繁的假突破和持续的磨损。策略的土壤选错了，再好的种子也无法生长。

2.2 入市信号：双重突破系统

海龟策略的入场并非主观判断，而是等待价格突破特定的边界。它采用了一套双重入场系统，兼顾了趋势的初次确认和回调后的再次介入。

• 系统一：以20日突破为基础的初始入场这是主要的入场信号。当今日收盘价突破过去20个交易日（约一个月）的最高价时，产生买入信号；当收盘价跌破过去20个交易日的最低价时，产生卖出信号。这里的“突破”定义为收盘价确认，而非盘中价格，这过滤了许多盘中假突破的噪音。这个20日的窗口，是捕捉中级趋势启动的一个经验参数。

• 系统二：以55日突破为基础的备用入场这是更长期的趋势过滤器。如果错过了系统一的入场点，价格继续运行，那么当价格突破过去55个交易日（约一个季度）的最高/最低点时，会给出第二次入场机会。系统二的信号更强，意味着趋势可能更持久，但入场位置往往更差（离止损更远）。原版规则中，海龟们被要求同时执行两套系统。

2.3 头寸规模与资金管理：生存的基石

这是海龟策略的灵魂，也是其与普通“突破就买”策略的本质区别。海龟不是简单地“买1手”，而是根据市场波动性和账户风险，动态计算买入数量。

其核心公式是：头寸规模单位 = (账户总风险) / (每单位资产的风险)

• 账户总风险：通常设定为账户总资金的1%。例如，100万账户，单次交易可承受风险为1万元。
• 每单位资产的风险：这里引入了海龟策略最著名的指标——平均真实波幅。ATR衡量了资产在过去一段时间（通常为20日）内的平均波动幅度。每单位资产的风险通常设置为1个ATR。意思是，如果股价波动了1个ATR的幅度，我们就认为它发生了“正常”的波动。

因此，具体计算步骤为：

1. 计算当前资产的20日ATR值（例如，ATR = 2.0元）。
2. 确定每手（或每单位）合约所代表的资产数量（例如，A股是100股/手，期货有合约乘数）。
3. 计算每手股票的风险金额= ATR * 每手股数 = 2.0元 * 100 = 200元。
4. 计算可购买手数= 账户总风险 / 每手风险金额 = 10,000元 / 200元 = 50手。
5. 最终，买入数量= 可购买手数 * 每手股数 = 50 * 100 = 5000股。

这套方法的美妙之处在于“波动性标准化”。在波动大的市场（ATR大），自动减少头寸，控制单笔亏损；在波动小的市场（ATR小），适当增加头寸，不浪费机会。这保证了在不同波动特性的品种上，单笔交易的理论风险是基本一致的。

2.4 离市信号：让利润奔跑，但适时收网

“截断亏损，让利润奔跑”是趋势跟踪的格言。海龟的离市（止损和止盈）规则完美体现了这一点。

• 止损：非常严格。入场后，会在相反方向距离入场价2个ATR的位置设置初始止损单。这是一个硬性退出规则，绝不扛单。例如，在10元买入，ATR为0.5元，则止损价设为 10 - 2*0.5 = 9元。这笔交易的最大亏损被锁定在约2%的资产价格波动（对应账户1%的风险）。
• 止盈：趋势跟踪者没有固定的盈利目标。海龟的离场信号是反向突破。对于多头头寸，当价格跌破过去10日最低价时离场；对于空头头寸，当价格升破过去20日最高价时离场。注意，这里的离场周期（10日/20日）与入场周期（20日/55日）不同，是一种不对称的优化，旨在更快地保护上涨利润，同时给下跌趋势更多确认时间。

3. 用Python构建海龟交易策略：从理论到代码

理解了原理，我们开始动手实现。我们将使用pandas和backtrader（一个功能强大的Python量化回测框架）来构建策略。这里会详细解释每一步的代码意图。

3.1 数据准备与ATR计算

首先，我们需要获取历史日线数据并计算核心指标ATR。

import pandas as pd import numpy as np import backtrader as bt # 假设我们已经有了一个包含OHLCV的DataFrame `df`，索引为日期 # 计算真实波幅(TR) df['high_low'] = df['high'] - df['low'] df['high_close_prev'] = abs(df['high'] - df['close'].shift(1)) df['low_close_prev'] = abs(df['low'] - df['close'].shift(1)) df['TR'] = df[['high_low', 'high_close_prev', 'low_close_prev']].max(axis=1) # 计算20日简单移动平均的ATR df['ATR'] = df['TR'].rolling(window=20).mean() # 计算突破通道：20日最高价和最低价 df['20_day_high'] = df['high'].rolling(window=20).max() df['20_day_low'] = df['low'].rolling(window=20).min() # 计算55日突破通道（系统二备用） df['55_day_high'] = df['high'].rolling(window=55).max() df['55_day_low'] = df['low'].rolling(window=55).min()

注意：TR的计算考虑了缺口情况（昨日收盘与今日最高/最低的差距），这比单纯用最高-最低更能反映真实波动。rolling().mean()用于计算移动平均，确保我们用的是历史数据，避免未来函数。

3.2 在Backtrader中实现策略逻辑

我们将创建一个TurtleStrategy类，继承自bt.Strategy。

class TurtleStrategy(bt.Strategy): params = ( ('system1_period', 20), # 系统一突破周期 ('system2_period', 55), # 系统二突破周期 ('atr_period', 20), # ATR计算周期 ('risk_per_trade', 0.01), # 单笔交易风险比例（1%） ('stop_loss_atr', 2.0), # 止损ATR倍数 ('exit_long_period', 10), # 多头离场周期 ('exit_short_period', 20),# 空头离场周期 ) def __init__(self): # 保存数据引用 self.dataclose = self.datas[0].close self.datahigh = self.datas[0].high self.datalow = self.datas[0].low # 计算指标 # 1. 突破通道 self.high_20 = bt.indicators.Highest(self.datahigh, period=self.p.system1_period) self.low_20 = bt.indicators.Lowest(self.datalow, period=self.p.system1_period) self.high_55 = bt.indicators.Highest(self.datahigh, period=self.p.system2_period) self.low_55 = bt.indicators.Lowest(self.datalow, period=self.p.system2_period) # 2. ATR self.atr = bt.indicators.ATR(self.datas[0], period=self.p.atr_period) # 3. 离场通道 self.exit_high = bt.indicators.Highest(self.datahigh, period=self.p.exit_short_period) self.exit_low = bt.indicators.Lowest(self.datalow, period=self.p.exit_long_period) # 状态变量 self.entry_price = 0 # 入场价格 self.stop_price = 0 # 当前止损价 self.position_size = 0 # 理论头寸规模（用于计算） self.system1_entry = False # 系统一是否已触发 self.system2_entry = False # 系统二是否已触发

__init__方法初始化了所有需要的指标。bt.indicators模块提供了高效的计算。我们定义了状态变量来跟踪交易。

3.3 核心交易逻辑：next函数

next函数在每个K线周期（这里是每天）都会被调用，是策略决策的核心。

def next(self): # 如果还没有仓位 if not self.position: self.system1_entry = False self.system2_entry = False # 系统一入场条件：收盘价突破20日高点 if self.dataclose[0] > self.high_20[-1]: # 比较当前收盘价和前一日最高价通道 self.entry_price = self.dataclose[0] self.system1_entry = True self._enter_long() # 系统一入场条件：收盘价跌破20日低点（做空，A股融券或期货适用） elif self.dataclose[0] < self.low_20[-1]: self.entry_price = self.dataclose[0] self.system1_entry = True self._enter_short() # 如果系统一未触发，检查系统二（55日突破） elif self.dataclose[0] > self.high_55[-1]: self.entry_price = self.dataclose[0] self.system2_entry = True self._enter_long() elif self.dataclose[0] < self.low_55[-1]: self.entry_price = self.dataclose[0] self.system2_entry = True self._enter_short() # 如果持有多头仓位 elif self.position.size > 0: # 更新跟踪止损：初始止损为入场价 - 2*ATR，之后随着价格上涨，止损价上移至 收盘价 - 2*ATR（但不低于初始止损） new_stop = self.dataclose[0] - self.p.stop_loss_atr * self.atr[0] self.stop_price = max(self.stop_price, new_stop) # 止损只上移，不下移 # 离场条件1：价格跌破跟踪止损价 if self.dataclose[0] < self.stop_price: self.close() # 离场条件2：价格跌破10日最低价（原版离场规则） elif self.dataclose[0] < self.exit_low[-1]: self.close() # 如果持有空头仓位（逻辑对称） elif self.position.size < 0: new_stop = self.dataclose[0] + self.p.stop_loss_atr * self.atr[0] self.stop_price = min(self.stop_price, new_stop) # 止损只下移，不上移 if self.dataclose[0] > self.stop_price: self.close() elif self.dataclose[0] > self.exit_high[-1]: self.close()

这段代码清晰地体现了海龟规则的机械化。入场等待突破信号，持仓期间不断计算并上移（或下移）止损，离场则依据止损价或反向突破信号。

3.4 动态头寸计算与下单

这是资金管理的关键，在_enter_long和_enter_short方法中实现。

def _enter_long(self): # 计算头寸规模 risk_capital = self.broker.getvalue() * self.p.risk_per_trade # 风险资金 = 总资产 * 1% risk_per_share = self.p.stop_loss_atr * self.atr[0] # 每股风险 = 2 * ATR if risk_per_share == 0: return # 避免除零错误 # 计算应买入的股数 size = risk_capital / risk_per_share size = int(size) // 100 * 100 # A股按手取整，1手=100股 if size > 0: self.buy(size=size) # 记录初始止损价 self.stop_price = self.entry_price - risk_per_share def _enter_short(self): # 做空逻辑类似，方向相反 risk_capital = self.broker.getvalue() * self.p.risk_per_trade risk_per_share = self.p.stop_loss_atr * self.atr[0] if risk_per_share == 0: return size = risk_capital / risk_per_share size = int(size) // 100 * 100 if size > 0: self.sell(size=size) self.stop_price = self.entry_price + risk_per_share

这里self.broker.getvalue()获取当前账户总资产，实现了动态调整。// 100 * 100是A股以手为单位的取整方式。

4. 策略回测、绩效分析与参数敏感度

写完策略后，我们需要在历史数据上检验其表现。使用backtrader可以方便地进行回测和分析。

4.1 执行回测与基础绩效指标

# 创建引擎 cerebro = bt.Cerebro() # 加载数据（假设df已准备好） data = bt.feeds.PandasData(dataname=df) cerebro.adddata(data) # 添加策略 cerebro.addstrategy(TurtleStrategy) # 设置初始资金 cerebro.broker.setcash(100000.0) # 设置交易手续费（以A股万2.5为例） cerebro.broker.setcommission(commission=0.00025) # 运行回测 print(‘起始资金: %.2f’ % cerebro.broker.getvalue()) cerebro.run() print(‘最终资金: %.2f’ % cerebro.broker.getvalue()) # 绘制图表 cerebro.plot()

运行后，我们可以得到最终净值。但更重要的是分析绩效报告。backtrader可以通过analyzers添加分析器。

# 在cerebro.run()前添加分析器 cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe', riskfreerate=0.03, annualize=True) cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown') cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='trades') cerebro.addanalyzer(bt.analyzers.Returns, _name='returns') # 运行 results = cerebro.run() strat = results[0] # 打印关键指标 print(‘夏普比率:’， strat.analyzers.sharpe.get_analysis()[‘sharperatio’]) print(‘最大回撤:’， strat.analyzers.drawdown.get_analysis()[‘max’][‘drawdown’]， ‘%’) print(‘总收益率:’， strat.analyzers.returns.get_analysis()[‘rtot’] * 100， ‘%’) # 交易分析 ta = strat.analyzers.trades.get_analysis() if ‘total’ in ta: print(‘总交易次数:’， ta.total.total) print(‘胜率:’， ta.won.total / ta.total.total * 100 if ta.total.total > 0 else 0， ‘%’) print(‘平均盈利:’， ta.won.pnl.average if ta.won.total > 0 else 0) print(‘平均亏损:’， ta.lost.pnl.average if ta.lost.total > 0 else 0)

一个典型的海龟策略回测结果可能呈现以下特征：

• 胜率较低：通常在30%-40%左右，因为趋势行情只占市场时间的少部分，大部分突破是假信号。
• 盈亏比较高：平均盈利远大于平均亏损，这正是“截断亏损，让利润奔跑”的体现。
• 最大回撤可能较大：在漫长的震荡市中，策略会连续产生小额亏损，导致资金曲线出现显著回撤（20%-30%甚至更高）。
• 长期年化收益为正：在存在趋势的市场中，长期来看能获得超越基准的回报。

4.2 参数敏感度测试与过拟合陷阱

海龟策略的参数（20日、55日、2ATR止损等）是丹尼斯时代基于商品期货数据总结的。在不同的市场（如A股）、不同的时期，这些参数未必最优。我们需要进行参数优化，但要警惕过拟合。

# 使用Backtrader的优化功能 cerebro.optstrategy( TurtleStrategy, system1_period=range(15, 26, 5), # 测试15, 20, 25 system2_period=range(50, 61, 5), # 测试50, 55, 60 stop_loss_atr=[1.5, 2.0, 2.5], ) # 运行优化（会比较慢，因为要跑多组参数） opt_results = cerebro.run()

优化后，可以对比不同参数组合下的夏普比率、最大回撤、总收益等指标。关键经验是：寻找在较长时间段内（最好包含牛市、熊市、震荡市）表现稳健的参数区域，而不是追求单一历史数据上收益最高的“尖峰”参数。参数在某个区间（如突破周期18-22日）表现稳定，比一个孤立的“20日”更有说服力。

5. 实盘中的挑战与进阶优化思路

将回测漂亮的海龟策略投入实盘，你会立刻遇到一系列回测中不曾显现的挑战。这部分是真正的“干货”。

5.1 流动性冲击与滑点成本

回测假设我们能在收盘价瞬间成交，但实盘中，尤其是按收盘信号操作时，会遇到“抢跑”和流动性不足的问题。

• 问题：当收盘价刚好满足突破条件时，很多程序化交易者会同时发出订单，集中在收盘前几分钟或开盘后几分钟，导致实际成交价远差于预期价格。
• 应对：
  1. 成交价模拟：在回测中主动加入滑点成本，例如固定滑点（0.1%）或比例滑点（成交金额的万分之五）。backtrader中可以通过cerebro.broker.set_slippage_perc(0.0005)来设置。
  2. 订单执行算法：不要使用市价单，改用限价单，并尝试在突破确认后的下一个交易日开盘一段时间内分批成交。
  3. 放宽突破条件：例如，要求收盘价突破20日高点至少0.5%或1个ATR，以过滤掉那些强度不够的微弱突破，这能显著减少无效交易，但也会错过一些早期信号。

5.2 震荡市的磨损与心理考验

这是趋势跟踪策略的天敌。在漫长的无趋势震荡行情中，策略会反复“突破买入->止损卖出->反向突破卖出->止损买入”，产生一连串的小额亏损，资金曲线持续阴跌。这个过程可能持续数月，对执行者的心理是巨大考验。

• 应对：
  1. 多市场、多品种分散：这是原版海龟的核心。当A品种震荡时，B品种可能正走趋势。整体资金曲线会被平滑。
  2. 引入市场状态过滤器：可以尝试用ADX（平均趋向指数）等指标来量化市场趋势强度。只有当ADX高于某个阈值（如25）时，才启用海龟突破信号。这能有效减少震荡市的交易次数，但缺点是也会过滤掉趋势启动初期的部分利润。
  3. 接受它：认识到“磨损”是策略的必要成本，就像生意的租金。只要长期期望收益为正，并且回撤在风险承受范围内，就必须坚持系统。执行力是量化交易最难的部分。

5.3 头寸规模计算的现实调整

原版公式在实盘中可能需要微调。

• 问题：计算出的头寸可能过大，超过品种的日成交量一定比例，导致无法顺利建仓或平仓。
• 应对：在计算出的头寸规模上，增加一个流动性限制。例如，规定单次下单量不超过该品种过去20日平均成交量的1%。这需要你在头寸计算函数中加入额外的判断逻辑。

5.4 策略的变体与融合

纯粹的原版海龟在当今高度有效的市场中，其阿尔法（超额收益）可能已被稀释。可以考虑将其与其他逻辑融合。

• 与基本面筛选结合：只在财务健康、处于景气行业的股票池中运行海龟策略，避免踩雷和跟随无逻辑的下跌趋势。
• 多时间框架确认：在日线发出突破信号时，检查周线图是否也处于同向的趋势中，增加信号的可靠性。
• 动态风险暴露：根据整体市场的波动率（如VIX指数）或策略自身的回撤幅度，动态调整risk_per_trade。在波动极大或连续亏损后，主动降低风险比例，保护本金。

海龟交易策略远非一个“印钞机”代码。它是一个完整的交易哲学和风险管理体系的代码化体现。它的最大价值，在于教育交易者如何系统地思考市场、管理风险和约束自身。通过亲手实现它、回测它、思考它的缺陷并尝试改进，你所学到的关于系统化、纪律性和概率思维的东西，远比策略本身的盈亏曲线更有价值。在实盘中，我最大的体会是，策略本身可能只贡献了30%的成功因素，而资金管理（海龟的核心）和坚定不移的执行力，占了剩下的70%。当你因为连续五次止损而怀疑系统，却依然能按下“确认下单”按钮时，你才真正开始理解什么是交易。