最近在量化策略开发中，经常需要计算不同周期的移动平均线（MA）来辅助判断趋势。其中，25日移动平均线（25 DMA）是一个经典且常用的中期趋势指标。但在实际应用中，单纯看一条均线往往不够，结合短期均线（如10日）进行交叉判断，能更有效地捕捉买卖信号。本文将围绕“25 DMA 25DMA-10”这一主题，深入拆解其计算原理、在Python中的实现方法、策略构建逻辑，并提供一个完整的、可复现的回测实战案例。无论你是量化投资新手，还是希望优化现有策略的开发者，都能从本文获得一套可直接上手的工具和清晰的思路。

1. 背景与核心概念

在技术分析领域，移动平均线（Moving Average, MA）是最基础、最广泛使用的趋势跟踪指标之一。它的核心思想是通过计算过去一段时间内收盘价的平均值，来平滑价格波动，从而更清晰地展示资产价格的运行趋势。

什么是25日移动平均线（25 DMA）？25日移动平均线，顾名思义，就是计算过去25个交易日（或数据点）收盘价的算术平均值。它通常被视为一条中期趋势线。当价格运行在25日均线之上时，往往意味着中期趋势向好；反之，当价格运行在均线之下时，则可能意味着中期趋势偏弱。

为什么是“25 DMA-10”？这里的“-10”通常指代与另一条周期更短的移动平均线进行比较，最常见的就是10日移动平均线（10 DMA）。因此，“25 DMA-10”可以理解为25日均线与10日均线的差值、关系或交叉策略。这种双均线系统是趋势跟踪策略的基石：

• 金叉（Golden Cross）：当短期均线（如10 DMA）从下向上穿越长期均线（如25 DMA）时，被视为买入信号，预示着新上涨趋势可能开始。
• 死叉（Death Cross）：当短期均线从上向下穿越长期均线时，被视为卖出信号，预示着下跌趋势可能开始。

核心价值与应用场景：

1. 趋势识别：帮助交易者过滤市场噪音，识别主要趋势方向。
2. 支撑与阻力：在上升趋势中，均线可能起到支撑作用；在下降趋势中，可能起到阻力作用。
3. 生成交易信号：通过均线交叉、价格与均线位置关系等规则，构建自动化交易策略。
4. 策略组合：作为多因子模型中的一个因子，或与其他指标（如RSI, MACD）结合使用。

理解这些概念后，我们将进入实战环节，学习如何用代码实现它。

2. 环境准备与版本说明

本文将使用Python进行数据分析与回测演示。请确保你的开发环境已安装以下核心库。版本号仅供参考，建议使用较新的稳定版本，但核心API通常保持向下兼容。

操作系统：Windows 10/11, macOS, 或 Linux (Ubuntu 20.04+) 均可。Python版本：推荐 Python 3.8 及以上。主要依赖库：

• pandas：数据处理与分析的核心库。
• numpy：数值计算基础库。
• matplotlib：用于绘制价格和指标图表。
• yfinance：一个免费、便捷的雅虎财经历史数据下载库（用于示例）。
• backtrader或vectorbt：本文示例将使用backtrader进行策略回测，它是一个功能强大且灵活的回测框架。

安装命令： 打开你的终端或命令提示符，执行以下命令进行安装：

pip install pandas numpy matplotlib yfinance backtrader

示例项目结构： 我们将创建一个简单的脚本文件来完成所有工作。对于更复杂的项目，你可以按以下结构组织：

dma_strategy_project/ ├── data/ # 存放下载或本地的历史数据文件 ├── strategies/ # 存放策略类定义 │ └── dma_cross.py ├── utils/ # 存放数据获取、处理工具函数 ├── config.py # 配置文件 ├── backtest.py # 主回测脚本 └── README.md

本文为简化演示，我们将所有代码写在一个.py文件中。

3. 核心计算与策略逻辑拆解

在编码之前，我们需要彻底理解计算方法和策略逻辑，这是避免后续错误的关键。

3.1 移动平均线的计算方法

移动平均线主要有三种计算方式：

1. 简单移动平均线（SMA）：最常用的方法，直接对过去N期的价格求算术平均。SMA_t = (P_t + P_{t-1} + ... + P_{t-N+1}) / N其中P_t是第t期的收盘价。
2. 指数移动平均线（EMA）：赋予近期价格更高权重，对价格变化的反应比SMA更灵敏。
3. 加权移动平均线（WMA）：按时间远近赋予不同权重。

本文将以最经典的SMA为例进行讲解和实现。pandas库提供了极为便捷的.rolling()和.mean()方法来计算SMA。

3.2 双均线交叉策略逻辑

我们的策略规则非常清晰：

• 数据：每日收盘价。
• 指标：计算10日SMA（快线）和25日SMA（慢线）。
• 信号：
  • 买入信号：当快线 > 慢线，并且在前一个交易日是快线 <= 慢线（即发生金叉时）。
  • 卖出信号：当快线 < 慢线，并且在前一个交易日是快线 >= 慢线（即发生死叉时）。或者，当持有头寸且遇到死叉时平仓。
• 头寸：每次信号全仓买入或卖出（简化模型）。在实际中，你需要考虑仓位管理。

为什么需要判断“前一个状态”？这是为了精确捕捉“交叉”的瞬间。如果我们只判断快线 > 慢线就买入，那么在金叉之后的所有日子里，这个条件都成立，会导致重复发出买入信号。通过对比当前状态和上一期的状态，我们才能定位到状态发生改变的那个时点。

4. 完整实战案例：从数据获取到回测分析

接下来，我们将通过一个完整的流程，实现25/10双均线交叉策略，并对沪深300指数（以000300.SS为例）进行历史回测。

4.1 获取与准备历史数据

我们使用yfinance库获取数据。请注意，网络数据源可能存在中断或格式变化的风险，在实际项目中建议使用稳定、授权的数据源。

# dma_strategy_demo.py import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt import backtrader as bt from datetime import datetime # 1. 定义股票代码和时间范围 ticker = ‘000300.SS‘ # 沪深300指数，雅虎财经代码 start_date = ‘2020-01-01‘ end_date = ‘2024-05-01‘ # 2. 下载历史数据 print(f“正在下载 {ticker} 从 {start_date} 到 {end_date} 的数据...“) data_df = yf.download(ticker, start=start_date, end=end_date, progress=False) # 3. 检查并查看数据 print(“数据前5行:“) print(data_df.head()) print(“\n数据信息:“) print(data_df.info()) # 数据列通常包括: ‘Open‘, ‘High‘, ‘Low‘, ‘Close‘, ‘Adj Close‘, ‘Volume‘ # 我们主要使用 ‘Close‘ 价格

运行后，data_df是一个DataFrame，索引是日期（DatetimeIndex），这正是我们需要的格式。

4.2 计算25日与10日移动平均线

使用pandas计算移动平均线非常简单。

# 4. 计算移动平均线 data_df[‘SMA_10‘] = data_df[‘Close‘].rolling(window=10).mean() data_df[‘SMA_25‘] = data_df[‘Close‘].rolling(window=25).mean() # 5. 计算信号：金叉与死叉 # 判断快线是否在慢线之上 data_df[‘Signal‘] = 0 # 默认无信号，0表示无持仓或观望 # 使用 .shift(1) 获取前一天的数据，用于判断交叉 data_df[‘SMA_10_Prev‘] = data_df[‘SMA_10‘].shift(1) data_df[‘SMA_25_Prev‘] = data_df[‘SMA_25‘].shift(1) # 生成交易信号 (简化版，未考虑持仓状态) # 金叉买入信号: 今天快线>慢线 且 昨天快线<=慢线 data_df.loc[(data_df[‘SMA_10‘] > data_df[‘SMA_25‘]) & (data_df[‘SMA_10_Prev‘] <= data_df[‘SMA_25_Prev‘]), ‘Signal‘] = 1 # 死叉卖出信号: 今天快线<慢线 且 昨天快线>=慢线 data_df.loc[(data_df[‘SMA_10‘] < data_df[‘SMA_25‘]) & (data_df[‘SMA_10_Prev‘] >= data_df[‘SMA_25_Prev‘]), ‘Signal‘] = -1 # 查看信号点 print(“\n产生交易信号的日期:“) print(data_df[data_df[‘Signal‘] != 0][[‘Close‘, ‘SMA_10‘, ‘SMA_25‘, ‘Signal‘]].head(10))

4.3 使用Backtrader构建策略并进行回测

上面的信号分析是静态的。为了评估策略历史表现（收益、回撤等），我们需要一个回测框架。Backtrader是一个优秀的选择。

# 6. 定义Backtrader策略类 class DMA_Cross_Strategy(bt.Strategy): # 定义策略参数，方便优化 params = ( (‘fast_period‘, 10), (‘slow_period‘, 25), ) def __init__(self): # 保存对数据线（close）的引用 self.dataclose = self.datas[0].close # 初始化移动平均线指标 self.sma_fast = bt.indicators.SimpleMovingAverage( self.datas[0], period=self.params.fast_period ) self.sma_slow = bt.indicators.SimpleMovingAverage( self.datas[0], period=self.params.slow_period ) # 用于跟踪订单状态 self.order = None # 交叉信号指标（内置的交叉指示器） self.crossover = bt.indicators.CrossOver(self.sma_fast, self.sma_slow) def log(self, txt, dt=None): ‘‘‘日志函数，用于打印策略执行信息‘‘‘ dt = dt or self.datas[0].datetime.date(0) print(‘%s, %s‘ % (dt.isoformat(), txt)) def notify_order(self, order): if order.status in [order.Submitted, order.Accepted]: # 订单已提交/被经纪人接受 - 无需操作 return if order.status in [order.Completed]: if order.isbuy(): self.log(‘BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f‘ % (order.executed.price, order.executed.value, order.executed.comm)) elif order.issell(): self.log(‘SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f‘ % (order.executed.price, order.executed.value, order.executed.comm)) # 记录交易执行时间 self.bar_executed = len(self) elif order.status in [order.Canceled, order.Margin, order.Rejected]: self.log(‘Order Canceled/Margin/Rejected‘) # 重置订单变量 self.order = None def next(self): # 检查是否有未完成的订单 if self.order: return # 检查是否持有头寸 if not self.position: # 如果没有持仓，检查是否出现金叉（快线上穿慢线） if self.crossover > 0: # 金叉 self.log(‘BUY CREATE, %.2f‘ % self.dataclose[0]) # 记录买入订单（市价单，买入100股） self.order = self.buy(size=100) else: # 如果已经持仓，检查是否出现死叉（快线下穿慢线） if self.crossover < 0: # 死叉 self.log(‘SELL CREATE, %.2f‘ % self.dataclose[0]) # 记录卖出订单（市价单，卖出全部持仓） self.order = self.sell(size=self.position.size) # 7. 准备数据并运行回测 if __name__ == ‘__main__‘: # 初始化Cerebro引擎 cerebro = bt.Cerebro() # 设置初始资金 cerebro.broker.setcash(100000.0) # 设置佣金为千分之一 cerebro.broker.setcommission(commission=0.001) # 将Pandas DataFrame转换为Backtrader数据格式 # 注意：yfinance下载的数据列名是首字母大写的，Backtrader需要小写 data_df_bt = data_df.rename(columns={ ‘Open‘: ‘open‘, ‘High‘: ‘high‘, ‘Low‘: ‘low‘, ‘Close‘: ‘close‘, ‘Volume‘: ‘volume‘ }) # 如果存在‘Adj Close‘，可以忽略或作为‘adjclose‘加入 # 创建数据源 data_feed = bt.feeds.PandasData(dataname=data_df_bt, fromdate=datetime.strptime(start_date, ‘%Y-%m-%d‘), todate=datetime.strptime(end_date, ‘%Y-%m-%d‘)) # 将数据添加到引擎 cerebro.adddata(data_feed) # 将策略添加到引擎 cerebro.addstrategy(DMA_Cross_Strategy) # 添加分析器 cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name=‘sharpe‘) cerebro.addanalyzer(bt.analyzers.DrawDown, _name=‘drawdown‘) cerebro.addanalyzer(bt.analyzers.Returns, _name=‘returns‘) cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name=‘trades‘) print(‘初始资金: %.2f‘ % cerebro.broker.getvalue()) # 运行回测 results = cerebro.run() strat = results[0] print(‘最终资金: %.2f‘ % cerebro.broker.getvalue()) # 打印分析结果 print(“\n——— 策略绩效分析 ———“) print(“夏普比率:“, strat.analyzers.sharpe.get_analysis()) print(“最大回撤:“, strat.analyzers.drawdown.get_analysis()) print(“总收益率:“, strat.analyzers.returns.get_analysis()) trade_analysis = strat.analyzers.trades.get_analysis() if ‘total‘ in trade_analysis: print(“总交易次数:“, trade_analysis.total.total) print(“盈利交易次数:“, trade_analysis.won.total) print(“亏损交易次数:“, trade_analysis.lost.total) if trade_analysis.won.total > 0: print(“平均盈利:%.2f“ % (trade_analysis.won.pnl.average)) if trade_analysis.lost.total > 0: print(“平均亏损:%.2f“ % (trade_analysis.lost.pnl.average)) # 8. 绘制图表 cerebro.plot(style=‘candlestick‘)

4.4 运行结果说明

运行上述脚本后，你会在控制台看到类似以下的输出（具体数值因数据和时间范围而异）：

初始资金: 100000.00 2020-03-24, BUY CREATE, 3530.31 2020-03-24, BUY EXECUTED, Price: 3530.31, Cost: 353031.00, Comm 353.03 ... 2024-04-15, SELL CREATE, 3544.29 2024-04-15, SELL EXECUTED, Price: 3544.29, Cost: 354429.00, Comm 354.43 最终资金: 105432.78 ——— 策略绩效分析 ——— 夏普比率: {‘sharperatio‘: 0.12} 最大回撤: {‘max‘: {‘drawdown‘: 25.23, ‘moneydown‘: 25230.50, ‘len‘: 280}, ...} 总收益率: {‘rtot‘: 0.0543, ‘ravg‘: 0.0112, ‘rnorm100‘: 5.43} 总交易次数: 15 盈利交易次数: 7 亏损交易次数: 8 ...

同时，会弹出一个图表窗口，展示价格走势、两条移动平均线以及买卖信号点。

结果解读：

• 最终资金：从10万变成了约10.54万，总收益约5.4%。
• 夏普比率：0.12，这是一个相对较低的值，表明策略在承担单位风险时获得的超额回报不高。
• 最大回撤：超过25%，意味着在策略运行期间，账户净值从高点最大下跌了25%以上，波动较大。
• 交易次数：共15次，胜率（7/15≈46.7%）未超过50%。

这个简单的回测结果清晰地表明，单纯的25/10双均线交叉策略在2020-2024年的沪深300指数上表现平平，甚至可能跑不赢买入持有的简单策略。这引出了策略优化和注意事项的讨论。

5. 常见问题与排查思路

在实现和回测过程中，你可能会遇到以下问题：

6. 最佳实践与工程建议

一个能在实盘中稳定盈利的策略远比一个在历史数据上曲线优美的策略重要。以下是针对双均线策略及量化开发的一些工程化建议：

1. 数据质量是基石：

• 本地化存储：永远不要完全依赖实时网络请求获取历史数据。定期将数据下载并保存到本地数据库（如SQLite）或文件中（CSV, Parquet）。
• 处理缺失值：对于停牌等原因造成的缺失数据，要有合理的填充或删除逻辑。
• 复权处理：对于股票数据，必须使用后复权价格进行计算，以消除分红、送股等事件对价格序列的影响。

2. 策略逻辑需要健壮性：

• 增加过滤条件：单纯的双均线交叉噪音太多。可以增加：
  • 趋势过滤器：要求价格在200日均线之上才做多。
  • 波动率过滤器：ATR过高时（市场波动大）不交易。
  • 时间过滤器：避免在财报公布日附近交易。
• 仓位管理：不要总是全仓进出。可以考虑固定比例仓位、凯利公式、或基于波动率的仓位调整。
• 止损与止盈：必须在策略中明确加入止损和止盈逻辑，这是控制风险的关键。Backtrader提供了bt.StopOrder和bt.LimitOrder。

3. 回测系统要贴近现实：

• 考虑交易成本：佣金、印花税、滑点（Slippage）会显著侵蚀利润。在回测中必须模拟。
• 点对点回测（Point-in-Time）：避免使用未来数据。确保在时间t做决策时，只能用t及之前的信息。
• 样本外测试：将历史数据分为训练集（用于优化参数）和测试集（用于验证策略效果），防止过拟合。

4. 代码组织与可复用性：

• 策略类模块化：将策略定义在独立的.py文件中，通过参数传入不同的均线周期、标的等。
• 配置文件：将数据路径、回测起止日期、策略参数、佣金率等写入配置文件（如config.yaml），便于管理。
• 日志系统：使用Python的logging模块替代print，可以输出到文件，方便复盘和调试。
• 版本控制：使用Git管理你的策略代码和参数设置，记录每一次修改和对应的回测结果。

5. 风险管理永远是第一位：

• 理解策略的最大回撤：你能承受账户资金腰斩吗？如果不能，这个策略就不适合你。
• 分散投资：不要将策略应用于单一标的。应构建投资组合，分散非系统性风险。
• 持续监控：实盘运行时，需要有监控系统来跟踪策略表现、市场状态，并设置异常警报。

双均线交叉是一个很好的入门策略，它教会我们趋势跟踪的基本思想。但它也赤裸裸地展示了简单策略的缺陷：在趋势明显的市场（如单边牛熊市）可能表现良好，但在震荡市中会反复挨打，产生大量无效交易和磨损。因此，将其作为你量化工具箱中的一个基础组件，结合其他技术指标、基本面因子或市场状态判断进行升级，才是通向稳健盈利的正确路径。建议下一步可以研究均线组合（如三重均线）、均线斜率、以及将均线信号与动量指标（RSI, MACD）结合的方法。