用Python和pandas实现市场反弹右侧的周度策略回测

市场反弹右侧这个说法，在周度策略分析里经常出现。很多人看盘时能一眼认出“这里好像反弹了”，但落到判断依据上，往往只能说“感觉跌不动了”“放量了”这类主观描述。真正的问题是：同样一段行情，不同人用不同口径判断，结论很难复现，更谈不上事后检验。本文结合 Python 和 pandas，把“市场反弹右侧”拆成趋势、突破、量能三个可计算维度，做成一个每周五收盘后自动确认、按周持有的回测流程。学完后，你可以在自己的行情数据上跑通这套周度策略研究链路，并知道信号不出现、回测太漂亮、指标对不上时该从哪里排查。本文只讨论策略研究方法与程序实现，不构成投资建议，也不针对任何具体标的作推荐。

1. 右侧反弹和周策略的底层逻辑

1.1 左侧与右侧：被动等待和主动确认

通俗地说，左侧交易是在下跌过程中“抄底”，价格还没企稳就提前买入；右侧交易是等价格从下跌转向上涨、出现明确信号后再参与。两者没有绝对优劣，但“右侧”天然更适合周度策略，因为一周才检查一次信号，等趋势确认后再行动，可以过滤掉大量盘中噪音。

技术定义上，右侧反弹不预测最低点，而是把买入条件交给一组可观测规则，比如“收盘价站上 20 日均线”“突破近期高点”“成交量同步放大”。这些规则共同构成一个确认机制，只有当价格用事实表明反弹开始后，策略才给出持有信号。

需要特别澄清一个误区：右侧交易不等于一定会涨。它只是把“判断最低点”这个困难问题，换成“判断信号是否成立”这个相对可标准化的问题。信号确认之后行情仍然可能逆转，所以回测和风险控制同样重要。

1.2 周策略报告为什么需要可复现指标

很多周度策略报告的问题是口径不确定。比如上周说“市场有反弹迹象”，下周说“反弹力度不足”，但反弹到底看什么指标？多少日均线？放量放多少倍？完全没有可复现的标准。

可复现指标要求每个判断都能落到具体数值上：

• 使用哪条均线，收盘价必须站上它。
• 近期高点窗口是 20 个交易日还是 60 个交易日。
• 成交量放大到什么倍数才算有效。
• 多个条件之间是“全部满足”还是“满足其中若干条”。

一旦规则确定，任何人都能在同一份数据上得到相同结果。这也是程序化方法对主观看盘最大的价值。

1.3 本文的流程框架

整套流程可以分解成四步：

1. 准备日线行情数据，包含日期、开盘、最高、最低、收盘、成交量。
2. 计算技术指标，把价格形态转换成数值特征。
3. 合成“右侧确认信号”，每周五收盘后判断当周是否满足。
4. 做周度回测，统计持有区间收益、最大回撤和胜率。

文章中的代码全部使用 Python 编写，依赖只涉及 pandas、numpy 和 matplotlib。全程通过模拟数据演示，这样没有行情数据接口也能先跑通流程，之后替换成自己准备好的 CSV 文件即可。

2. 环境准备与数据基础

2.1 Python 环境与依赖

建议使用 Python 3.9 及以上版本。核心依赖如下：

学习环境中不需要安装数据库和消息队列。如果只想看信号和回测结果，pandas 加 numpy 就够用。

2.2 行情数据格式建议

无论数据来自本地 CSV、量化接口还是行情软件导出，建议统一整理成以下结构：

这里有两个容易出错的地方。

第一，复权方式要统一。长期回测必须使用前复权或后复权数据，否则分红除权会造成收盘价跳空，移动平均线也会失真。建议在数据下载阶段就固定复权口径，不要在计算指标中途切换。

第二，缺失日要处理。停牌日通常没有行情记录，不要简单地用 0 填充。常见做法是保留原始交易日历，只在参与计算时过滤缺失值。

2.3 用模拟数据让流程先跑通

真实行情接口在不同网络环境下可用性差异很大，而本文重点是跑通流程，所以先用随机游走生成一段模拟K线。这样做的优点是：结果可复现、不受数据源限制、便于验证信号逻辑是否正确。

import numpy as np import pandas as pd rng = np.random.default_rng(42) n = 300 # 从 100 开始生成对数随机游走 price = 100 * np.exp(np.cumsum(rng.normal(0.0005, 0.02, n))) df = pd.DataFrame({ "date": pd.date_range("2025-01-02", periods=n, freq="B"), "close": price, }) # 用前一日收盘价作为开盘价，并构造最高最低 df["open"] = df["close"].shift(1).fillna(price[0]) df["high"] = df[["open", "close"]].max(axis=1) * 1.01 df["low"] = df[["open", "close"]].min(axis=1) * 0.99 df["volume"] = rng.integers(100_000, 500_000, size=n) print(df.head()) print(df.tail())

这段代码只是生成一份结构完整的模拟行情，用来演示指标计算和回测流程。把这段数据替换成自己的 CSV 时，读取方式也很简单：

df = pd.read_csv("daily_data.csv", parse_dates=["date"])

检查点：数据应包含 300 行左右，日期按交易日递增，close 大致在 100 附近波动。如果发现 close 出现极端异常值，先检查生成逻辑或原始数据源，不要继续计算指标。

3. 右侧确认信号的设计与实现

3.1 把反弹右侧拆成三个可计算维度

“反弹右侧”是一个复合概念，不能只凭单一条件判断。本文把它拆成三个维度：

这样拆分有三个好处：

• 趋势恢复过滤掉“跌不动但也没涨”的横盘行情。
• 突破确认过滤掉均线下的弱反弹。
• 量能配合过滤掉无量上涨的空转反弹。

三个条件放在一起，比单看一根 K 线或者一条均线更稳健。

3.2 用 pandas 计算技术指标

把上述规则翻译成 pandas 代码。这里使用滚动窗口计算均线和量能指标。

# 均线 df["ma20"] = df["close"].rolling(20).mean() df["ma60"] = df["close"].rolling(60).mean() # 量能均线 df["vol_ma5"] = df["volume"].rolling(5).mean() df["vol_ma20"] = df["volume"].rolling(20).mean() # 近 20 日最高价 df["high_20"] = df["high"].rolling(20).max() # 条件判断 df["above_ma20"] = df["close"] > df["ma20"] df["above_ma60"] = df["close"] > df["ma60"] df["volume_expand"] = df["vol_ma5"] > df["vol_ma20"] * 1.2 df["near_high"] = df["close"] >= df["high_20"] * 0.98 print(df[["date", "close", "ma20", "ma60", "high_20"]].tail())

关键点说明：

• rolling(20).mean()计算的是过去 20 个交易日收盘价均值，前 19 行结果是 NaN。
• high_20是过去 20 个交易日的最高价，用它来判断本次反弹是否突破了前期压力位。
• 接近新高的阈值设为 0.98，意味着不需要严格创新高，允许小幅回踩。

3.3 生成右侧确认状态

四个布尔条件可以合并成一个最终信号。为保证方向一致，建议全部使用“与”关系，避免某一项条件过弱导致信号泛滥。

df["signal"] = ( df["above_ma20"] & df["above_ma60"] & df["volume_expand"] & df["near_high"] ).astype(int) # 只保留指标计算完成后的数据 model_df = df.dropna(subset=["ma60", "vol_ma20"]).reset_index(drop=True) print(model_df["signal"].value_counts())

信号为 1 表示当日满足右侧反弹全部条件，为 0 表示不满足。这里参数的物理含义是：

• 20 日均线代表短期趋势。
• 60 日均线代表中期趋势。
• 量能放大 1.2 倍表示市场参与度提升。
• 距离 20 日高点 2% 以内表示突破在即。

如果发现信号数量太少，可以先看每个条件单独的值分布，再决定是放宽量能倍数还是放宽接近新高阈值。不要一次性把四个条件全部放宽，否则信号会失去过滤作用。

4. 把周策略做成回测

4.1 回测规则如何设计

本文策略的持有频率是“周度”，所以不能每天换仓。回测规则如下：

1. 每周最后一个交易日收盘后，检查当日 signal 是否为 1。
2. 如果 signal 为 1，则下一周持有；否则下一周空仓。
3. 按周收益计算策略净值，对比同期全仓持有的基准净值。

核心是避免未来函数：本周五收盘后才能知道本周末的信号，所以本周的仓位只能由上一周末信号决定。用收益数据表述就是：

• 第 t 周末得到信号。
• 第 t+1 周使用该信号作为仓位。
• 第 t+1 周的策略收益等于仓位乘第 t+1 周的实际收益。

这样的时序关系必须体现在代码中。

4.2 回测代码实现

先按自然周聚合，取每周期最后一个交易日的收盘价和信号。

model_df["week"] = model_df["date"].dt.to_period("W-FRI") weekly = model_df.groupby("week").agg( week_last_close=("close", "last"), signal_last=("signal", "last"), ).reset_index() weekly["week_return"] = weekly["week_last_close"].pct_change().fillna(0) # 上一周末信号决定本周仓位 weekly["position"] = weekly["signal_last"].shift(1).fillna(0) # 策略收益 weekly["strategy_return"] = weekly["position"] * weekly["week_return"] # 策略净值和基准净值 weekly["strategy_nav"] = (1 + weekly["strategy_return"]).cumprod() weekly["benchmark_nav"] = (1 + weekly["week_return"]).cumprod() print(weekly.tail(10))

这段代码中，position使用shift(1)是回测正确性的关键。如果不加，就会用本周信息推导本周收益，产生天然的前视偏差，回测结果会虚高。

不同交易市场对一周的定义不同。中国 A 股交易日历到周五，美国市场也可以按周五周历。使用W-FRI表示以周五为一周结束日。如果数据源包含节假日，周一至周五中可能只有四天有行情，last会取到当周实际最后一个交易日，这是期望行为。

4.3 回测指标怎么看

算完净值后，还需要统计几个核心指标：

total_return = weekly["strategy_nav"].iloc[-1] - 1 benchmark_return = weekly["benchmark_nav"].iloc[-1] - 1 dd = weekly["strategy_nav"] / weekly["strategy_nav"].cummax() - 1 max_drawdown = dd.min() trade_weeks = weekly[weekly["position"] == 1] win_rate = (trade_weeks["strategy_return"] > 0).mean() trade_count = int((weekly["position"].diff().fillna(0) == 1).sum()) print({ "total_return": round(total_return, 4), "benchmark_return": round(benchmark_return, 4), "max_drawdown": round(max_drawdown, 4), "win_rate": round(win_rate, 4), "trade_count": trade_count, })

预期输出示例：

需要强调，这些数值来自随机模拟数据，只用于验证流程是否跑通，不代表真实行情收益。换一份数据后，指标可能完全不同。

从回测结果中还能观察到两类问题。如果 trade_count 过高，说明信号频繁翻转，持仓体验差；如果 trade_count 过低，说明信号太严格，大部分时间空仓。调整参数时，应同时观察交易次数和回撤，而不只是盯着累计收益。

5. 常见问题与排查路径

5.1 信号总是不出现

现象：运行完代码后，signal 列全部为 0，或者 300 行数据中只有一两个 1。

可能原因：

• 数据行数太少，MA60 计算后只剩不到五十行有效数据。
• 量能放大条件太严格，成交量 MA5 一直小于 MA20 的 1.2 倍。
• 接近新高条件太严格，价格始终达不到近 20 日最高价的 98%。
• 数据包含大量横盘或下跌段，反弹信号确实较少。

检查方式：打印每个布尔条件单独的值分布。

check = model_df[["above_ma20", "above_ma60", "volume_expand", "near_high"]].mean() print(check)

每个条件的平均值可以理解为“该条件在历史上有多少比例的时间成立”。如果above_ma60只有 0.1，说明价格大部分时间在 60 日均线下方，这更接近长期下跌结构。此时不应为了凑信号强行放宽阈值，而是重新审视标的区间。

5.2 回测结果异常漂亮或异常难看

现象：回测净值曲线持续上涨，最大回撤几乎为 0；或者信号出现后一周稳定亏损。

原因分析顺序：

1. 检查是否存在未来函数。重点看position是否用了当周 signal，而不是上一周 signal。
2. 检查是否使用未复权数据。分红除权会造成价格跳空，均线和收益率计算都会失真。
3. 检查是否忽略了滑点和手续费。周度策略交易频率低，手续费影响相对小，但不能完全忽略。
4. 检查样本期是否过短或过集中。牛市中几乎所有买入信号都有效，熊市中大部分信号都会失效。

回测必须在不同时间段上验证。最好把数据分成训练段和验证段，避免用同一段数据反复调参。

5.3 指标对不上行情软件

现象：自己用 pandas 算出来的 MA20 和行情软件显示的不一致。

可能原因：

• 复权口径不同。行情软件默认前复权，原始数据可能是不复权。
• 窗口计算起止日期不同。有的软件把当天包含在 MA20 里，有的用前 20 日收盘价再包含当天。
• 停牌日处理不同。有的数据源删除停牌日，有的保留为空。

检查方式：取最近 20 个交易日的收盘价，手工计算平均并对比。

排查思路：先确认数据源头，再确认复权方式，最后确认滚动窗口是否包含当日。

5.4 修改参数后结果剧烈变化

现象：把量能倍数从 1.2 改成 1.1，或者把近高阈值从 0.98 改成 0.95，回测收益和交易次数大幅变化。

这通常说明策略对参数过度敏感，也叫参数脆弱性。这样的策略进入真实数据后很容易失效。

建议做法：

• 记录每次参数组合下的交易次数、胜率、最大回撤和累计收益。
• 优先选择参数在一定区间内结果稳定的区域，而不是收益最高的尖峰。
• 不要反复在同一份数据上搜索最优参数。

6. 从学习环境到生产环境的升级思路

6.1 本地跑通后还缺什么

本地代码跑通，只代表策略逻辑在历史上可以复现。真正按周出一份策略报告，还需要补齐很多工程环节。

首先是定时调度。周度策略要求每周五收盘后自动运行一次，可以通过 cron、Windows 计划任务或 Airflow 等调度工具触发。调度任务不能只执行一个脚本，还要写日志、记录运行结果、处理失败重试。

其次是数据可靠性。本地 CSV 可以手工更新，生产环境建议将数据落库，并通过数据源接口每日增量同步。每次计算前要校验数据完整性，比如检查日期是否连续、最后一周期是否确实包含周五。

最后是结果输出。信号结果和回测统计需要自动生成 Markdown、Excel 或 PDF 报告，方便后续归档和复盘。只打印在控制台里的策略，不满足周度报告的要求。

6.2 生产级周度策略检查清单

以下清单可以直接用于上线前检查：

1. 数据校验：日期是否连续，最后一行是否为最新交易日，复权口径是否一致。
2. 参数配置：均线窗口、量能倍数、近高阈值是否外置到配置文件。
3. 时序校验：仓位是否严格使用上周信号，是否存在未来函数。
4. 交易成本：回测是否计入手续费和滑点。
5. 异常处理：数据为空、接口失败、指标出现 NaN 时脚本能否正常报警。
6. 日志记录：每次运行是否记录信号、仓位、收益和错误信息。
7. 回滚机制：参数改坏后，能否快速回滚到上一版配置。
8. 权限安全：数据文件和配置文件的读写权限是否受控。

这些条目里，数据校验和时序校验最容易被忽略，却是影响结果可信度最关键的部分。

6.3 后续扩展方向

当前实现只是单标的、单信号、固定参数的周度框架，实际项目可以沿几个方向扩展。

第一，把单信号改成信号分数。三个维度的布尔条件可以换成 0 到 3 的得分，根据得分高低决定仓位比例，而不是简单持有或空仓。

第二，增加多标的选择。对多个指数或 ETF 同时计算右侧信号，每周输出“哪些标的满足条件、哪些标的接近条件”的对比表，形成真正的周度观察清单。

第三，引入更多风险指标。除最大回撤外，可以计算夏普比率、卡玛比率、波动率，以及每次交易的持有周数分布，更全面地评估策略。

第四，把研究报告自动化。指标计算、回测、图表、文字结论都做成模板，每周定时生成一篇周度策略文档。

对新手而言，最有价值的练习不是继续优化参数，而是把当前代码重写成类或函数，把数据加载、指标计算、信号生成、回测统计四个环节解耦。这样后续换数据、换参数、换频率都会容易很多。周度右侧策略研究，本质上不是找到一个永远有效的信号，而是建立一套可以持续验证、持续改进、能说得清规则的研究流程。