用 Python 实现稳赚不赔？这个量化策略回报率高达 293%！

欢迎加入专注于财经数据与量化投研的【数据科学实战】知识星球！在这里，您将获取持续更新的《财经数据宝典》和《量化投研宝典》，这两部宝典相辅相成，为您在量化投研道路上提供明确指引。《量化投研宝典》精选了业内持续维护且实用性强的开源工具（Backtrader、Qlib、VeighNa等），配合详细教程与代码示例，帮助您快速构建量化策略；《财经数据宝典》则汇集了多年财经数据维护经验，全面介绍从 AKShare、Tushare 到 Wind、iFind 等国内外数据源，并附有丰富的使用技巧。无论您是量化投资新手还是经验丰富的研究者，星球社区都能帮您少走弯路，事半功倍，共同探索数据驱动的投资世界！

引言

你是否想过，通过 Python 编程就能让你的投资收益翻倍？今天要分享的这个量化交易策略，不仅实现了 293% 的惊人回报率，更重要的是，它将最大回撤从 37% 降低到了 16%！这意味着在获得高收益的同时，风险反而更小了。

本文将带你深入了解如何使用 Fisher Transform 和 KST（Know Sure Thing）技术指标，结合走步前进优化（Walk-Forward Optimization）方法，构建一个稳健的自适应动量交易策略。

核心策略解析

1. 技术指标介绍

Fisher Transform 指标

Fisher Transform 是一种将价格数据转换为近似正态分布的技术指标，能够更清晰地识别价格转折点。

def calculate_fisher_transform(df, period=10):
    """
    计算 Fisher Transform 指标
    
    参数：
    df: 包含股票数据的 DataFrame
    period: 计算周期，默认为 10
    """
    # 计算指定周期内的最高价和最低价
    high_rolling = df['High'].rolling(window=period).max()
    low_rolling = df['Low'].rolling(window=period).min()
    
    # 标准化价格到 -1 到 1 之间
    X = 2 * ((df['Close'] - low_rolling) / (high_rolling - low_rolling) - 0.5)
    
    # 应用 Fisher 变换公式
    fisher = 0.5 * np.log((1 + X) / (1 - X))
    
    # 计算信号线（9 期指数移动平均）
    fisher_signal = fisher.ewm(span=


    
9).mean()
    
    return fisher, fisher_signal

KST（Know Sure Thing）指标

KST 是一种动量振荡器，通过组合不同周期的变化率（ROC）来识别市场趋势。

def calculate_kst(df, roc1=10, roc2=15, roc3=20, roc4=30):
    """
    计算 KST 指标
    
    参数：
    df: 股票数据 DataFrame
    roc1-roc4: 不同的变化率周期
    """
    # 计算四个不同周期的变化率
    r1 = df['Close'].pct_change(roc1).rolling(10).mean()
    r2 = df['Close'].pct_change(roc2).rolling(10).mean()
    r3 = df['Close'].pct_change(roc3).rolling(10).mean()
    r4 = df['Close'].pct_change(roc4).rolling(15).mean()
    
    # 加权组合形成 KST 指标
    kst = r1 + 2 * r2 + 3 * r3 + 4 * r4
    
    # 计算信号线和直方图
    kst_signal = kst.rolling(9).mean()
    kst_hist = kst - kst_signal
    
    return kst, kst_signal, kst_hist

2. 交易信号生成

策略的核心逻辑非常简单：

买入信号：当 Fisher Transform 及其信号线都大于 0，且 KST 直方图大于 0
卖出信号：当 Fisher Transform 小于 0，信号线大于 0，且 KST 直方图小于 0

def generate_signals_fisher_kst(df):
    """生成买卖信号"""
    


    
# 买入条件：三个指标都为正
    entry = (df['Fisher'] > 0) & (df['Fisher_Signal'] > 0) & (df['KST_Hist'] > 0)
    
    # 卖出条件：Fisher 转负，KST 直方图转负
    exit = (df['Fisher'] 0) & (df['Fisher_Signal'] > 0) & (df['KST_Hist'] 0)
    
    return entry, exit

3. 走步前进优化

这是策略的精髓所在！传统回测容易过度拟合历史数据，而走步前进优化通过滚动窗口的方式，更接近真实交易环境。

def walk_forward_optimization(df, start_year, end_year):
    """
    走步前进优化
    
    使用 2:1 的训练测试比例
    每年使用前两年的数据训练，第三年测试
    """
    results = []
    param_combinations = generate_parameter_combinations()
    
    for test_year in range(start_year + 2, end_year + 1):
        # 定义训练期（前两年）
        train_start = test_year - 2
        train_end = test_year - 1
        train_data = df[(df.index.year >= train_start) & (df.index.year <= train_end)]
        
        best_params = None
        best_performance = -np.inf
        
        # 遍历所有参数组合
        for params in param_combinations:
            fisher_p, r1, r2, r3, r4 = params
            data = train_data.copy()
            
            # 计算指标
            data['Fisher'], data['Fisher_Signal'] = calculate_fisher_transform(data, fisher_p)
            data['KST'], data['KST_Signal'], data['KST_Hist'] = calculate_kst(data, r1, r2, r3, r4)
            
            # 生成信号并回测
            entries, exits = generate_signals_fisher_kst(data)
            
            # 使用 vectorbt 进行回测
            pf = vbt.Portfolio.from_signals(
                close=data['Open'],
                entries=entries.shift(1),  # 信号延迟一天执行
                exits=exits.shift(1),
                init_cash=100_000,  # 初始资金 10 万
                fees=0.001,  # 手续费 0.1%
                slippage=0.002,  # 滑点 0.2%
                freq='D'
            )
            
            # 记录最佳参数
            performance = pf.total_return()
            if performance > best_performance:
                best_performance = performance
                best_params = params
        
        results.append({
            'Year': test_year,
            'Best_Params': best_params
        })
    
    


    
return pd.DataFrame(results)

实战案例：AJG 股票测试

让我们看看这个策略在 Arthur J. Gallagher & Co（AJG）股票上的表现：

1. 数据准备与运行

import numpy as np
import pandas as pd
import yfinance as yf
import vectorbt as vbt

# 下载股票数据
symbol = 'AJG'
start_date = '2015-01-01'
end_date = '2025-01-01'
df = yf.download(symbol, start=start_date, end=end_date)

# 运行走步前进优化
results = walk_forward_optimization(df, 2018, 2025)

2. 优化结果

系统为每一年找到了最优参数组合：

2020 年：(7, 15, 15, 15, 20)
2021 年：(8, 5, 10, 30, 20)
2022 年：(8, 5, 10, 30, 20)
2023 年：(6, 5, 10, 15, 20)
2024 年：(6, 15, 15, 15, 25)
2025 年：(10, 10, 20, 25, 20)

3. 性能指标对比

量化策略表现：

总回报率：293%
年化回报率：31.8%
夏普比率：1.67
最大回撤：16.2%
市场暴露时间：71.83%

买入持有表现：

总回报率：218%
年化回报率：26.0%
夏普比率：1.23
最大回撤：36.8%

策略稳健性验证

1. Alpha 和 Beta 分析

from scipy.stats import linregress

# 计算策略与基准的关系
portfolio_returns = portfolio.returns()
benchmark_returns = benchmark.returns()

# 线性回归计算 Alpha 和 Beta
slope, intercept, r_value, _, _ = linregress(benchmark_returns, portfolio_returns)

print(f"Alpha: {intercept:.4f}")  # 0.0006，年化约 15.12%
print(f"Beta: {slope:.4f}")       # 0.5256，风险较低
print(f"相关性: {r_value**2:.4f}") # 0.7215，部分市场驱动

2. 蒙特卡洛模拟

为了验证策略的稳健性，我们进行了 1000 次蒙特卡洛模拟：

# 区块自助法蒙特卡洛模拟
n_simulations = 1000
block_size = 5  # 每个区块 5 天，保持时间序列特性

# 统计结果
print("蒙特卡洛模拟结果（1000 次）：")
print(f"平均回报率：329.61%")
print(f"中位数回报率：296.26%")
print(f"5% 分位数回报率：115.10%")
print(f"95% 分位数回报率：643.93%")
print(f"平均最大回撤：18.26%")
print(f"平均夏普比率：1.56")

关键发现：

约 70% 的模拟结果优于买入持有策略
仅有 0.9% 的模拟出现比买入持有更大的回撤
策略在风险控制方面表现卓越

实用建议

参数选择：不要使用固定参数，走步前进优化能够适应市场变化
风险管理：虽然策略表现优异，但记住过去的业绩不代表未来
交易成本：实盘交易时要考虑更高的手续费和滑点
代码优化：可以使用并行计算加速参数优化过程
扩展应用：可以尝试在其他股票或 ETF 上测试该策略

总结

这个基于 Fisher Transform 和 KST 指标的自适应动量策略展现了量化交易的魅力。通过 Python 编程和科学的回测方法，我们不仅实现了高达 293% 的回报率，更重要的是将风险（最大回撤）降低了一半以上。

走步前进优化方法让策略能够动态适应市场变化，避免了过度拟合的陷阱。蒙特卡洛模拟进一步验证了策略的稳健性，给了我们更多信心。

记住，所有的回测结果都基于历史数据，实盘交易需要谨慎。但这个案例充分展示了 Python 在量化交易中的强大威力——通过编程，我们可以系统化地寻找市场中的交易机会。

参考文章

加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取完整研究解析、详细回测框架代码实现和完整策略逻辑实操指南。

财经数据与量化投研知识社区

核心权益如下：

赠送《财经数据宝典》完整文档，汇集多年财经数据维护经验
赠送《量化投研宝典》完整文档，汇集多年量化投研领域经验
赠送《PyBroker-入门及实战》视频课程，手把手学习量化策略开发
每日分享高质量量化投研文章、代码和相关资料
定期更新高频财经数据
参与年度不少于 10 次专属直播与录播课程
与核心开发者直接交流，解决实际问题
获取专业微信群交流机会和课程折扣

星球已有丰富内容积累，包括量化投研论文、财经高频数据、 PyBroker 视频教程、定期直播、数据分享和答疑解难。适合对量化投研和财经数据分析有兴趣的学习者及从业者。欢迎加入我们！

2. 用 Python 打造股票预测系统：Transformer 模型教程（二）

3. 用 Python 打造股票预测系统：Transformer 模型教程（三）

4. 用 Python 打造股票预测系统：Transformer 模型教程（完结）

5. 揭秘隐马尔可夫模型：因子投资的制胜武器

6. YOLO 也能预测股市涨跌？计算机视觉在股票市场预测中的应用

7. 金融 AI 助手：FinGPT 让你轻松掌握市场分析

8. 量化交易秘籍：为什么专业交易员都在用对数收益率？

9. Python 量化投资利器：Ridge、Lasso 和 Elastic Net 回归详解

10. 掌握金融波动率模型：完整 Python 实现指南

好书推荐

《Python编程：从入门到实践（第3版）》是一本广受欢迎的 Python 入门经典教材，由经验丰富的程序员 Eric Matthes 编写。该书采用循序渐进的教学方式，从基础语法讲解到实战项目开发，内容编排合理，实例丰富，语言通俗易懂。全书配有大量练习题和完整项目实战，包括数据可视化、网络爬虫、Web 应用开发等，让读者在实践中掌握编程技巧。第3版还增加了 f-string、海龟绘图等最新的 Python 特性内容。这本书不仅适合零基础读者入门学习，也非常适合想系统掌握 Python 的编程爱好者以及数据分析、人工智能等领域的学习者。它不仅教授编程知识，更注重培养读者的编程思维，是一本非常值得投资的 Python 学习指南。