策略复现：BTC 双均线策略，最高年化 25.15%（附代码）
2025-04-09 21:23
最近其实还在恶补理论基础，但是大家好像对理论没太大兴趣😪，都没什么人看。理论学久了确实也容易累，今天下午就基于 backtrader 回测了一个经典策略——双均线策略，分享给大家～
提前声明：这个策略我没跑过实盘，仅供技术交流，盈亏自负！！
核心思路
之前介绍移动平均线（MA）的时候有简单提过，MA 最常见的做法就是找“黄金交叉”，不了解的小伙伴可以翻前面的文章。
策略主要使用使用短期均线和长期均线：
当短期均线上穿长期均线 → 买入（做多）
当短期均线下穿长期均线 → 卖出（平仓）
依赖库：
backtrader：量化策略回测框架，之前介绍过
binance.client：连接币安 API 获取历史数据
pandas:结构化数据处理
matplotlib：绘图模块
datetime：处理起止时间
实现步骤：
1. 抓取 BN 中的 BTC/USDT 数据
# 初始化币安客户端client = Client()# 获取历史 k 线数据def get_binance_btc_data(symbol='BTCUSDT', interval='1d', lookback_days=600):end_time = datetime.datetime.now()start_time = end_time - datetime.timedelta(days=lookback_days)klines = client.get_historical_klines(symbol,interval,start_str=start_time.strftime("%d %b %Y %H:%M:%S"),end_str=end_time.strftime("%d %b %Y %H:%M:%S"))df = pd.DataFrame(klines, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume','close_time', 'quote_asset_volume', 'number_of_trades','taker_buy_base_asset_volume', 'taker_buy_quote_asset_volume', 'ignore'])df['datetime'] = pd.to_datetime(df['timestamp'], unit='ms')df.set_index('datetime', inplace=True)df = df[['open', 'high', 'low', 'close', 'volume']].astype(float)return dfdf = get_binance_btc_data()
2. 输出处理成 backtrader 兼容
class PandasData(bt.feeds.PandasData):params = (('datetime', None),('open', 'open'),('high', 'high'),('low', 'low'),('close', 'close'),('volume', 'volume'),('openinterest', -1),)
3. 定义双均线策略
class MovingAverageCrossStrategy(bt.Strategy):params = (('short_period', 10),('long_period', 30),)def __init__(self):self.sma_short = bt.indicators.SimpleMovingAverage(self.data.close, period=self.params.short_period)self.sma_long = bt.indicators.SimpleMovingAverage(self.data.close, period=self.params.long_period)self.crossover = bt.indicators.CrossOver(self.sma_short, self.sma_long)self.order = None # 当前挂单self.buy_price = Nonedef next(self):if self.order:return # 如果有挂单在等待，就不下新单if not self.position:if self.crossover > 0:self.order = self.buy()elif self.crossover < 0:self.order = self.sell()def notify_order(self, order):if order.status in [order.Submitted, order.Accepted]:return # 订单提交中，忽略if order.status in [order.Completed]:if order.isbuy():self.buy_price = order.executed.priceprint(f'🟢 买入: {order.executed.price:.2f} @ {bt.num2date(order.executed.dt)}')elif order.issell():pnl = order.executed.price - self.buy_pricepnl_pct = (pnl / self.buy_price) * 100print(f'🔴 卖出: {order.executed.price:.2f} @ {bt.num2date(order.executed.dt)}')print(f'💰 本次盈亏: {pnl:.2f} USDT ({pnl_pct:.2f}%)')self.order = None # 重置订单引用def notify_trade(self, trade):if trade.isclosed:print(f'✅ 交易完成: 毛利: {trade.pnl:.2f} USDT, 净利: {trade.pnlcomm:.2f} USDT')
4. 设置 backtrader 的 cerebro
if __name__ == '__main__':cerebro = bt.Cerebro()# 设置初始资金cerebro.broker.setcash(10000.0)# 设置手续费cerebro.broker.setcommission(commission=0.0008)# 调用 k 线数据data = PandasData(dataname=df)cerebro.adddata(data)# 添加策略cerebro.addstrategy(MovingAverageCrossStrategy)# 结果分析，配置 analyzerscerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')cerebro.addanalyzer(bt.analyzers.Returns, _name='returns')# 运行回测print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())results = cerebro.run()strat = results[0]print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())# 输出分析结果sharpe = strat.analyzers.sharpe.get_analysis()drawdown = strat.analyzers.drawdown.get_analysis()returns = strat.analyzers.returns.get_analysis()print(f"🔹 Sharpe Ratio: {sharpe.get('sharperatio', 'N/A')}")print(f"🔹 Max Drawdown: {drawdown['max']['drawdown']:.2f}%")print(f"🔹 Total Return: {returns['rtot']*100:.2f}%")print(f"🔹 Annual Return: {returns['rnorm']*100:.2f}%")print(f"🔹 Average Return: {returns['ravg']*100:.2f}%")
5. 绘图
cerebro.plot(style='candlestick',barup='green',bardown='red',grid=True,volume=True,figsize=(18, 9),dpi=120
系统记录了每笔交易的具体信息，以及最终的分析结果，可以看到在常规参数设置下（短期 10 天，长期 30 天），能到达到年化 12.95%。
6. 初步优化
首先想到的就是通过调整参数来进行优化，找到更合适的参数设置。初步我设置了 3 个参数，时间间隔，短期和长期。
intervals = ['1d', '12h']short_range = range(5, 21, 3)long_range = range(20, 61, 5)
遍历区间内的所有组合后得到回报率最高的组合，并且绘制出图形：
可以看到在最佳参数组合下回报率可以达到 53.42%，年化 25.15%。
优化
这就是今天下午做的工作啦，但是大佬说这个有很大问题，都没有跑赢 beta。也还有很多可以优化的地方：
1. 支持多币种，分散风险
2. 细化参数设置
...
代码仓库：
https://github.com/Ashley0324/crypto_quant
走过路过的老板们给个✨吧！新建了一个交流群，链接也在仓库里，欢迎一起交流学习～
也别忘了关注公众号！努力产出干货，天天向上～
来源链接
【免责声明】市场有风险，投资需谨慎。本文不构成投资建议，用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
在 App 打开
