从零到实战：手把手教你玩转均线交叉策略

作 者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：做了多年量化，踩过无数坑。今天我把均线交叉策略最核心的东西掏出来：SMA、EMA、WMA这三种算法怎么选？短期和长期参数到底怎么配？信号准确率怎么算？这篇文章不讲虚的，代码直接给，逻辑掰开揉碎讲清楚。

很多人第一次接触技术分析，学的第一个工具就是均线。说实话，均线是所有技术指标里最不起眼的那个：它既没有MACD那么花哨，也没有RSI那样自带超买超卖的神秘光环。但就是这个看起来”平平无奇”的东西，支撑了我多年量化策略里至少一半的信号逻辑。

今天这篇文章，我想把均线交叉策略这件事从头到尾说清楚：不同的均线方法有什么区别？短周期和长周期怎么搭配才靠谱？信号出来的准确率到底怎么算？代码全部附上，你看完就能跑。

① 均线交叉信号，到底在说什么？

我先不急着上代码，而是想把这个信号背后的逻辑聊透。

假设你手里有一只标的，你想知道它最近是偏强还是偏弱。一个很本能的做法就是：看看最近一段时间的平均价格，跟更长时间的平均价格比一比。如果近期的均价跑到长期均价上面去了，说明最近的市场情绪偏积极；反过来，如果近期均价掉到长期均价下面，说明市场情绪在转冷。

这就是均线交叉最基本的思想：用两条不同时间窗口的平均价格曲线的相对位置，来判断趋势的方向性变化。

在量化圈子里，我们通常把这种交叉分成两种场景：

• 短期均线上穿长期均线：短期价格走势强于长期趋势，通常被视为一个趋势转强的信号。如果你看到”Golden Cross”这个词，指的就是这个。我们在国内语境下叫它”交叉转强信号”。
• 短期均线下穿长期均线：短期价格走势弱于长期趋势，通常被视为趋势转弱的信号。对应的英文叫”Death Cross”，我们叫”交叉转弱信号”。

【图1】交叉转强信号与交叉转弱信号在价格走势中的可视化示意

道理很简单，但真正的问题是：你用什么方法算均线？不同的算法，得到的交叉点可能完全不一样。下面我们就来拆开讲。

② 三种均线方法各有千秋

很多人一上来就把SMA、EMA、WMA这些词混在一起，觉得反正都是”平均”，差不多就行。这个想法会害死人的。三种方法背后是完全不同的数学逻辑，搞不清楚区别，策略回测出来的结果就毫无意义。

1. 简单移动平均（SMA）

SMA是最老实的算法：把过去N天的价格加起来，除以N。每一天的权重完全一样，不论它是昨天还是三个月前。公式如下：

SMA = \frac{P_1 + P_2 + \dots + P_n}{n}

SMA的优点是稳定，缺点也很明显——它对最近发生的事情和很久以前发生的事情一视同仁，导致信号反应偏慢。在趋势明确的行情中这不是问题，但在快速变化的波动行情里，SMA可能会让你慢半拍。

2. 指数移动平均（EMA）

EMA跟SMA最大的不同是：它给近期的价格更大的权重。算法上，EMA采用递推方式计算，今天的EMA值等于昨天EMA加上今日价格与昨日EMA差值的一个比例。这不是简单平均，而是一种衰减加权——越久远的数据，影响力越低。

EMA对价格变化更敏感，信号出得比SMA快，适合那些对时效性要求比较高的策略场景。但敏感也意味着噪音多，虚假信号的概率会上升。

3. 加权移动平均（WMA）

WMA也是给不同时间点赋不同权重，但它的做法跟EMA不一样：WMA直接给每天的收盘价乘以一个线性递减的系数，最近一天乘最大，倒数第二天乘次大，以此类推。公式如下：

WMA = \frac{n \cdot P_1 + (n-1) \cdot P_2 + \dots + 1 \cdot P_n}{n + (n-1) + \dots + 1}

WMA更像是一个折中方案，比SMA灵敏，但没有EMA那么激进。它最大的价值在于突出关键价格区间，特别是当你在某个特定的时间窗口内有明确的关注重点时。

下面这张表帮你快速对比三者的差异：

③ Python实战：三种均线一把抓

光说不练假把式。下面这段代码，我用的是 yfinance 拉数据，pandas 做计算，matplotlib 画图。三个函数分别对应SMA、EMA、WMA，参数清晰，拿来就能用。

import yfinance as yfimport matplotlib.pyplot as pltimport pandas as pdimport numpy as np# ======== 1. 获取数据 ========def fetch_data(stock_symbol, start_date, end_date):    """    从Yahoo Finance拉取历史行情数据    参数:        stock_symbol: 标的代码，如 'AAPL'        start_date: 起始日期 '2020-01-01'        end_date: 截止日期 '2024-01-01'    返回:        pandas DataFrame，含OHLCV数据    """    data = yf.download(stock_symbol, start=start_date, end=end_date)    return data# ======== 2. 三种均线函数 ========def SMA(data, window):    """简单移动平均：过去window天的收盘价算术平均"""    return data.rolling(window=window).mean()def EMA(data, window):    """指数移动平均：近期价格权重更高，使用ewm实现"""    return data.ewm(span=window, adjust=False).mean()def WMA(data, window):    """加权移动平均：线性递减权重，最近一天权值最大"""    weights = np.arange(1, window + 1)    return data.rolling(window=window).apply(        lambda prices: np.dot(prices, weights[::-1]) / weights.sum(),        raw=True    )# ======== 3. 信号识别 ========def identify_signals(data, short_window, long_window, ma_function):    """    识别均线交叉信号    逻辑：短期均线 > 长期均线 → 标记为1（偏强）          短期均线 < 长期均线 → 标记为0（偏弱）          Position列记录了信号的变化点（1为转强，-1为转弱）    """    data['Short_MA'] = ma_function(data['Close'], short_window)    data['Long_MA'] = ma_function(data['Close'], long_window)    data['Signal'] = 0    data['Signal'] = np.where(data['Short_MA'] > data['Long_MA'], 1.0, 0.0)    data['Positions'] = data['Signal'].diff()    return data# ======== 4. 准确率计算 ========def calculate_accuracy(data, look_forward=5):    """    计算信号的准确率    方法：看向前N天的价格方向是否与信号方向一致    - 转强信号出现后，如果未来N天价格上涨 → 信号有效    - 转弱信号出现后，如果未来N天价格下跌 → 信号有效    """    data['Future_Close'] = data['Close'].shift(-look_forward)    # 转强信号：当天价格 < 未来价格 → 正确    buys = data[(data['Positions'] == 1) & (data['Close'] < data['Future_Close'])]    # 转弱信号：当天价格 > 未来价格 → 正确    sells = data[(data['Positions'] == -1) & (data['Close'] > data['Future_Close'])]    buy_acc = len(buys) / len(data[data['Positions'] == 1]) \        if len(data[data['Positions'] == 1]) > 0 else np.nan    sell_acc = len(sells) / len(data[data['Positions'] == -1]) \        if len(data[data['Positions'] == -1]) > 0 else np.nan    return buy_acc, sell_acc# ======== 5. 可视化 ========def plot_ma_signals(stock_data, combinations, ma_function, ma_label):    """    绘制不同时间参数组合下的均线交叉信号图    6个子图，分别对应6组(短周期,长周期)组合    每个子图显示：价格曲线、短/长期均线、转强/转弱信号点、准确率    """    fig, axs = plt.subplots(3, 2, figsize=(25, 15))    fig.suptitle(f'{ma_label} 不同时间尺度下的交叉信号对比', fontsize=16)    term_labels = {        (5, 20): "短期 (5/20天)",        (10, 50): "短中期 (10/50天)",        (20, 100): "中期 (20/100天)",        (50, 200): "中长期 (50/200天)",        (100, 250): "长期 (100/250天)",        (200, 365): "超长期 (200/365天)"    }    for i, (short_window, long_window) in enumerate(combinations, 1):        data = identify_signals(stock_data.copy(), short_window, long_window, ma_function)        buy_accuracy, sell_accuracy = calculate_accuracy(data)        term_label = term_labels.get((short_window, long_window), f"{short_window}/{long_window}")        ax = axs[(i - 1) // 2, (i - 1) % 2]        ax.plot(data.index, data['Close'], label='收盘价', alpha=0.5)        ax.plot(data.index, data['Short_MA'], label=f'{short_window}天{ma_label}', alpha=0.8)        ax.plot(data.index, data['Long_MA'], label=f'{long_window}天{ma_label}', alpha=0.8)        # 转强信号：绿色三角        ax.scatter(data.index, data['Close'],                   label='转强信号', marker='^', color='g',                   alpha=1, s=50 * data['Positions'].clip(lower=0))        # 转弱信号：红色倒三角        ax.scatter(data.index, data['Close'],                   label='转弱信号', marker='v', color='r',                   alpha=1, s=50 * data['Positions'].clip(upper=0).abs())        accuracy_title = f"转强准确率: {buy_accuracy*100:.0f}%, 转弱准确率: {sell_accuracy*100:.0f}%"        ax.set_title(f'{term_label} {ma_label} 交叉 - {accuracy_title}')        ax.set_xlabel('日期')        ax.set_ylabel('价格')        ax.legend()    plt.tight_layout(rect=[0, 0, 1, 0.96])    plt.show()# ======== 6. 主程序 ========stock = 'AAPL'start_date = '2020-01-01'end_date = '2024-01-01'# 六组参数，覆盖从短期到超长期time_scale_combinations = [(5, 20), (10, 50), (20, 100),                           (50, 200), (100, 250), (200, 365)]stock_data = fetch_data(stock, start_date, end_date)# 分别用SMA、EMA、WMA跑一遍plot_ma_signals(stock_data, time_scale_combinations, SMA, "SMA")plot_ma_signals(stock_data, time_scale_combinations, EMA, "EMA")plot_ma_signals(stock_data, time_scale_combinations, WMA, "WMA")

上面这段代码的完整可运行版本和更详细的参数说明，这里展示的是核心逻辑，砍掉了一些辅助函数，保证你拿到就能理解主干。

如果大家需要深入学习了解，可以看看我前面写过的一篇文章：掌握这5种专家级MA(移动平均线)技术，让您的交易如鱼得水

【图2】三种均线方法(SMA/EMA/WMA)在六组不同时间参数下的交叉信号对比

④ 信号准确率

很多人拿到一个策略，上来就看最终收益率。老余告诉你，这个习惯得改。策略好不好，先看信号对不对。信号都不准，谈收益率就是自己骗自己。

上面代码里我用的准确率计算逻辑很直接：

• 转强信号出现 → 看未来5天价格是否真的走高。走高说明信号判断对了方向；走低说明这是个假信号。
• 转弱信号出现 → 看未来5天价格是否真的走低。走低说明判断正确；走高说明信号在误导你。

这个”5天”不是拍脑袋定的。我在实际回测中测试过3天、5天、10天、20天四个前瞻窗口。5天在大多数标的上是一个比较好的平衡点——既不会因为前瞻期太短而把正常波动当成错误信号，也不会因为前瞻期太长而引入过多无关的市场噪音。

来看看不同参数组合下的准确率表现（以SMA为例，标的是AAPL，时间段2020-2024）：

上表数据是基于特定时间段和特定标的的回测结果，不同标的、不同时间段的准确率会有明显差异。这个表格展示的是趋势规律：参数越大，信号越少但越准，而不是让你直接拿去用的绝对数值。所有回测结果都只是历史表现参考，不是未来结果的保证。

从表里能看出一个规律：参数越大，准确率越高，但信号数量越少。（20, 100）这个组合发出了适中数量的信号，准确率也维持在六成以上。而（200, 365）虽然准确率可能超过70%，但四年里可能只触发两三次信号，实操意义不大。

⑤ 时间框架的选择

这是均线策略里最容易被忽视、也最致命的问题。我见过太多人拿着（5, 20）的参数，在日线级别跑出一个看起来还不错的曲线，就兴冲冲拿去实盘了，可想而知结果不会理想。

不同时间框架下，策略表现差异巨大：

日内与短线

在小时线甚至分钟线级别，价格噪音非常大。短期均线（如5与20的组合）会产生大量交叉信号，其中相当比例是假的——均线刚交叉，价格就反向运行。在日内场景里使用均线策略，我建议配合成交量做二次过滤，或者把参数适当放大（比如从5/20调到10/30）。

日线级别的中长线

日线是均线策略最舒服的战场。50与200的组合在美股主流标的上表现出不错的稳定性，信号不多但方向判断的准确性相对可靠。这个级别的策略更适合做趋势跟踪而非频繁操作。

周线甚至月线

到了这个级别，均线交叉信号变得极为稀疏，但每次出现都值得认真对待。如果你是一个偏向大周期的投资者，关注50与200在周线级别的交叉可能比日线级别更有参考价值。

我个人的经验是：别在单一时间框架上做决策。先在大周期确认趋势方向，再到小周期找信号触发点：这个”双周期确认”的思路能帮你过滤掉一大半虚假信号。

⑥ 参数怎么优化？

参数优化这个话题，展开讲能写一本书。这里我先给一个最实用的框架：

• 第一步：确定参数搜索空间。短周期参数通常设在5到60之间，长周期设在短周期的3到6倍。别一上来就做全量扫描，先框定一个合理范围。
• 第二步：选一个核心评估指标。准确率、信号数量、最大不利波动幅度——挑一个你最在意的，作为优化的目标函数。别同时优化好几个指标，那样你永远找不到最优解。
• 第三步：滚动窗口回测。把历史数据切成几段，每段独立做参数选择，然后看选出来的参数在不同时间段是否稳定。如果某组参数在2018-2020表现很好，在2021-2023表现很差，那它大概率是过拟合了。
• 第四步：保留一定参数冗余。不要选最优的那个点，选最优参数附近的一个”稳定区域”。比如（18, 95）和（22, 105）表现差不多，那就选中间值（20, 100），这样策略的鲁棒性更强。

# 参数扫描示例：遍历不同组合，记录准确率import itertoolsdef param_scan(data, short_range, long_range, ma_func, look_forward=5):    """    参数扫描函数    遍历所有(短周期, 长周期)组合，记录转强和转弱准确率    """    results = []    for short_w, long_w in itertools.product(short_range, long_range):        if short_w >= long_w:            continue  # 短周期必须小于长周期        df = identify_signals(data.copy(), short_w, long_w, ma_func)        buy_acc, sell_acc = calculate_accuracy(df, look_forward)        results.append({            'short': short_w,            'long': long_w,            'buy_acc': buy_acc,            'sell_acc': sell_acc,            'avg_acc': (buy_acc + sell_acc) / 2 if not (np.isnan(buy_acc) or np.isnan(sell_acc)) else np.nan        })    return pd.DataFrame(results).sort_values('avg_acc', ascending=False)# 示例：扫描SMA的短周期5-50，长周期20-200scan_results = param_scan(    stock_data,    short_range=range(5, 55, 5),    long_range=range(20, 210, 10),    ma_func=SMA)print(scan_results.head(10))  # 打印平均准确率最高的10组参数

注意：上面的扫描只是”信号准确率”这一个维度的评估。如果你要考虑更多因素：比如信号的分布是否均匀、最大连续错误次数，就需要在目标函数里加入更多约束条件。参数优化是一个”先做加法再做减法”的过程。

⑦ 均线策略的局限性

夸了半天，该泼冷水了。均线交叉策略有几个先天缺陷，老余踩过的坑总结如下，让大家以后心里有数：

1. 滞后性是它的宿命

均线本质上是对历史价格的平滑，它永远跟在价格后面跑。在市场突然反转的时候，均线信号往往要延迟几天甚至几周才反应过来。这种滞后在趋势行情中无伤大雅，但在V型反转行情里，等你看到信号，价格可能已经走了很大一段。

2. 震荡市是它的噩梦

在横盘整理、价格区间窄幅波动的行情中，均线交叉策略会频繁发出信号，但大多数都是假信号。均线刚交叉上去，价格又掉回来；刚交叉下来，价格又弹回去。这种”反复横跳”不仅消耗精力，还会带来不小的摩擦成本。

3. 单一维度，缺乏多维验证

均线只看价格这一个维度，完全不考虑成交量、波动率、市场情绪等其他因素。一个没有成交量配合的交叉信号，可信度要大打折扣。

怎么应对这些局限？我的做法是：

⑧ 机器学习能帮上忙吗？

这是一个值得聊聊的话题。最近两年，越来越多的团队在尝试把机器学习和传统均线策略结合起来。思路大致有两种：

第一种：用ML做信号过滤。均线交叉照常触发信号，但加一层ML模型来判断这个信号是不是”可信”。模型的输入特征可以包括：交叉发生时的成交量、波动率、市场宽度、相关标的的走势等等。输出就是一个简单的二元判断：这个信号靠谱还是不靠谱。

第二种：用ML直接做参数动态选择。不再死守一组固定参数，而是让模型根据当前的市场状态（趋势、波动、流动性等特征）动态选择最合适的参数组合。比如在波动率高的环境自动切换到大参数，波动率低的时候切换到小参数。

这两种思路我都做过一些探索性质的实验，说实话效果有好有坏。ML确实能在某些场景下提升准确率，但也引入了新的过拟合风险。这个话题以后有机会单独写一篇来细聊。

写在最后

均线交叉策略，简单到你第一次看就能理解，但复杂到你需要花好几年才能在实盘中真正用好它。这篇文章从方法论、代码实现、准确率评估、参数优化到局限性分析走了一遍全流程，希望能帮你建立一个更完整的认知框架。

最后送大家一句话：策略的好坏不取决于它有多复杂，而取决于你对它的理解有多深。均线交叉这种”老掉牙”的信号，用好了照样能成为你工具箱里最好用的那把扳手。

如果大家需要深入学习了解，可以看看我前面写过的一篇文章：掌握这5种专家级MA(移动平均线)技术，让您的交易如鱼得水

感谢花时间读到这里。如果你觉得文章有收获，欢迎分享给也在研究量化策略的朋友。咱们下篇见。

风险提示：本文仅供参考，不构成投资建议。投资有风险，入市需谨慎。

版权声明：本文为原创内容，转载请注明出处。

#量化交易 #Python #均线策略 #SMA #EMA #WMA #技术分析 #趋势信号 #策略回测 #参数优化 #数据分析 #老余捞鱼