Quant ToolsQuant Tools

双均线策略失效原因与市场状态识别改进指南（2026）

Fri Feb 20 2026 00:00:00 GMT+0000 (Coordinated Universal Time) · Quant Tools · 策略

双均线策略市场状态识别ADX指标震荡市趋势跟踪策略改进

你的双均线策略为什么在震荡市里一直亏钱

双均线交叉策略是量化入门最常见的策略之一。逻辑简单：短期均线上穿长期均线（金叉）买入，下穿（死叉）卖出，捕捉趋势行情。

但很多研究者会发现，同一套参数（比如MA10/MA60），在2014—2015年A股牛市中表现极好，却在2016—2018年的震荡行情中连续亏损。他们调参数、换标的、改周期，却找不到根本原因。

2024年Q2就发生了一个典型案例：某量化团队的MA5/MA20双均线策略在2024年Q2出现明显恶化——胜率从62%骤降至43%，最大回撤从9%扩大至18%。复盘发现，主因是市场从趋势态切换为高波动震荡态（同期市场波动率指数VIX均值达45，高于历史中位数），而策略没有任何市场状态识别机制，在震荡市中持续触发假突破信号。

根本原因只有一个：双均线是趋势跟踪策略，在没有趋势的市场里必然失效。

这不是参数问题，也不是标的问题，而是策略本身的特性决定了它只适合特定的市场状态。理解这一点，并学会识别市场处于哪种状态，才是改进双均线策略的正确路径。

关键定义：市场状态与策略适用性

趋势市与震荡市的量化定义

| 指标 | 趋势市（策略适用） | 震荡市（策略不适用） | |------|-------------------|---------------------| | ADX（14日）| > 25 | < 20 | | 布林带宽度 | > 历史250日均值的100% | < 历史250日均值的50% | | 归一化ATR | > 1.5% | < 0.8% | | 趋势特征 | 价格持续单向运动 | 价格在区间内来回震荡 |

双均线在不同市场状态下的实证表现

基于沪深300指数2005—2023年日线数据的回测研究（MA5/MA20，含0.1%单边手续费）：

| 市场状态 | 占总交易日比例 | 策略胜率 | 年化收益率 | 最大回撤 | |---------|--------------|---------|-----------|---------| | 强趋势（ADX>30） | 约20% | 52%—58% | +15%—+30% | 15%—25% | | 弱趋势（ADX 20—30） | 约25% | 45%—52% | +3%—+15% | 20%—30% | | 震荡市（ADX<20） | 约55% | 35%—42% | −5%—−10% | 25%—35% |

关键发现：A股日线级别约55—65%的时间处于震荡状态，这意味着在没有任何过滤的情况下，双均线策略有一半以上的时间在亏损。

市场状态识别方法

方法1：ADX（平均趋向指数）

ADX由Welles Wilder于1978年发明，是趋势强度的量化指标，取值0—100，数值越高趋势越强，但不判断方向。

import pandas as pd
import numpy as np

def compute_adx(high, low, close, period=14):
    """
    计算ADX指标
    high, low, close: pd.Series，日线高低收数据
    period: 计算周期，默认14日（Wilder原始参数）
    """
    # 计算True Range
    tr1 = high - low
    tr2 = abs(high - close.shift(1))
    tr3 = abs(low - close.shift(1))
    tr = pd.concat([tr1, tr2, tr3], axis=1).max(axis=1)

    # 计算方向运动
    dm_plus = high.diff()
    dm_minus = -low.diff()
    dm_plus = dm_plus.where((dm_plus > dm_minus) & (dm_plus > 0), 0)
    dm_minus = dm_minus.where((dm_minus > dm_plus) & (dm_minus > 0), 0)

    # Wilder平滑
    atr = tr.ewm(alpha=1/period, adjust=False).mean()
    di_plus = 100 * dm_plus.ewm(alpha=1/period, adjust=False).mean() / atr
    di_minus = 100 * dm_minus.ewm(alpha=1/period, adjust=False).mean() / atr

    # ADX = 方向差异的平滑
    dx = 100 * abs(di_plus - di_minus) / (di_plus + di_minus)
    adx = dx.ewm(alpha=1/period, adjust=False).mean()
    return adx

# 使用示例：ADX > 25时才开启双均线策略
# adx = compute_adx(df['high'], df['low'], df['close'])
# regime = adx > 25  # True=趋势市，允许交易；False=震荡市，空仓

A股经验阈值：由于A股波动率高于欧美，部分研究者将阈值上调至ADX<25为震荡、ADX>30为趋势，以进一步减少噪声信号。

方法2：布林带宽度（Band Width）

布林带宽度 = (上轨 − 下轨) / 中轨，反映价格的相对波动幅度。当宽度压缩至历史低位，通常预示着震荡整理，此时双均线信号的假突破率极高。

def bollinger_bandwidth(close, period=20, std_dev=2):
    """
    计算布林带宽度（归一化）
    返回值：宽度 / 中轨，>1表示波动较大，<0.5表示极度压缩
    """
    mid = close.rolling(period).mean()
    std = close.rolling(period).std()
    upper = mid + std_dev * std
    lower = mid - std_dev * std
    bandwidth = (upper - lower) / mid
    return bandwidth

# 使用：bandwidth低于250日均值的50%时，暂停交易
# bw = bollinger_bandwidth(df['close'])
# active = bw > bw.rolling(250).mean() * 0.5

方法3：归一化ATR（波动率过滤）

ATR除以当前价格得到"归一化ATR"，反映相对波动率。只有在波动率充足的情况下，趋势才有足够的驱动力推动双均线策略盈利。

经验值：归一化ATR < 0.8%时暂停双均线策略，> 1.5%时信号可信度较高。

改进方案：带过滤条件的双均线策略

改进1：ADX状态过滤（最直接有效）

基础策略：MA5上穿MA20时买入，下穿时卖出

改进规则：仅在ADX > 25时执行交易信号，ADX < 20时强制空仓

实证效果（沪深300 2005—2023，含手续费）：

  • 原始双均线年化收益率：约+3%，夏普比率约0.15
  • 加入ADX过滤后：年化收益率约+8%—+12%，夏普比率约0.45—0.65
  • 主要提升来源：规避了大量震荡市的亏损区间，交易次数减少约30—40%

改进2：RSI区间过滤（减少超买超卖假信号）

在双均线金叉信号触发时，额外要求RSI（14日）位于45—70区间：

  • 低于45：可能是超卖反弹，不是趋势初期，跳过
  • 高于70：超买，追涨风险高，跳过

实证效果：年化收益率提升约2—4%，最大回撤降低约5—10%。

改进3：多时间框架确认

日线金叉信号触发时，要求周线也处于上升趋势（收盘价 > 20周均线）。这一过滤能有效排除日线震荡市中的假信号，虽然会延迟入场，但胜率显著提升。

将这些改进方案在 Quant Tools 回测实验室 中逐一验证，使用 批量回测功能 可以对不同过滤参数组合进行系统测试，找出最优配置。

常见误区

误区1：调整均线参数（如从MA5/20改为MA10/60）可以解决震荡市亏损

不能从根本上解决。更长周期的均线在震荡市中滞后性更大，假突破信号的亏损幅度更大（虽然频次降低）。核心问题是市场状态识别，不是参数选择。

此外，A股量化研究发现一个有趣现象：在20年以上的历史数据回测中，最优均线参数往往不是常见的（5,20），而是极短周期+长周期的组合，如（2,30）、（2,60）。这类参数的实质更接近"有效突破某条重要均线"的判断，而非经典趋势跟踪。如果你一直在（5,20）周围的参数空间调优，可能已经错过了A股市场的真实规律。

误区2：在所有标的上用相同参数

不同标的的波动特征差异很大。银行股波动率低，适合更长的均线周期；科技股波动率高，更短周期可能更合适。应该分板块或分标的进行参数寻优。

误区3：双均线策略的历史回测表现很好，应该直接实盘

大概率是因为回测涵盖了2006—2007、2014—2015等强趋势牛市，这两段行情对参数优化极为友好，但它们是过去30年A股最极端的行情，不具有代表性。应该在10年以上、包含多个完整周期的回测窗口中评估。

误区4：加入ADX过滤后空仓期间不应该有任何持仓

空仓期间可以考虑持有货币市场基金或债券ETF，这样既避免了震荡市的亏损，也不让资金空置。优化后的双均线策略是一个择时框架，而非全天候策略。

实操清单

  1. 计算ADX并设定状态阈值：在回测框架中加入ADX计算，设定≥25为趋势市、<20为震荡市，<20时强制空仓不交易。

  2. 布林带宽度监控：每日计算20日布林带宽度，当其低于250日历史均值的50%时，进入"低波动预警"状态，提高入场门槛。

  3. 回测区间检查：确保回测覆盖至少两个完整牛熊周期，不要让策略参数在单次牛市中过拟合。

  4. 分板块测试：分别测试大盘（沪深300）、中盘（中证500）、小盘（中证1000）三个选股池，比较ADX阈值的最优参数差异。

  5. 实盘前压力测试：模拟2016—2018年（持续震荡）和2022年（单边下跌）两个最恶劣场景，检验改进策略的最大回撤是否在可接受范围内。

FAQ

Q1：ADX是否有领先性，能提前判断趋势？

A：ADX本身是滞后指标，反映的是过去N日的趋势强度，不能预测未来趋势的起始点。但正是因为如此，等待ADX确认再入场会损失部分趋势初期收益，这是滞后指标的必然代价，需要在胜率和盈亏比之间权衡。

Q2：双均线策略是否适合A股小盘股？

A：小盘股的日内波动更大，信噪比更低，双均线假突破更频繁。如果一定要用于小盘股，建议使用更长的均线周期（如MA20/MA60）并叠加更严格的ADX阈值（>30）。

Q3：A股指数级别和个股级别的双均线表现差异大吗？

A：差异显著。指数经过成分股分散，波动更平滑，均线信号的噪声更少；个股受到题材、消息、筹码等因素影响，假突破率更高。建议新手先在指数或ETF上验证策略逻辑，再扩展到个股。

Q4：有没有比ADX更好的市场状态识别指标？

A：没有单一"最好"的指标。实践中常见的组合是：ADX（趋势强度）+ 布林带宽度（波动率状态）+ 成交量变化（资金参与度），三者共同确认趋势市，多重信号共鸣时入场胜率最高。

Q5：如何确定改进策略的参数是否过拟合？

A：关键方法是样本外测试（Walk-Forward Analysis）：用前7年数据优化参数，用后3年数据验证，且验证期不得用于参数优化。在 Quant Tools 中可以设置严格的样本外验证流程。

结论与下一步

双均线策略的失效不是策略本身的问题，而是使用场景不匹配的问题。加入市场状态识别机制后，双均线策略可以从"全天候亏损"升级为"在正确时机发挥作用"的有效工具。

建议行动：

  • 在 Quant Tools 回测实验室 中运行原始双均线策略，记录基准表现
  • 逐步添加ADX过滤、布林带宽度过滤，观察每一步改进的效果
  • 使用 量化学院 的市场状态识别专题课深入学习完整的制度检测（Regime Detection）方法论

参考来源

  • CMT协会（技术分析权威机构）- ADX指标定义与计算：https://cmtassociation.org/kb/average-directional-index-adx/
  • Investopedia - 平均方向指数（ADX）详解：https://www.investopedia.com/terms/a/adx.asp
  • 国泰君安证券研究 - 量化策略专题报告：https://www.gtja.com/content/research/report.html
  • 申万宏源研究 - A股技术分析有效性报告：https://www.swsresearch.com/institute_sw/allReport
  • 中国证监会 - 证券市场统计年报：http://www.csrc.gov.cn/pub/newsite/sj/tjbg/
  • 北京大学数学学院金融数学系 - 分环境择时模型研究报告：https://www.math.pku.edu.cn/finance/docs/20200729123732237093.pdf
  • 知乎 - 怎么能提高双均线系统的交易胜率（A股最优参数实证）：https://www.zhihu.com/question/664359246/answer/3598963451

免责声明：数据与回测结果仅供学术研究与编程学习，不构成投资建议。

← 返回研究文章