近来的公开报道显示,经典著作《海龟交易法则》已经流浪街头,这位昔日的交易明星已陷入困境——2022年因扰乱公共秩序和破坏财产等罪名在波士顿被捕时,其登记住址竟是无家可归者收容所;更早前的2012年,他就已宣称身无分文,甚至被家人指责依靠虚构“金融天才”形象骗取钱财。柯蒂斯·费思曾是金融交易领域的传奇人物,作为上世纪80年代“海龟实验”中最成功的学员之一,他在实验期间为导师理查德·丹尼斯创造了超过3000万美元的利润,并系统总结了趋势跟踪策略的核心原理。本文将展示完整源代码,带您逐行解析这套基于唐奇安通道与波动率管理的海龟交易系统。

海龟交易法则源于理查德·丹尼斯与威廉·埃克哈特在1983年的著名赌约。两人通过报纸招募并培训了一批毫无交易经验的普通人(即“海龟”),向他们传授基于突破信号的趋势跟踪系统。该策略包含三个关键要素:一是双重入市机制,分别采用20日和55日价格突破作为买卖依据;二是动态仓位管理,根据市场波动率(ATR指标)调整头寸规模,单个市场最大持仓限制为4个单位;三是严格的止损规则,当单笔亏损达到本金的2%时强制平仓。这套完全机械化的交易系统旨在消除主观判断干扰,证明交易能力可通过标准化训练获得。柯蒂斯·费思正是这批学员中的佼佼者,其业绩验证了该策略在特定市场环境下的强大盈利能力。
这套系统严格遵循理查德·丹尼斯创立的海龟实验核心原则:通过突破入场、波动率调整仓位和止损机制实现趋势跟踪。其独特之处在于结合了唐奇安通道技术指标(Donchian Channel),并采用动态N值计算方式控制风险敞口。整个架构分为预处理模块、决策引擎和执行单元三大部分,形成完整的闭环交易流程。
1.1 初始化配置阶段
def before_trading_start(context):
set_slip_fee(context) #设置交易费率
calculate_N()#计算N
tqatds()#计算唐奇安通道上轨
tqatdx()#计算唐奇安通道下轨
dt=context.current_dt
if dt>datetime.datetime(2013,1, 1):
set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
set_slip_fee:预设滑点成本补偿机制,确保回测结果贴近真实市场环境calculate_N():首次启动时初始化平均真实波幅(ATR)基准值tqatds/tqatdx:构建多空双向的趋势边界线- 特殊日期规则:对2013年后的交易施加差异化手续费结构,反映市场微观结构变化
1.2 核心变量说明
全局字典g存储关键状态量:
| 变量名 | 类型 | 作用 |
|---|---|---|
| N | List[float] | 平滑后的ATR序列 |
| high/low | List[float] | 最高价/最低价的历史极值记录 |
| sys | int | 当前持仓单位数 |
| unit | float | 单笔交易的风险配额 |
| break_price | float | 最近一次建仓价格 |
二、每日主循环逻辑
def daily(context):
price=attribute_history(g.security, 1, '1m', 'close')
current_price=price['close'][-1]
value=context.portfolio.portfolio_value
cash=context.portfolio.cash
Dollar_Volatility=g.N[-1]*1
g.unit=value*0.01/Dollar_Volatility
2.1 数据获取与更新
- 分钟级行情抓取:使用
attribute_history获取最新收盘价,保证时效性 - 账户快照:实时同步组合市值(
portfolio_value)和可用资金(cash) - 波动率标准化:将当前N值转换为美元波动幅度,为后续仓位计算做准备
2.2 动态仓位管理
核心公式推导:
目标头寸规模 = (总权益×1%) / 单日波动额
=> g.unit = value * 0.01 / Dollar_Volatility
该算法确保每次开仓的潜在损失不超过总资本的1%,完美体现海龟法则的风险控制理念。当系统处于不同状态时触发相应操作:
if g.sys==0:
market_in(context,current_price,g.short_in_date)#开仓买入
else:
stop_loss(current_price)#止损
market_add(context,current_price,g.short_in_date)#加仓
market_out(current_price, g.short_out_date)#出局
三、关键技术指标实现
3.1 唐奇安通道构建
上轨计算函数
def tqatds():
price=attribute_history(g.security,20,'1d',('high','low','close'))
g.high.append(max(price['high']))
return g.high
- 时间窗口:过去20个交易日的最高价极大值
- 堆栈特性:新数据追加至列表末尾,自动维护历史轨迹
- 应用场景:作为多头突破信号的判断标准
下轨计算函数
def tqatdx():
price=attribute_history(g.security,20,'1d',('high','low','close'))
g.low.append(min(price['low']))
return g.low
- 对称设计:对应空头止损位的确认依据
- 统计学意义:反映特定周期内的价格支撑水平
3.2 ATR指标优化算法
def calculate_N():
if len(g.N)==0:
price=attribute_history(g.security,21,'1d',('high','low','close'))
st1=[]
for i in range(1,21):
hl=price['high'][i]-price['low'][i]
hc=price['high'][i]-price['close'][i-1]
cl=price['close'][i-1]-price['low'][i]
True_Range=max(hl,hc,cl)
st1.append(True_Range)
current_N=round(np.mean(np.array(st1)),3)
g.N.append(current_N)
else:
price = attribute_history(g.security, 2, '1d',('high','low','close'))
hl = price['high'][-1]-price['low'][-1]
hc = price['high'][-1]-price['close'][-2]
cl = price['close'][-2]-price['low'][-1]
True_Range = max(hl, hc, cl)
current_N = round((True_Range + (g.number_days-1)*(g.N)[-1])/g.number_days,3)
(g.N).append(current_N)
分段处理机制
- 冷启动阶段:前21根K线采用简单移动平均法计算初始ATR
- 持续更新阶段:引入指数平滑概念,公式等价于EMA变形:
EMA_t = (TR_t + (n-1)*EMA_{t-1}) / n
其中n代表平滑周期长度,此处由g.number_days参数控制。
四、交易指令模块详解
4.1 建仓逻辑
def market_in(context,current_price,in_date):
price=attribute_history(g.security,in_date,'1d', 'close')
if current_price > g.high[-1]:
cash=context.portfolio.available_cash
num_of_shares=cash/current_price
if num_of_shares>=g.unit and g.sys<int(g.unit_limit*g.unit):
log.info('SYS买入',g.unit)
order(g.security,int(g.unit))
g.sys+=int(g.unit)
g.break_price=current_price
- 双重验证机制:同时满足价格突破和资金充足条件
- 整数约束:实际下单量为经取整后的标准化合约单位
- 状态标记更新:记录最新成交价用于后续追踪
4.2 动态调仓策略
def market_add(context,current_price,in_date):
if current_price>=g.break_price+0.5*g.N[-1]:
cash=context.portfolio.available_cash
num_of_shares=cash/current_price
if num_of_shares>=g.unit and g.sys<int(g.unit_limit*g.unit):
log.info('g.sys加仓{}:{}'.format(g.security,current_price))
order(g.security,int(g.unit))
g.sys+=int(g.unit)
g.break_price=current_price
- 金字塔加仓规则:每上涨0.5个ATR幅度追加同等头寸
- 风控阈值:总持仓不得超过预设的最大单位限制倍数
- 成本保护:随着价格上涨逐步提高安全边际
4.3 退出机制设计
止盈平仓
def market_out(current_price,out_date):
price=attribute_history(g.security,out_date,'1d',('close','low'))
if current_price<g.low[-1] and g.sys>0:
log.info('SYS离场')
order_target(g.security, 0)
g.sys=0
- 反向突破确认:价格跌破历史低点触发清仓动作
- 全仓了结:使用市价委托确保快速离场
强制止损
def stop_loss(current_price):
if current_price<g.break_price-2*g.N[-1]:
log,info('SYS止损')
order_target(g.security, 0)
g.sys=0
- 固定比例回撤:允许最大亏损幅度为2倍ATR
- 刚性风控:不考虑市场噪音直接斩仓出局

回测2025年1月1日 - 2025年9月15日,策略累计收益为 +6.56%(年化 +9.68%),但显著跑输同期 沪深300指数(+15.20%),超额收益为 -7.50%。策略在震荡市环境下未能捕捉主要上涨波段,尤其在2025年4月后与基准收益差距持续扩大。
从表面看,海龟法则的成功依赖于对趋势行情的精准捕捉。但深入分析会发现,其有效性高度依赖当时的市场结构特征。在上世纪80年代,商品期货市场以机构投资者为主,价格走势呈现明显的连续性波动,这为趋势跟踪策略提供了肥沃土壤。然而,随着高频交易和算法模型的普及,现代金融市场已发生根本性变化。数据显示,当前超过70%的市场波动由程序化订单驱动,传统突破策略面临反应滞后、滑点成本上升等问题。
对于普通交易者而言,第一,交易系统的生命周期管理至关重要。历史回测表明,任何单一策略的有效周期通常不超过市场周期的三分之一,必须建立定期评估机制。第二,心理建设与技术优化同等重要。持续盈利的交易者普遍具备更低的皮质醇水平(压力激素指标),这提示情绪管理能力可能是比代码更关键的竞争力。第三,生活与交易的边界需要清晰界定。建议设立独立的资金池用于日常开支,避免将生活费计入保证金账户。
金融市场只是检验综合能力的试炼场之一。那些能够穿越牛熊周期的交易者,往往是在生活中也同样恪守纪律的人。
288



被折叠的 条评论
为什么被折叠?



