你打开一张 K 线图。红红绿绿的柱子,上面叠着几条均线,下面是成交量,再下面是 MACD。
你知道这些东西都有名字,也大概听说过「金叉买、死叉卖」「放量突破」「顶背离」。但如果有人追问:这根均线具体是怎么算出来的?它比价格慢了几根 K 线?「放量」放到多少才算?「突破」之后你买多少、止损放在哪、什么时候卖?这条规则过去五年到底赚没赚钱?
大多数人答不上来。不是因为这些问题太难,而是很少有人把它们按顺序讲清楚。
这门课就做这件事。
每个工具,都走三步#
课里会讲到几十个工具:K 线、趋势线、支撑阻力、均线、MACD、RSI、ATR、布林带、各种形态、订单类型、仓位公式、回测方法。它们每一个都按同样的三步来学:
先会用:从业者拿它做什么,常用参数是什么,在什么市场环境下用。
再会算:用 Python 亲手实现一遍,和成熟的库对账,直到结果一模一样。算过一遍,你就知道它的滞后从哪来、参数改了会怎样。
最后会验:在真实的历史数据上统计。一个漂亮的例子不算数,几百次出现之后的结果才算数。
三步缺一步都不行。只会用不会算,工具就是黑箱,出了问题不知道为什么;会算不会验,就分不清一个规律是真的,还是碰巧在你看的那几张图上成立。
课程结构#
| 部分 |
篇 |
回答的问题 |
| 一、地基 |
1–5 |
价格图记录了什么?钱从谁的口袋里来?数据可靠吗?需要哪些统计基础? |
| 二、读懂价格行为 |
6–11 |
不借助任何指标,怎么从 K 线和成交量里读出趋势、关键位置和市场状态? |
| 三、技术指标 |
12–15 |
均线、MACD、RSI、ATR 这些指标到底在算什么?各自适合什么场景? |
| 四、形态 |
16–18 |
K 线形态、图表形态、道氏理论和斐波那契,怎么从「看起来像」变成可以写成代码的规则? |
| 五、从信号到交易 |
19–26 |
有了信号之后,交易什么、什么时候交易、怎么下单、止损怎么执行、仓位多大? |
| 六、检验 |
27–30 |
怎么写一个没有偏差的回测?怎么判断一条策略是真的有效? |
| 七、策略原型 |
31–32 |
趋势跟随和均值回归这两类基本策略,收益结构有什么不同? |
| 八、实盘 |
33–35 |
从回测走到实盘要经过哪几步?连亏的时候怎么判断? |
| 番外 |
— |
崩盘那三分钟,盘口上的钱去哪了(只有 BTC 永续、只到分钟级) |
前五部分是工具,第六部分是检验工具的方法,后两部分是把工具组装起来用。第六部分是全课的分水岭:前面学过的每个工具,最后都要拿到那里接受检验。
贯穿全课的三条线#
三个固定标的#
| 标的 |
为什么选它 |
| SPY |
追踪标普 500 的 ETF,美股流动性最好的品种,作为美股大盘的代表 |
| AAPL |
苹果公司股票。它拆过两次股(2014 年 1 拆 7、2020 年 1 拆 4),每季度分红,每季度发财报,是讲美股个股数据问题的好例子 |
| BTC |
比特币。24 小时不停交易,没有「收盘」;有永续合约,持仓量和资金费率这些数据公开可查 |
同一个工具放到这三个标的上,结果常常不一样。为什么不一样,本身就是很多篇的重点。
一个你亲手搭起来的工具库#
第 3 篇会建一个叫 talab 的 Python 项目,一开始是空的。之后几乎每一篇都往里加一个模块:数据下载和检查、K 线绘图、摆动点识别、指标、形态扫描、止损和仓位计算、回测引擎、报告生成。
学完全课,你手里就有一套完整的分析和回测工具,每一行代码都是你自己写的,每一个结果你都知道是怎么来的。
一条慢慢长大的策略#
第 12 篇会从最简单的规则开始:均线金叉买入,死叉卖出。
之后每学一部分,就给它补上一样东西:止损、时段过滤、完整的入场和出场规则、仓位管理。到了第六部分,它要经历完整的检验:回测、偏差排查、加入交易成本、样本外测试。检验结果是什么样,正文就写什么样。
最后一篇回头看,一句「金叉买入」是怎么一步步变成一套可以被检验、可以执行的交易系统的。
每一篇怎么读#
每一篇的结构基本相同:
- 先做一个决定。开头给你一段真实的历史行情,图只画到某一根 K 线为止,问你:现在怎么办?先把你的判断记下来,再往下读。后面的走势会在正文里揭晓。
- 弄清它是什么。先用一个生活里的例子建立直觉,再讲机制,最后才给出准确的定义。
- 算一个具体的例子。每一步都算出具体的数字:具体的价格、具体的股数。
- 动手实现。写代码,加进
talab。
- 看数据怎么说。在三个标的的全部历史上统计。
- 小检查和常见误用。
- 小结和练习。
⚠️ 第一步很容易被跳过,但它很重要。看完结果再回头看图,一切都显得很明显;而你在真实交易里面对的永远是「图只画到这里」。先做决定,才能知道自己在那一刻真正会怎么想。
代码与数据#
- 语言:Python 3,主要用 pandas 和 numpy。需要会一点 Python 基础语法,不需要交易经验。
- 加密数据:来自 Binance 公开的历史数据站,免费,不需要注册。
- 美股数据:日线数据,下载未经调整的原始价格,再根据拆股和分红记录自己计算调整后的价格,保证结果可以复现。
- 环境搭建:第 3、4 篇会一步步讲,包括怎么下载数据、怎么检查数据有没有问题。
正文里的每一段代码都在真实数据上运行过,贴出来的输出就是实际的运行结果。关键结果旁边会附上「复现指纹」,比如数据的行数、收盘价之和。你跑出来的数字和正文对得上,就说明数据完全一致。
从哪里开始#
从第 1 篇:一张价格图到底记录了什么开始,按顺序往下读。
如果你已经熟悉 K 线和常见指标,也建议至少读完第一部分(第 1–5 篇)再跳着读:交易对手、数据陷阱和统计基础这三块,后面每一篇都会用到。
2025 年 7 月 1 日,SPY 走出十年里的第四次金叉。「金叉买入」——好,那么:用什么价格买?买多少?跌到哪里认错?什么时候正常离场?这一篇把一个想法补全成一条能执行的规则:六个要素缺一不可,而且每一格的选择都会改变结果。同一个金叉信号,18 种补全方式在 SPY 上年化从 0.1% 到 7.4%,在 BTC 上从 -17% 到 +24%;这次金叉之后,不设止损的写法赚 21.7%,3 ATR 吊灯的写法进出八次只赚 1.2%。再看条件叠加:两个看起来不同的条件可能有 88% 的时间同时成立,加上第五个条件时一根 K 线都没少——而交易次数从 76 掉到 24,置信区间照样跨着零。动手部分写 talab.rules,把六要素变成一个数据结构。
2024 年 4 月 13 日 20:09 UTC,BTC 永续合约的最新成交价插到 59,652.5,一分钟后回到 61,700 上方。你的止损设在 60,000——它触发了吗?答案是:取决于你下的是哪一种止损单。同一分钟里,标记价格的最低价是 60,475.7,从没跌破。这一篇把「止损 60000」这句话拆成三个独立的问题:用什么价格触发、触发之后下什么单、最后成交在哪里。动手部分写 talab.orders,用 340 万根 1 分钟线重放六年半的止损:601 次触发的滑点分布、止损限价单一小时内没成交的 23 天(之后价格中位数又跌了 3.9%),以及主线 v3 的 34 次止损在分钟线上的真实成交价——日线回测的那个假设,一年大约值 1.1 个百分点。
2020 年 10 月 22 日,你手上的 BTC 多单浮盈刚好 2R。拿住、平一半,还是全部离场?这一篇先把记分方式换成 R 倍数,再把「出场」拆成四个互相独立的问题:初始止损放在哪、要不要跟着走、有没有目标价、最多拿多久。胜率和盈亏比为什么必然此消彼长,用一个无漂移随机游走就能证明——止盈目标从 0.5R 挪到 10R,胜率从 71% 掉到 25%,而打乱后的价格上这条曲线一模一样。动手部分写 talab.risk,给主线策略换四种出场方式,在五个序列、3,400 多笔交易上比较收益分布;开头那个问题的答案藏在 205 笔真实交易里:拿住的平均成绩更好,但 53.7% 的时候不如当场就走。
2021 年 2 月 8 日中午,特斯拉宣布买了 15 亿美元比特币。你在半小时前以 39,495 开了一个 10 倍杠杆的空单,现在价格已经朝不利方向走了 7.9%,一万美元的保证金只剩 2,059。离强平价还有多远?大多数人会算成 2.1 个百分点,真实答案是 1.5——而且从开仓到被平掉,一共只用了 58 分钟。这一篇把做空和杠杆拆开讲:为什么做空的收益上面有一堵 100% 的墙而亏损没有底(864 个永续合约里,持有 250 天亏掉本金一倍以上的占 8.8%),美股的借券、空头仓位和轧空(GME 那 11 天 +1,642%,1 倍空单两个交易日就被强平),永续合约的分层维持保证金和强平价公式,以及一条必须守住的底线:强平价必须在止损价之外。
2021 年 4 月 13 日,BTC 收在历史新高 63,650,永续合约的持仓价值也创了历史新高 24.5 亿美元,资金费率折成年化 108%——多头每天在给空头付将近三成的年息。这是趋势强劲的确认,还是拥挤的警告?这一篇把永续合约三个公开的数拆开:持仓量为什么和成交量是两回事(4 月 18 日那天成交额翻倍而持仓量掉了四分之一),资金费率其实是一条分段函数(用公开的 1 分钟溢价指数重算 7,286 次结算,90% 的误差小于 1e-5),以及教科书上「价格 × 持仓量」的四象限在数据上有没有信息。结论有点出人意料:信息全在负费率那一边——极高的资金费率之后什么也预测不了,而资金费率转负之后 20 天的平均收益比「同样跌幅但费率正常」的对照组高 8.3 个百分点。
账户 10 万美元,止损距离 3%,这笔最多亏 1%——该买多少?公式一行就写完了,难的是后面那串问题:那个「1%」应该是多少,凭什么?这一篇把「买多少」拆开:固定金额、固定比例、固定风险、按 ATR 调仓、波动率目标仓位、凯利公式,每一种都在主线策略的真实交易上跑一遍。结论有几个反直觉的地方:满仓时「一笔能亏多少」根本不由你决定(BTC 上它在 6.4% 和 26.2% 之间跳);凯利公式算出来的下注比例,把同样 30 笔交易重抽一遍就能从 0.01 跳到 0.54;波动率目标仓位在股票上把夏普从 0.75 抬到 0.91,在 BTC 上反而更差;而「11 个行业 ETF」等权持有时,有效独立仓位数只有 1.53 个。
一段十二行的回测代码,跑出年化 132.69%、九年把本金变成 2,080 倍,而且最大回撤 0.00%。在相信它之前,先检查哪一行?这一篇从零写一个能对账的回测引擎:一根 K 线上什么时候才知道什么、向量化回测能表达哪一类策略、现金和持仓怎么记账、以及同一根 K 线里止损和止盈都被碰到时先算哪个——最后这件事在日线上影响 32% 的交易,把一条真实合计 −145R 的策略算成 +999R,终值差了五个数量级。
一条年化 123.5%、七年里六年赚钱的资金曲线。第 27 篇的三项体检它全过:最大回撤不是 0、持仓日上涨的比例只有五成、把仓位往后推一根也不塌——因为它的事件顺序是对的。错的是别的东西。这一篇把五种偏差一种一种拆开,每一种都亲手造一次假收益再修正:前视不只是少写一个 shift,幸存者让同一条策略从 44% 变成 78%,在完全没有趋势的数据上挑 228 组参数的最好一组也能挑出两成年化,未复权的价格序列会造出一天 74% 的假暴跌,而一个 15% 的 ZigZag 在重绘版本上能跑出 5,152 万倍。然后是成本:用 8 天的公开盘口量出 BTC 永续的真实价差只有 0.033 个基点,而 taker 手续费是它的 153 倍。
两条策略跑在同一个市场、同一段时间上,夏普比率一条 1.3086、一条 1.3072——小数点后三位都一样。但一条只交易了 35 次,另一条交易了 1,061 次。你投哪一条?这一篇把回测报告上的每一个数拆开:年化收益是两个端点的函数,夏普比率至少有四种骗法(其中一种能让它从 1.31 变成 3.84,另一种让一个已经归零的账户还剩 0.52),最大回撤是一个会随着样本变长而机械变深的极值。然后给每个数配上它的误差:夏普 1.0 的策略要跑 4 年才能证明它不是运气,而主线策略在 SPY 上要跑 380 年。
两年的 BTC 日线,快线在慢线上方就做多、下方就做空。在一万零一百三十组参数里挑年化最高的一组——(31,36),年化 173.74%、夏普 1.75、两年把本金变成 7.5 倍,而同期 BTC 自己跌掉四成。把快线改成 30、慢线改成 34,年化变成 −7.69%。这一篇对这条曲线砍六刀:看邻居、看样本外、walk-forward、蒙特卡洛、多重检验、回测过拟合概率。其中最狠的一刀是:**在完全没有趋势的假数据上重扫同样一万组,「最好的一组」年化中位数是 115.52%,有 27% 的假数据比真实的还好。**然后用同一把尺子量主线策略 v4——它的参数从来没被挑过,所以它站在平地上。