"大直若屈,大巧若拙,大辩若讷。"
——《道德经·第四十五章》
最直的东西看起来像是弯曲的,
最巧的技艺看起来像是笨拙的,
最善辩的人看起来像是木讷的。
放在技术指标里,是为 SMA 写的。
把最近N天的收盘价加起来,除以N。
没有权重设计,没有平滑系数,没有任何可以"优化"的花招。
这条最笨的线四十年来打败无数聪明的模型。
前言:三个月的工作,价值1.5%年化
2021年,一个朋友在一家私募做研究。
他花了三个月,做了一个挺复杂的东西:LSTM + 多因子,输入是过去60天的价量数据加十几个财务指标,输出是未来20天的超额收益预测。做了特征工程、做了时序交叉验证、做了超参搜索。
样本外结果:年化12%,夏普0.9。
汇报那天,投研总监听完,问了一句:
"你试过20日均线吗?"
他愣了一下,说没试过。
总监说:"回去测一下,明天告诉我。"
他回去测了。规则极简:收盘价上穿20日均线买入,下穿卖出,不做空,不加杠杆。
结果:年化10.5%,夏普0.85。
第二天他跟总监汇报,总监说了一句话,他记到现在:
"那你三个月的工作,价值是1.5%的年化。这个价值是真的,但你要知道它的量级。"
他后来跟我说,那天他学到了两件事:
第一,SMA 比想象中难打败得多。 一个团队三个月的心血,只换来1.5%的增量。
第二,也是更重要的——"能不能打败SMA",应该成为你做任何策略的第一道门槛。 如果你的复杂模型打不过一条20日均线,那你的复杂度就是纯粹的负担:更多的参数、更多的过拟合风险、更差的可解释性、更高的维护成本。
SMA 是量化世界的"基准线"。 它不华丽,但它是所有策略必须越过的门槛。
今天这篇,我们把这条最朴素的线彻底讲透:它怎么算、为什么滞后、滞后的代价有多大、金叉死叉到底该怎么做、5/20、10/60、20/120这三种经典组合各自适合什么场景、以及它在趋势市和震荡市里的表现差异有多大。
Why:为什么最笨的指标反而最难打败?
一、因为它没有可以"骗自己"的地方
复杂模型有一个巨大的隐患:参数太多,你总能把回测调好看。
一个LSTM有几十万个参数,你可以通过调整层数、学习率、窗口长度、特征组合,让回测曲线变得非常漂亮。但漂亮的原因可能是过拟合,而不是模型学到了规律。 而你又没办法区分这两者——因为模型是黑箱。
SMA 只有两个参数:周期N,和用哪条均线做对照。
你没法通过调参把它"优化"到过拟合。它要么有效,要么无效,非常诚实。
在量化里,"诚实"是一种稀缺品质。 因为你的敌人不是市场,是你自己的自我欺骗。
二、因为它的滞后是"可计算、可预期"的
这是 SMA 最被低估的优点。
SMA 的滞后是确定的:约 (N-1)/2 个周期。
• 5日均线,滞后约2天
• 20日均线,滞后约9.5天
• 60日均线,滞后约29.5天
这意味着你可以精确地知道"我会晚多久"。
而一个神经网络的"滞后"是多少?没人知道。它可能在趋势开始时反应很快,也可能在结束时反应很慢,你无法预期。
可预期的滞后,可以设计进策略里;不可预期的滞后,只能靠运气。
三、因为它是所有策略的"公分母"
你可以用 SMA 来判断一个策略到底有没有价值。
具体做法:
1. 用同一个标的、同一段时间、同样的成本假设
2. 跑一个最简单的 SMA 双均线策略
3. 得到基准收益和夏普
4. 你的复杂策略,必须显著超过这个基准
如果没有显著超过,那复杂策略就没有存在价值。
这个测试极其残酷,但极其有效。我见过太多策略,在这个测试面前现了原形。
四、因为它是理解所有均线类指标的"母语"
SMA、EMA、WMA、MACD、布林带、DMI、Ichimoku……这些指标的核心都是"移动平均"。
• 你搞懂了 SMA 的滞后,就懂了 MACD 为什么滞后;
• 你搞懂了 SMA 的等权特性,就懂了 EMA 为什么要改权重;
• 你搞懂了 SMA 的支撑压力,就懂了布林带中轨的作用。
跳过 SMA 直接学 MACD,你只会背公式,不会用。
What:SMA 到底是什么?
一、计算方法:一个字都不用绕
SMA(N) = (P₁ + P₂ + ... + P_N) / N
其中 P 是收盘价,N 是周期。
就这样。 没有指数衰减,没有加权,没有任何花招。
二、特性一:等权平均
SMA 最本质的特征是:窗口内每一天的权重完全相同。
20日SMA里,今天的收盘价和19天前的收盘价,权重都是1/20。
这带来两个直接后果:
后果一:新信息进来得慢。
今天暴涨10%,对20日SMA的贡献只有 10%/20 = 0.5%。所以SMA对突发变化反应很迟钝。
后果二:老信息走得很慢。
20天前的暴涨,会在SMA里待满20天,然后才被剔除。所以SMA会"记住"很久以前的事。
这两个后果合起来,就是"滞后"。
三、特性二:信号滞后,且可以精确计算
SMA 的滞后约等于 (N-1)/2。
为什么?直观理解:SMA相当于把最近N天价格的"重心"放在窗口正中间,也就是 (N-1)/2 天前。
举个数:20日SMA,重心在第9.5天前。所以它反映的是"大约10天前的市场状态"。
滞后的代价是什么?
假设价格从100涨到120,涨了20%。SMA要跟上这个涨幅,需要整整20天。在这20天里,你如果等SMA确认,就已经错过了一大段。
但滞后也有好处:
正因为滞后,SMA不会被日内的假突破骗走。价格今天假突破一下又跌回来,SMA几乎不动。你用滞后换来了"不被噪音干扰"。
这是SMA最核心的取舍:它不猜,它只确认。
四、特性三:掉落效应(Dropping Effect)
这是SMA一个很少被讲、但很致命的特性。
当窗口最老的那一天被剔除时,SMA会突然跳变。
举个例子,20日SMA:
• 第1天收盘价:100(某天暴涨)
• 第2-20天:都在 110 附近
• 第21天:价格还是 110
那么:
• 第20天的SMA = (100 + 110×19) / 20 = 109.5
• 第21天的SMA = (110×20) / 20 = 110
注意:第21天价格完全没变(还是110),但SMA从109.5跳到了110,涨了0.5。
这不是市场变了,是算法变了。 那个100被"掉"出去了。
如果第1天是暴跌到80呢? 那第21天SMA会突然下跌。
掉落效应的危害:它会在完全没有价格变化的日子里,制造出假的"金叉/死叉"信号。
EMA 没有这个问题(因为它是递推的,不删除老数据)。这是EMA相对SMA的一个实实在在的优势。
实战建议:如果你的标的经常出现单日暴涨暴跌(比如小盘股、题材股),用EMA会比SMA更稳。
五、实战应用一:金叉死叉
定义:
• 金叉:短期SMA上穿长期SMA → 买入信号
• 死叉:短期SMA下穿长期SMA → 卖出信号
为什么金叉有效?
金叉的本质是:最近短期的平均成本,超过了较长期的平均成本。 这说明近期买盘的力量强于中期,市场结构在改善。
金叉最大的问题:震荡市里反复打脸。
假设市场在100-105之间横盘两个月,5日均线和20日均线会反复交叉十几次。每一次交叉,你都以为趋势来了,结果都是假的。
这就是"来回打脸"(whipsaw)。
怎么解决?三个办法:
1. 加趋势过滤:只在长期均线(如60日、200日)向上时接受金叉。
2. 加价格确认:金叉后价格需再涨X%(如1%)才算确认。
3. 加时间过滤:两次信号之间至少间隔N天。
我个人的偏好是第一种——因为它不减少真信号,只砍掉假信号。
六、实战应用二:均线支撑与压力
逻辑:均线是"平均成本线",价格回到均线附近时,近期买入者的心理最微妙。
• 支撑:下跌到均线附近,近期买入者"刚好不亏",不愿割肉,卖压减小。
• 压力:反弹到均线附近,套牢者"刚好解套",集中卖出,买压受阻。
但必须清楚三件事:
1. 这是概率,不是物理规律。 均线支撑会被跌破,均线压力会被突破,而且经常发生。
2. 越"公认"的周期越有效。 20、60、120、250 这些被广泛关注的周期,因为"自我实现"而更有效。17日、43日这种优化出来的周期,没有群体心理基础。
3. 强趋势中,均线支撑会失效。 因为力量太大,直接穿透。
实操建议:不要把均线支撑当"入场理由",要当"风险参考"。
比如:你因为其他理由买入,可以把止损设在"跌破20日均线下方1%"。这样均线就成了一个动态的、随价格上移的止损位。
七、三种经典周期组合
| 组合 | 特点 | 信号频率 | 适合场景 | | --- | --- | --- | --- | | 5 / 20 | 灵敏,信号多,假信号也多 | 高(一年20-40次) | 短线、波动大的品种 | | 10 / 60 | 中等,兼顾灵敏和稳定 | 中(一年10-20次) | 最通用,推荐新手从这里开始 | | 20 / 120 | 迟钝,信号少,但质量高 | 低(一年4-8次) | 长线、大资金、低换手 |
怎么选?一个简单判断:
看你一年能承受多少次交易。
• 如果你手续费敏感、不想频繁操作 → 20/120
• 如果你想抓住中期趋势、能承受一些假信号 → 10/60
• 如果你做短线、盯盘时间充足 → 5/20
新手最常犯的错:从5/20开始,被假信号折磨到放弃。建议从10/60开始——它有足够的信号让你感受到策略在工作,又不至于频繁打脸。
八、SMA 在趋势市 vs 震荡市的表现差异
这是SMA最关键的特性,也是决定它能不能用的核心。
趋势市(单边行情):
• SMA 表现优秀。价格持续朝一个方向走,均线跟随,金叉死叉信号清晰。
• 胜率可能只有40%,但盈亏比能到2.5以上。
• 整体:赚大钱。
震荡市(区间行情):
• SMA 表现糟糕。价格来回穿越均线,反复金叉死叉。
• 胜率可能低到25%,盈亏比接近1。
• 整体:持续失血。
关键数字:一个典型的双均线策略,在趋势市可能年化+30%,在震荡市可能年化-15%。如果市场一半时间趋势、一半时间震荡,你的净收益可能只有7.5%——扣掉成本,所剩无几。
这就是为什么"识别市场状态"比"优化均线参数"重要一百倍。
怎么识别?两个简单方法:
1. 均线是否纠缠:5/20/60三条均线缠在一起、频繁交叉 → 震荡市。
2. ADX指标:ADX > 25 视为趋势市,ADX < 20 视为震荡市。
最简单的做法:震荡市直接关掉趋势策略。 不交易,也是一种交易。
How:实操,一步步来
一、先手算一遍
数据:10, 11, 12, 11, 13, 14, 9
5日SMA序列:
• 第5天:(10+11+12+11+13)/5 = 57/5 = 11.4
• 第6天:(11+12+11+13+14)/5 = 61/5 = 12.2
• 第7天:(12+11+13+14+9)/5 = 59/5 = 11.8
注意第7天:价格从14跌到9(跌35.7%),但SMA只从12.2跌到11.8(跌3.3%)。
这就是滞后。 而且你能看到:下跌时,SMA"跑不掉",你的止损会晚很多。
二、代码:完整实现 + 分段测试
// python
import numpy as np
import pandas as pd
np.random.seed(2026)
# ---------- 1. 构造"趋势市+震荡市"两段数据 ----------
n_trend, n_range = 150, 150
# 趋势段:从100涨到140
trend_part = np.linspace(100, 140, n_trend) + np.random.normal(0, 1.2, n_trend)
# 震荡段:在120附近来回
range_part = 120 + np.random.normal(0, 2.5, n_range)
price = pd.Series(np.concatenate([trend_part, range_part]), name="close")
print(f"数据长度:{len(price)},趋势段0-{n_trend-1},震荡段{n_trend}-{len(price)-1}")
逐行讲解:
• np.linspace(100, 140, 150):生成150个从100到140的等距数字,这就是纯趋势。
• np.random.normal(0, 1.2, 150):加噪音,标准差1.2。
• 120 + np.random.normal(0, 2.5, 150):震荡段——围绕120,标准差2.5。注意震荡段噪音更大(2.5 > 1.2),这样更容易产生假信号。
• np.concatenate([...]):拼接两段。
• 为什么要这样构造? 因为我要让你亲眼看到:同一个策略,在两种市场里的表现天差地别。
// python
# ---------- 2. 计算SMA并生成金叉死叉信号 ----------
def sma(s, n):
return s.rolling(window=n).mean()
price_df = pd.DataFrame({"close": price})
price_df["ma_s"] = sma(price, 5) # 短期
price_df["ma_l"] = sma(price, 20) # 长期
# 持仓状态:1=持有,0=空仓(只做多)
price_df["pos"] = 0
price_df.loc[price_df["ma_s"] > price_df["ma_l"], "pos"] = 1
# 收益:今天持仓,赚明天的涨跌(所以pos要shift一位,避免未来函数)
price_df["ret"] = price_df["close"].pct_change()
price_df["strategy_ret"] = price_df["pos"].shift(1) * price_df["ret"]
逐行讲解:
• s.rolling(window=n).mean():滑动窗口求均值,pandas算SMA的标准写法。
• price_df.loc[条件, "pos"] = 1:满足条件(短均线在上)时持仓。 这就是"只做多"的双均线。
• price_df["close"].pct_change():日收益率,即今天/昨天-1。
• price_df["pos"].shift(1) * price_df["ret"]:这一行是防未来函数的关键!
◦ 今天的pos是根据今天的收盘价算出来的,你不可能在今天收盘前就知道。
◦ 所以要 shift(1),用昨天的信号去赚今天的收益。
◦ 如果忘了shift,你的回测会虚高一大截,而且看起来很真实——这是新手最常见的致命错误。
// python
# ---------- 3. 分段评估:趋势市 vs 震荡市 ----------
def perf(r, name):
r = r.dropna()
if len(r) == 0:
return None
cum = (1 + r).cumprod()
ann = r.mean() * 252
vol = r.std() * np.sqrt(252)
sharpe = ann / vol if vol > 0 else 0
dd = (cum / cum.cummax() - 1).min()
win = (r > 0).mean()
return {"段": name, "年化": ann, "波动": vol, "夏普": sharpe,
"最大回撤": dd, "日胜率": win}
res = [
perf(price_df["strategy_ret"].iloc[:n_trend], "趋势段"),
perf(price_df["strategy_ret"].iloc[n_trend:], "震荡段"),
perf(price_df["strategy_ret"], "全段"),
]
print(pd.DataFrame([r for r in res if r]).round(4).to_string(index=False))
逐行讲解:
• r.dropna():去掉NaN。前19天因为20日均线算不出来,是NaN,必须剔除。
• (1 + r).cumprod():累计净值。
• r.mean() * 252:年化收益(日收益均值×252)。
• r.std() * np.sqrt(252):年化波动(波动率按时间平方根缩放)。
• cum / cum.cummax() - 1:相对历史高点的回撤。
• (r > 0).mean():日胜率 = 赚钱天数占比。注意:趋势策略的日胜率通常在45%-50%,但月胜率可能只有35%——因为亏损集中在少数几天。
• price_df["strategy_ret"].iloc[:n_trend]:取趋势段。iloc 按位置索引。
• 你会看到的结果(典型值):
◦ 趋势段:年化可能 +40%,夏普 1.2
◦ 震荡段:年化可能 -20%,夏普 -0.8
◦ 全段:年化可能只有 +8%
• 这就是"同一策略,两种命运"。 而这个结果,跟你调参数几乎无关——你把5/20改成10/30,震荡段还是亏。问题不在参数,在市场状态。
// python
# ---------- 4. 加"趋势过滤":只在长期均线向上时做多 ----------
price_df["ma_60"] = sma(price, 60)
price_df["trend_up"] = price_df["ma_60"].diff() > 0
price_df["pos_f"] = 0
price_df.loc[(price_df["ma_s"] > price_df["ma_l"]) & price_df["trend_up"], "pos_f"] = 1
price_df["strategy_ret_f"] = price_df["pos_f"].shift(1) * price_df["ret"]
print("\n=== 加了60日均线趋势过滤 ===")
res_f = [
perf(price_df["strategy_ret_f"].iloc[:n_trend], "趋势段"),
perf(price_df["strategy_ret_f"].iloc[n_trend:], "震荡段"),
perf(price_df["strategy_ret_f"], "全段"),
]
print(pd.DataFrame([r for r in res_f if r]).round(4).to_string(index=False))
逐行讲解:
• sma(price, 60):60日均线作为长期趋势线。
• price_df["ma_60"].diff() > 0:斜率判断——今天的60日均线比昨天高,就是向上。
• (条件A) & (条件B):两个条件同时满足。pandas里必须用 &(不能用 and),且每个条件要加括号。
• shift(1) 同样不能忘。
• 你会看到:趋势段收益略降(因为过滤掉了一些早期信号),但震荡段亏损明显减少(因为过滤掉了大量假信号)。
• 这就是"过滤器"的价值:它牺牲一点趋势段的收益,换来震荡段的显著改善。整体夏普通常会提升。
// python
# ---------- 5. 三种周期组合对比 ----------
def backtest(price, n_s, n_l):
df = pd.DataFrame({"close": price})
df["s"] = sma(price, n_s)
df["l"] = sma(price, n_l)
df["pos"] = (df["s"] > df["l"]).astype(int)
df["ret"] = df["close"].pct_change()
return (df["pos"].shift(1) * df["ret"]).dropna()
print("\n=== 三种周期组合对比 ===")
rows = []
for ns, nl in [(5, 20), (10, 60), (20, 120)]:
r = backtest(price, ns, nl)
# 统计信号变化次数
sig = (sma(price, ns) > sma(price, nl)).astype(int).diff().abs().sum()
rows.append({
"组合": f"{ns}/{nl}",
"年化": r.mean() * 252,
"夏普": r.mean() / r.std() * np.sqrt(252) if r.std() > 0 else 0,
"信号次数": int(sig),
})
print(pd.DataFrame(rows).round(4).to_string(index=False))
逐行讲解:
• backtest(price, n_s, n_l):把回测封装成函数,传入两个周期。
• (df["s"] > df["l"]).astype(int):布尔转整数,True→1,False→0。这是pandas里最常用的技巧之一。
• sma(price, ns) > sma(price, nl):算出持仓状态的布尔序列。
• .astype(int).diff().abs().sum():统计信号变化次数。
◦ .astype(int) 转成0/1
◦ .diff() 差分,变化处变成 ±1
◦ .abs() 取绝对值,都变成1
◦ .sum() 求和 = 总变化次数
• 你会看到:
◦ 5/20:信号次数最多(可能20+次),年化波动最大
◦ 10/60:信号次数中等
◦ 20/120:信号次数最少,但需要更长的数据才能算出信号
• 判读:信号次数不是越少越好,也不是越多越好。关键是"每一次信号的期望收益"。信号太多,成本吃掉利润;信号太少,资金利用率低。
三、参数选择的三个原则
原则一:用公认周期,不要用优化出来的周期
20、60、120、250 是市场公认的。17、43、83 这种,即使回测更好,也不要信——它们没有群体心理基础,实盘会失效。
原则二:做参数敏感性检验
把短期周期从4调到8,看收益变化。
• 平滑变化(夏普在0.8-1.1之间)→ 稳健
• 剧烈跳变(参数5时夏普1.5,参数6时0.3)→ 过拟合
原则三:两个周期的比例保持在 1:4 到 1:6 之间
• 5/20 = 1:4
• 10/60 = 1:6
• 20/120 = 1:6
比例太小(如5/8):两条线太近,几乎同步,信号频繁且无意义。
比例太大(如5/250):短期线动得飞快,长期线几乎不动,等于"价格 vs 年线",信号极少。
四、四个必须避开的坑
坑一:忘记 shift,产生未来函数
这是最致命的。用今天的信号赚今天的收益,回测会虚高50%以上。
检查方法:如果你的回测夏普超过2.5,先怀疑这个。
坑二:忽略成本
双均线策略换手不高,但也不是零。5/20组合一年可能交易20次(买+卖算2次就是40次)。按单边0.1%(佣金+滑点)算,一年成本8%。
如果你的年化是10%,成本8%,你实际只赚2%。
坑三:只做多,不做空
上面代码只做多。在下跌趋势中,你只能空仓等待,赚不到钱。
做空能提升收益,但也提升风险(下跌往往比上涨快,波动更大)。新手建议先只做多,把逻辑跑通。
坑四:不看市场状态,一直开着
这是最贵的坑。震荡市里,双均线会持续失血。 你必须有一个"什么时候关掉"的判断。
最简单的判断:连续3个月亏损,且期间信号次数超过8次(说明在反复打脸),就该暂停。
五、一个完整的可执行规则
【适用条件】
ADX > 25(趋势市),或 20/60/120三条均线呈多头排列
【入场】
条件:5日均线上穿20日均线,且收盘价 > 60日均线
执行:次日开盘买入
【出场】
条件1:5日均线下穿20日均线
条件2:或收盘价跌破60日均线
执行:次日开盘卖出(任一条件满足)
【仓位】
单笔风险 = 总资金 × 2%
仓位 = 单笔风险 / (买入价 × 8%)
(即:把止损设在-8%,确保单笔最大亏损不超过总资金2%)
【暂停规则】
连续3个月亏损,且期间信号次数 > 8次 → 暂停1个月,重新评估市场状态
这套规则不完美,但它是完整的:有适用条件、有进出场、有仓位、有暂停机制。从"知道SMA"到"能用SMA做交易",中间隔的就是这一步——把想法写成可执行的规则。
总结
SMA,三句话:
第一,它笨,但笨得诚实。 没有参数可以骗自己,没有黑箱可以藏过拟合。它是所有策略的基准线——打不过一条20日均线的复杂模型,没有存在价值。
第二,它的滞后可以精确计算:(N-1)/2。 20日均线滞后约9.5天。这个滞后是它的定价——你接受晚半拍,换来不被噪音反复打脸。
第三,决定它生死的不是参数,是市场状态。 趋势市年化+40%,震荡市年化-20%,同一个策略。所以"识别市场状态"比"优化均线参数"重要一百倍。
回到老子那句"大巧若拙"。
我那个朋友最后跟我说,他后来做任何新策略,第一件事都是先跑一遍SMA基准。他说:"如果连它都打不过,我就不用往下做了,省三个月。"
这可能是SMA给他最大的礼物:它不是一个策略,它是一道门槛。 它逼着你去证明——你的复杂,到底带来了什么。
如果你证明不了,那就用最简单的那条线。
因为市场不会因为你复杂而奖励你,只会因为你正确而奖励你。
下一篇,我们讲EMA——看看给近期数据加权,能不能解决SMA的滞后问题,以及代价是什么。