企业官网建设流程全解析

连载系列「Python量化实战」第 11 篇（模块六 · 量化策略实战开篇）。上一篇《Python可转债数据分析》我们完成了进阶数据模块；从本篇起，进入"从数据到策略"的技术跃迁。

双均线金叉是几乎所有量化教程的第一个策略：短期均线上穿长期均线买入、下穿卖出。但网上大量教程只贴公式不给完整代码，或者用的数据源要么被封 IP、要么字段对不上，读者复制下来根本跑不通。本文用 Python + mairui SDK，从拉取前复权日K线 → 计算 MA5/MA20/MA60 → 生成金叉/死叉信号 → 按信号回测，给出一套端到端可运行的完整实现，并用真实回测结果讨论这个经典策略的局限性。

本文你将得到什么

• 一套端到端可运行代码：前复权日K线 → MA 均线 → 金叉/死叉信号 → 无未来函数回测
• 真实回测结果（21 笔交易、胜率 28.6%、策略 -35.27%）及"回测首要价值是证伪"的讨论
• 5 个实测踩坑点（日期格式、复权参数、未来函数、异常脱敏、交易成本）

一、在线体验

想先看看K线接口返回什么数据？打开 API Playground 即可在线调用测试，无需安装任何环境：
https://mairuiapi.com/playground

在 Playground 中选择"历史分时交易"接口，输入股票代码即可看到返回的 JSON 结构（开高低收、成交量等字段），确认数据满足需求后再动手写代码，效率更高。

二、环境准备

本文代码使用 mairui SDK 获取股票数据，安装方法如下：

pipinstallmairui

SDK 的完整接口文档与使用说明请查阅 GitHub 仓库：https://github.com/MaiRuiApi/mairui

K线接口的详细参数说明请查阅官网 API 文档：https://mairuiapi.com/hsdata

运行环境：

• Python 3.9+
• mairui SDK 1.0.0
• pandas 2.2+

licence（证书）通过环境变量读取，不要写死在代码里：

importosimportmairui# 证书从环境变量读取，注册后可在官网获取licence=os.environ["MAIRUI_LICENCE"]api=mairui.Client(licence)

本文数据截至 2026-07-24（前复权日K线），回测区间：2024-01-02 至 2026-07-24。读者复现时数据可能因行情更新而略有差异。

三、获取前复权日K线数据

回测必须用复权价格。分红送股会让不复权价格出现向下跳空，均线在除权日附近产生虚假交叉信号。stock_history接口支持复权参数：

importpandasaspddeffetch_daily_kline(api,code,start,end):"""拉取前复权日K线并整理为 DataFrame。"""# d=日线, f=前复权；st/et 日期格式为 YYYYMMDDrows=api.stock_history(code,"d","f",st=start,et=end)kline_df=pd.DataFrame(rows)kline_df=kline_df.rename(columns={"t":"date","o":"open","h":"high","l":"low","c":"close","v":"volume"})kline_df["date"]=pd.to_datetime(kline_df["date"])returnkline_df.sort_values("date").reset_index(drop=True)kline_df=fetch_daily_kline(api,"600519","20240101","20260724")

关键解释：

• 接口返回字段为缩写：t=日期、o/h/l/c=开高低收、v=成交量（手）、a=成交额，重命名成语义化列名方便后续处理；
• 日期参数必须是YYYYMMDD格式（如20240101），带连字符会返回 HTTP 400，这是实测踩过的坑；
• 复权参数f为前复权、n为不复权，回测统一用前复权。

真实运行输出：

K线条数: 619, 区间: 2024-01-02 ~ 2026-07-24

完整字段说明可在官网 API 文档（https://mairuiapi.com/hsdata）中查阅。

四、计算均线与金叉死叉信号

均线用rolling().mean()一行搞定，关键是交叉判定：金叉 = 今天 MA5 在 MA20 上方、且昨天还在下方（或相等）。用shift(1)取前一日值做向量化判断，不需要写循环：

defadd_ma_and_signals(kline_df):"""计算 MA5/MA20/MA60，并生成金叉/死叉信号列。"""forwinin(5,20,60):kline_df[f"MA{win}"]=kline_df["close"].rolling(win).mean()ma_fast,ma_slow=kline_df["MA5"],kline_df["MA20"]# 金叉：MA5 上穿 MA20kline_df["gold_cross"]=(ma_fast>ma_slow)&(ma_fast.shift(1)<=ma_slow.shift(1))# 死叉：MA5 下穿 MA20kline_df["death_cross"]=(ma_fast<ma_slow)&(ma_fast.shift(1)>=ma_slow.shift(1))returnkline_df

关键解释：

• rolling(5).mean()前 4 行是 NaN，属正常现象，交叉判定中 NaN 参与比较结果为 False，不会产生假信号；
• 两个布尔条件必须都用括号包住再做&运算，这是 pandas 新手最常见的语法报错点。

在 2024-01 至 2026-07 的 619 个交易日里，真实统计结果：

金叉次数: 21, 死叉次数: 20

平均约一个月出现一次交叉——这个信号频率意味着交易成本不可忽略，后文回测会验证这一点。

五、按信号回测：金叉买入、死叉卖出

回测规则要避免未来函数：信号在收盘后才能确认（均线用收盘价算），所以成交只能发生在次日开盘价。这是很多教程用"当日收盘价成交"高估收益的常见错误：

defbacktest_ma_cross(kline_df):"""信号次日开盘价成交的简单回测（不含手续费/滑点，教学用）。"""trades,position,entry_price,entry_date=[],0,None,Noneforiinrange(len(kline_df)-1):row,next_row=kline_df.iloc[i],kline_df.iloc[i+1]ifposition==0androw["gold_cross"]:# 金叉次日开盘买入position,entry_price,entry_date=1,next_row["open"],next_row["date"]elifposition==1androw["death_cross"]:# 死叉次日开盘卖出exit_price=next_row["open"]trades.append({"buy_date":entry_date.date(),"buy_price":round(entry_price,2),"sell_date":next_row["date"].date(),"sell_price":round(exit_price,2),"return_pct":round((exit_price/entry_price-1)*100,2),})position=0returnpd.DataFrame(trades)

六、完整实战示例与真实回测结果

把上面三步串起来（完整可运行代码即文中各函数 + 下面的 main 流程）：

defmain():licence=os.environ["MAIRUI_LICENCE"]# 证书从环境变量读取api=mairui.Client(licence)kline_df=fetch_daily_kline(api,"600519","20240101","20260724")kline_df=add_ma_and_signals(kline_df)trades_df=backtest_ma_cross(kline_df)win_rate=(trades_df["return_pct"]>0).mean()*100print(trades_df.to_string(index=False))print(f"交易次数:{len(trades_df)}, 胜率:{win_rate:.1f}%")main()

真实运行输出（截取首尾交易）：

buy_date buy_price sell_date sell_price return_pct 2024-02-08 1585.60 2024-03-11 1540.59 -2.84 2024-03-14 1584.59 2024-03-29 1567.23 -1.10 ... 2026-04-02 1431.42 2026-04-22 1386.98 -3.10 2026-07-15 1203.66 2026-07-24 1297.41 7.79 交易次数: 21, 胜率: 28.6% 策略累计收益: -35.27% | 同期买入持有: -16.33%

这个结果值得认真讨论：两年半 21 笔交易、胜率仅 28.6%，策略累计 -35.27%，明显跑输同期买入持有的 -16.33%（还没算手续费）。原因在于：该标的这段时间处于宽幅震荡下行，双均线是趋势跟踪策略，在震荡市里会被反复"打脸"——金叉追高、死叉割肉。

这正是回测的价值：它的首要作用不是"证明策略赚钱"，而是在投入真金白银之前证伪。一个诚实的回测框架，比一个只展示盈利曲线的教程有用得多。改进方向（留给后续篇目展开）：加 MA60 趋势过滤（只在长期均线向上时接受金叉）、换参数组合批量测试、跨多标的验证。

七、避坑与进阶

• 日期格式：st/et必须为YYYYMMDD，带连字符会 HTTP 400；
• 复权参数：f（前复权）/n（不复权）可用，回测务必用前复权，否则除权日会产生虚假交叉；
• 未来函数：信号确认在收盘后，成交价用次日开盘价，不要用当日收盘价；
• 异常信息脱敏：SDK 抛出的 HTTP 异常信息中含完整请求 URL（内嵌你的证书），日志或截图对外展示前务必先把证书串替换掉；
• 交易成本：本文为教学简化未计手续费与滑点，21 笔交易的双边成本会进一步拉低净收益，实盘评估必须计入；
• 频率限制：批量回测多只股票时注意控制请求频率，工程化方案见本系列第 16 篇。

八、总结与延伸

本文完成了「Python量化实战」策略模块的第一课：用stock_history拉取前复权K线、用rolling + shift向量化生成金叉/死叉信号、用"次日开盘成交"的规则做无未来函数的回测，并用真实数据看到了趋势策略在震荡市的局限。下一篇我们把视角从"择时"切换到"选股"——《Python多因子选股模型搭建：5个核心因子与打分排序实现》。

延伸阅读：

• 在线体验更多接口：https://mairuiapi.com/playground
• 查看完整 API 文档：https://mairuiapi.com/hsdata
• SDK 文档与源码：https://github.com/MaiRuiApi/mairui
• 关注公众号获取本系列更新

本文为技术演示，文中回测结果仅说明方法论，不构成投资建议。