大家好，我是花姐。今天聊一个量化新手常常忽略的问题：我们每天研究的这些技术指标a股加杠杆，真的靠谱吗？

图片

打开今日头条查看图片详情

有时候看着MACD金叉、KDJ拐头、RSI超卖反弹，都挺有道理，但真正下单后总感觉胜率不稳。那问题出在哪？——你从来没验证过它的置信度。

一、什么是置信度？为什么要判断？

“置信度”听起来学术，其实很好理解：

它表示你对某个指标信号的“可信程度”。

举个例子：如果过去10次MACD金叉信号中，有6次之后股价上涨，那这个信号的置信度就是60%。

为什么要判断置信度？因为量化的核心不是预测未来，而是控制风险、提高胜率。没有验证过置信度的指标，本质上就是“拍脑袋交易”；而做了置信度验证，才算是“数据决策”。

二、怎么量化一个指标的置信度？

以MACD为例，我们来验证它的买入信号到底有多靠谱。

基本逻辑：Step 1：定义信号触发点

当：

DIF 从下向上穿越 DEA → 产生“金叉信号”DIF 从上向下穿越 DEA → 产生“死叉信号”

我们把金叉视为买入，死叉视为卖出。

Step 2：计算每次信号后的收益

假设我们在每次金叉买入，直到下次死叉当天卖出，计算区间收益。

Step 3：统计指标胜率与收益分布

然后统计：

胜率 = 盈利次数 / 总次数平均收益、最大回撤、中位收益等指标

这几个指标就能反映出MACD信号的置信度。

下面是花姐写的一个最简单可复现版本，行情来自miniQMT

import pandas as pdimport numpy as npimport talibfrom xtquant import xtdatadef get_hq(code, start_time, end_time): xtdata.enable_hello = False xtdata.download_history_data(stock_code=code, period='1d', start_time=start_time, end_time=end_time) history_data = xtdata.get_market_data_ex(['open','high','low','close','volume','amount','preClose'], stock_list=[code], period='1d', start_time=start_time, end_time=end_time, dividend_type='front_ratio', fill_data=False) df = history_data[code] df.index = pd.to_datetime(df.index.astype(str), format='%Y%m%d') df['date'] = df.index return df# 读取行情df = get_hq('xxxxxx.SZ','20200101','')# 计算MACDdf['macd_dif'], df['macd_dea'], df['macd'] = talib.MACD(df['close'], fastperiod=12, slowperiod=26, signalperiod=9)# 金叉、死叉信号df['golden'] = ((df['macd_dif'] > df['macd_dea']) & (df['macd_dif'].shift(1) <= df['macd_dea'].shift(1))).astype(int)df['dead'] = ((df['macd_dif'] < df['macd_dea']) & (df['macd_dif'].shift(1) >= df['macd_dea'].shift(1))).astype(int)# 模拟交易trades = []for i in df.index[df['golden'] == 1]: buy_price = df.loc[i, 'close'] next_dead = df.index[df.index.get_loc(i) + 1:] next_dead = next_dead[df.loc[next_dead, 'dead'] == 1] if len(next_dead) > 0: sell_date = next_dead[0] sell_price = df.loc[sell_date, 'close'] trades.append((sell_price - buy_price) / buy_price)results = pd.Series(trades)print('信号次数：', len(results))print('胜率：', (results > 0).mean())print('平均收益：', results.mean())print('中位收益：', results.median())print('最大回撤：', results.min())

以下是某个股票从2020年至今的一个置信度统计结果：

信号次数： 54胜率： 0.3333333333333333平均收益： 0.004879251982125992中位收益： -0.02139616125923546最大回撤： -0.09598741148701802

看完以后你有什么想法呢？是不是比想象中的要低很多。

三、用“N日涨幅”来评估置信度更灵活

当然我们也可以换个角度来计算一个指标的置信度，比如可以通过计算信号后的N日涨幅来评估。

比如：

3~5日：短线交易信号的预测力10~30日：趋势信号的可靠度60日以上：中长线趋势信号的持久性

基于上面的代码我们简单修改下就可以计算N日涨幅的置信度了。

import pandas as pdimport numpy as npimport talibfrom xtquant import xtdatadef get_hq(code, start_time, end_time): xtdata.enable_hello = False xtdata.download_history_data(stock_code=code, period='1d', start_time=start_time, end_time=end_time) history_data = xtdata.get_market_data_ex(['open','high','low','close','volume','amount','preClose'], stock_list=[code], period='1d', start_time=start_time, end_time=end_time, dividend_type='front_ratio', fill_data=False) df = history_data[code] df.index = pd.to_datetime(df.index.astype(str), format='%Y%m%d') df['date'] = df.index return dfdef calc_macd(df): ''' 计算MACD指标与金叉信号 ''' df['macd_dif'], df['macd_dea'], df['macd'] = talib.MACD( df['close'], fastperiod=12, slowperiod=26, signalperiod=9 ) df['golden'] = ( (df['macd_dif'] > df['macd_dea']) & (df['macd_dif'].shift(1) <= df['macd_dea'].shift(1)) ).astype(int) return dfdef analyze_macd_returns(df, n_days=5): ''' 统计金叉后N日涨幅表现 ''' results = [] for i in df.index[df['golden'] == 1]: buy_price = df.loc[i, 'close'] # 确保不会超出索引 idx = df.index.get_loc(i) if idx + n_days < len(df): sell_price = df.iloc[idx + n_days]['close'] ret = (sell_price - buy_price) / buy_price results.append({ 'buy_date': df.loc[i, 'date'], 'sell_date': df.iloc[idx + n_days]['date'], 'buy_price': buy_price, 'sell_price': sell_price, f'{n_days}d_return': ret }) results = pd.DataFrame(results) if len(results) == 0: return None # 汇总统计 stats = { 'signal_count': len(results), 'win_rate': (results[f'{n_days}d_return'] > 0).mean(), 'avg_return': results[f'{n_days}d_return'].mean(), 'median_return': results[f'{n_days}d_return'].median(), 'max_return': results[f'{n_days}d_return'].max(), 'min_return': results[f'{n_days}d_return'].min(), } return results, statsdef run_macd_backtest(code, n_days=5, start='20200101', end=''): ''' 主函数：执行金叉后N日涨幅分析 ''' df = get_hq(code, start, end) df = calc_macd(df) results, stats = analyze_macd_returns(df, n_days) print(f'\n【{code}】MACD金叉后{n_days}日表现统计') print(pd.Series(stats)) return results, stats# ============ 示例调用 ============ #if __name__ == '__main__': code = 'xxxxxx.SZ' results, stats = run_macd_backtest(code, n_days=5)

MACD金叉后5日表现统计

signal_count     55.000000win_rate          0.545455avg_return        0.003531median_return     0.003421max_return        0.171240min_return       -0.197990

MACD金叉后10日表现统计

signal_count 55.000000win_rate 0.545455avg_return 0.003575median_return 0.006202max_return 0.195783min_return -0.156570

MACD金叉后20日表现统计

signal_count     54.000000win_rate          0.462963avg_return       -0.009931median_return    -0.004154max_return        0.165404min_return       -0.186467

从上面这3组数据不难看出，

5日涨幅的置信度最高，也最稳定。10日和20日涨幅的置信度都在40%以上，但10日的胜率要高一些。20日涨幅的置信度最低，也最不稳定。

所以如果你想通过MACD金叉来操作这个股票，最后在出现金叉后5天内卖出，收益是最大的。

四、置信度统计用多久的K线更合理？

看了上面的分析，你是不是会提出这样的一个问题：我用多久的数据来统计置信度更可靠呢?

置信度不是一个数学常数，而是从历史信号统计出来的“经验概率”。所以，样本越多，统计越稳。如果你只拿1年数据来算，那可能正好赶上牛市，MACD全胜；但放到5年一看，熊市一来胜率全崩，这就叫“样本偏差”。

不同策略的建议周期①日线级别（中低频策略）

市场

推荐周期

原因

A股

5~10年日线数据

能覆盖至少一个完整牛熊周期（上涨、调整、下跌再上涨）

美股

10年以上日线数据

美股趋势更平缓，需要更长样本来检验周期性

指数/ETF策略

≥8年

相对稳定、波动小，需要更长历史来显著化差异

经验值： 至少包含 200~300次信号样本 才有统计意义。如果MACD金叉一年只有30次，那就得拉长到5~10年。

②高频策略（分钟线或小时线）

周期

建议样本

说明

分钟线策略

至少 1~2年

高频信号多，但噪音大，需要大量样本平滑掉极端波动

小时线策略

至少 3年

信号数相对少，需要时间覆盖不同市场结构

要覆盖“不同市场状态”

单纯说“多少年”还不够，更关键的是你得覆盖至少一个牛熊周期。

以A股为例

图片

打开今日头条查看图片详情

如果你的样本区间刚好只在2021–2024（行情比较单边），那计算出来的置信度极有可能被放大。所以最稳妥的方式是：

至少包含一个完整牛熊周期，周期越多越稳。

今天关于指标置信度的分析就到这里了，最后送大家一句话：

量化的价值不在“信号多”，而在“信号可信”。学会量化置信度，你的策略才真正站在数据上。

—— 花姐 a股加杠杆

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。

• a股加杠杆