📘 本章重点
- 掌握唐奇安通道突破入场信号（20日/55日双系统）
- 理解基于ATR的动态仓位管理公式：Unit = 账户2%风险 / (ATR × 合约乘数)
- 学会海龟的0.5ATR金字塔加仓规则与2倍ATR硬止损
- 理解10日/20日反向通道离场的双重退出逻辑
- 了解海龟交易实验的历史背景与后续争议
⚠️ 本章难点
- 理解ATR在仓位计算中的逆波动率调节原理——波动越大，单笔仓位越小，实现风险平价
- 区分“系统一（20日入场/10日离场）”与“系统二（55日入场/20日离场）”的互补关系
- 掌握“2%风险单位”与“0.5ATR加仓规则”的数学关系——每加一次仓，风险增加2%
- 理解双重退出系统（硬止损+通道退出）的配合逻辑：谁先触发就听谁的
⏱️ 预估学习时间
- 55～75分钟
一、策略简述与一句话定性
一句话定性：海龟交易法则是一套完整的趋势跟踪交易系统，核心逻辑是“突破买入、加码持有、反转离场”。它不仅是简单的入场信号，更是全球第一套公开发布、包含“仓位管理→加仓规则→止损→退出”全链条的量化交易框架。
海龟交易法则利用唐奇安通道（Donchian Channel） 的突破信号来跟踪趋势，同时利用ATR（平均真实波幅） 来实现动态仓位调整和止损设计，从而系统化地捕捉市场趋势。
它在20世纪80年代一战成名，通过一次传奇交易实验证明了交易技巧是可以后天学会的。即便过去了40年，这套体系的底层逻辑——用波动率管理风险、用趋势跟踪捕捉波段——依然被全球量化交易员广泛沿用。
如果说双均线是趋势跟踪的“Hello World”，那么海龟交易法则就是趋势跟踪的“完整操作系统”。它不止告诉你“什么时候买”，还告诉你“买多少、怎么加、什么时候跑、跑多少”。一个海龟策略的完整实现，等于你同时学会了入场、仓位管理、加仓、止损、离场五件事。
老陈点评：
海龟策略的最大贡献不是它的具体参数（20日、55日这些数字），而是它提出了一个完整的“风险管理框架”——它把仓位与波动率挂钩，实现了风险预算的均等化。这个思想比通道突破本身更有价值。你今天看到的很多机构使用的“风险平价”概念，其雏形就可以追溯到海龟的ATR仓位管理。
老王补充：
我早年就是靠海龟入的门。说实话，它的入场信号在今天看来已经不算特别了，但它的仓位管理公式我到现在还在用——每笔交易亏多少不是由价格决定的，是由你事先算好的风险决定的。 这个思想，救过我不下十次。
二、策略的使用范围与条件
| 维度 | 适用范围与条件 | 说明 |
|---|---|---|
| 适用市场 | 具有明显趋势特征的期货、外汇、加密货币、股票指数 | 强趋势市场最佳（如商品期货大牛市、加密货币单边行情） |
| 品种流动性要求 | 日成交量大、滑点小的品种 | ATR仓位管理对流动性敏感；低流动性品种的滑点会严重侵蚀利润 |
| 适用周期 | 日线、4小时、1小时均可 | 原版为日线，但已在加密货币小时线数据上验证有效 |
| 资金门槛 | 中等偏上 | 需支持多品种分散、金字塔加仓的账户资金 |
| 不适合的市场状态 | 长期震荡或无明显趋势的行情 | 会产生频繁假突破，交易成本高，连续止损累积 |
适用品种举例：
- 商品期货：铜、原油、螺纹钢（趋势性强）
- 股指期货：标普500、恒生指数、沪深300
- 加密货币：比特币、以太坊（单边行情明显）
- 外汇：EUR/USD、USD/JPY（趋势持续性较好）
失效案例：在长期横盘震荡的市场环境中（如某些商品期货经历的数年区间波动），海龟策略会因频繁的假突破而产生连续亏损，账户回撤可能超过30%。这在海龟策略的历史中被称为“海龟的寒冬”——系统一和系统二同时被来回打脸，长线系统也无法捕捉到有效趋势。
A股市场的改造建议：
- 只能做多：放弃做空信号，只在价格突破上轨时入场，跌破下轨时离场（相当于“半套海龟”）
- T+1限制：信号确认后次日开盘入场，避免当日追高后被锁仓
- 涨跌停限制：突破信号可能因涨停/跌停而无法成交，建议在信号出现后观察1-2日，确认有效突破后再入场
- 无杠杆：仓位计算公式中的“合约乘数”设为1，直接将ATR转换为价格波动金额
老陈点评：
注意：原版海龟是针对期货市场设计的，使用的是杠杆交易和双向操作（做多做空）。如果你把它直接搬到A股股票市场（只能做多、无杠杆），需要对仓位计算和止损逻辑做较大调整。上述改造建议是起点，具体参数还需要通过回测来验证。
老王补充：
适用性提醒：当所交易的品种处于横盘整理或无明显趋势的状态时，海龟策略会产生大量假突破信号，导致频繁止损和交易成本激增。在进入趋势策略之前，可以先观察品种近期是否走出明确趋势特征——例如周线级别的持续新高或新低。
三、因子拆解与原理
3.1 唐奇安通道（Donchian Channel）——趋势判断因子
唐奇安通道是捕捉趋势信号的“眼睛”。它由两条线构成：
- 上轨 = 过去N个交易日的最高价
- 下轨 = 过去N个交易日的最低价
- （部分交易软件会额外显示一条中轨作为上下轨均值，但原版海龟策略只使用上下轨）
当价格突破过去N日的最高点时，认为上升趋势形成，产生做多信号；当价格跌破过去N日的最低点时，认为下降趋势形成，产生做空信号。
唐奇安通道 vs 双均线：两者都是趋势跟踪工具，但逻辑不同。双均线看的是两条均线的相对位置（谁在上谁在下），信号滞后但平滑；唐奇安通道看的是价格是否超越了历史上的最高/最低点（价格本身突破前高/前低），信号更及时但更容易被假突破欺骗。海龟选择唐奇安通道，是因为它直接捕捉价格的新高/新低，这是趋势启动最原始的信号。
原版海龟策略设计了两个系统并行运行，海龟们可以自行决定如何在两者之间分配资金（常见做法包括全部投入系统二、各50%分配等）。本书示例采用各50%的经典配置。
| 系统 | 入场通道 | 离场通道 | 特点 |
|---|---|---|---|
| 系统一（短周期） | 20日高点/低点突破 | 10日低点/高点突破 | 灵敏，震荡中更易触发，但趋势中更早入场 |
| 系统二（长周期） | 55日高点/低点突破 | 20日低点/高点突破 | 稳健，过滤噪音，捕捉更持久的趋势 |
⚠️ 原版系统一的“盈利过滤器”：
原版海龟规则中，系统一并非每次20日突破都会入场。如果上一次系统一的交易是盈利离场的，则本次突破信号被忽略，等待下一次突破。只有在上一次交易是亏损的情况下，才会接受新的系统一信号。
这个过滤器的目的是避免在震荡市中反复被假突破收割——上一次交易亏了，说明市场可能正在形成趋势，值得再试一次；上一次交易赚了，说明刚刚已经抓到了一波趋势，短期内再次出现有效趋势的概率较低。
为什么设计两个系统：两个系统同时运行，相当于用两种尺度的趋势视角看同一个市场。短期系统入场更灵敏，在趋势早期就能抓住信号，但震荡市中假突破信号更多；长期系统入场更稳健，过滤掉大量短期噪音，但入场时机更晚。短线信号震荡被止损后，长线信号可能正好捕捉到真正的单边大行情。
3.2 ATR（Average True Range）——风险管理因子
ATR（平均真实波幅）由威尔德（J. Welles Wilder Jr.）在1978年的著作《New Concepts in Technical Trading Systems》中首次提出。原版海龟系统使用的N值实际上是指ATR的20日指数移动平均（EMA）。
海龟策略用ATR做三件事：
- 计算每单位头寸的大小：Unit = 账户2%风险 / (ATR × 合约乘数)
- 设定止损幅度：2倍ATR动态追踪止损
- 决定加仓时机：每0.5倍ATR加仓一次
3.3 因子的优缺点与互补设计
优点：
- 全流程量化：从资金分配到加减仓再到退出，没有主观臆测空间
- 逆波动仓位调节：品种波动越大仓位越小，变相实现风险平价
- 双重系统并行：长短周期互补，既能捕捉短期爆发又能拿住长线大行情
- 可迁移性强：已在多个市场中经过反复验证
缺点：
- 对震荡市场极不友好，连续止损导致账户磨损严重
- 需要较大资金规模才能实现多品种分散和金字塔加仓
- 趋势信号出现后，入场点位可能已远离趋势起点，持仓体验不佳
互补设计：
两个系统资金独立运行，短线系统提供早期入场信号和灵活的退出机制，长线系统过滤市场噪音捕捉更持久的核心趋势。当短线信号被止损出局时，若长线信号仍在持仓状态，这笔交易可能变成了一个“时间跨度错配但方向相同”的多重仓位——一半短线止盈离场锁定部分利润，另一半长线继续持有享受剩余趋势。
此外，海龟的头寸规模与波动率负相关，实现了“波动小放大杠杆、波动大缩小杠杆”的自适应调节。
老陈点评：
从统计角度看，系统一和系统二的组合效果优于单独使用任何一个系统。两者的相关性大约在0.6-0.7之间——不是完全重叠，但也不是完全独立。组合后，夏普比率通常能提升0.2-0.3。这就是多时间框架策略的价值所在。
四、仓位、买卖点与风险管理
4.1 仓位管理公式（海龟策略的灵魂）
海龟的仓位计算是整套系统的核心。先将账户总资金的2% 定义为“最大风险承受值”，然后用ATR来计算每个“Unit”（最小交易单位）包含多少合约：
Unit = (账户总资金 × 2%) ÷ (ATR × 每手合约乘数)注意：如果交易的是股指期货或加密货币永续合约，“合约乘数”可能为1，公式相应简化。
当价格每往有利方向移动0.5倍ATR，就增加一个Unit仓位，最多加仓4次，使整体仓位风险累积至账户的8%。当标的价格往不利方向运动达到2倍ATR，全头寸止损出场。
举例说明：假设总资金100万元，期货品种一手合约乘数10，当前ATR=500。
- Unit = 100万 × 2% ÷ (500 × 10) = 20000 ÷ 5000 = 4手
- 随着价格不断上涨，每0.5个ATR依次在第0.5ATR、1.0ATR、1.5ATR、2.0ATR位置各加仓4手
- 任意一次加仓后若价格回撤2倍ATR，该部分仓位立即止损平仓
风险累积示意图（做多场景） ：
| 加仓次数 | 触发价格 | 新增头寸 | 累计头寸 | 累计风险（占账户） |
|---|---|---|---|---|
| 第1次（初始） | 突破价 | 1 Unit | 1 Unit | 2% |
| 第2次 | 初始价 + 0.5 ATR | 1 Unit | 2 Units | 4% |
| 第3次 | 初始价 + 1.0 ATR | 1 Unit | 3 Units | 6% |
| 第4次 | 初始价 + 1.5 ATR | 1 Unit | 4 Units | 8% |
| 第5次（上限） | 初始价 + 2.0 ATR | 不加 | 4 Units | 8% |
每加一次仓，账户的风险暴露增加2%。4次加满后，总风险为8%——这意味着如果市场突然反转2倍ATR，账户总亏损为8%。
做空场景说明：做空时逻辑对称。若在100元做空，Unit计算方式相同；加仓方向为价格每下跌0.5ATR加仓一次；止损为价格从最低点反弹2倍ATR。
4.2 入场与加仓判别
| 操作 | 触发条件 | 逻辑解释 |
|---|---|---|
| 首次入场（做多） | 价格向上突破20日（系统一）或55日（系统二）最高价 | 唐奇安通道上轨突破信号，视为上升趋势启动 |
| 首次入场（做空） | 价格向下突破20日或55日最低价 | 唐奇安通道下轨跌破信号，视为下降趋势启动 |
| 金字塔加仓（做多） | 已有头寸，价格每上涨0.5倍ATR | 按移动阶梯分批加码，让初始风险逐步扩大为趋势头寸 |
| 金字塔加仓（做空） | 已有头寸，价格每下跌0.5倍ATR | 方式同上，方向对称 |
海龟的加仓策略，就像下围棋时的“拆二”和“连片”——你不是在同一个位置把所有棋子一次性堆上去，而是随着局势（趋势）的展开，逐步投入兵力。每0.5倍ATR加一次仓，就像每占领一个关键点位就增派一个连队。但围棋有“气”的概念（棋子周围的空位），海龟也有“止损线”作为每一笔加仓的“气”——一旦气被堵死（价格回撤2倍ATR），这支部队就要撤退。
关键细节：加仓只在现有头寸已经产生一定浮盈的时候进行，相当于用已获利润的一部分作为追加仓位的“保险金”。
4.3 止损与止盈（离场）设计
| 类型 | 设定方式 | 触发条件 |
|---|---|---|
| 硬止损（做多） | 2倍ATR追踪止损 | 当前价格从最高点回撤达到2倍ATR时平仓离场 |
| 硬止损（做空） | 2倍ATR追踪止损 | 当前价格从最低点反弹达到2倍ATR时平仓离场 |
| 通道离场（系统一） | 10日唐奇安通道反向突破 | 多头时价格跌破10日最低点平仓；空头时价格突破10日最高点平仓 |
| 通道离场（系统二） | 20日唐奇安通道反向突破 | 多头时价格跌破20日最低点平仓；空头时价格突破20日最高点平仓 |
双重退出机制的逻辑：2倍ATR止损负责在价格反转时保护本金；通道退出负责在趋势阶段性衰竭时兑现利润。两种退出信号谁先触发就以谁为准。
老王补充：
这里有一个新手最容易犯的错误：海龟的止损是追踪止损，不是固定止损。也就是说，随着价格上涨，止损线不断上移。很多人把海龟止损理解成“买入后固定亏2%就跑”，这完全错了。追踪止损的好处是保护利润，坏处是在剧烈回调中可能被震出局。
4.4 止损的内在互补关系
2倍ATR动态止损是一种“自适应止损”，它在波动率扩大的时候自动调宽止损线，防止高波动市场中被瞬间打穿；波动率缩小的时候止损线收窄，及时锁定利润。
而通道反向突破则是一种“趋势破坏”信号——当价格从高点回落到近10日低点时，可视为短期上攻动能不足，先退出部分仓位。两者组合形成一个牢固的“回撤防火墙”。
老陈点评：
注意：海龟的止损不是“每笔交易亏2%”。它真正的设计是每单位头寸的最大风险为账户的2%。如果你有4个单位（满仓），总风险是8%。这个设计保证了即使连续止损5次，账户总亏损也不会超过40%（在理论极端情况下）。这在趋势跟踪策略的历史回测中被称为“最大连续亏损控制”。
五、策略的来历、设计者与趣闻
1983年，美国传奇商品期货交易员理查德·丹尼斯（Richard Dennis） 和他的老友威廉·埃克哈特（William Eckhart） 在某个海龟养殖场里展开了一场著名辩论：伟大的交易者是天生的，还是后天可以培养的？ 丹尼斯相信交易可以传授，埃克哈特坚持基因和天性起决定性作用。
这场辩论以一场真金白银的实验收场——丹尼斯提议招募并培训一批学员，给他们真实的账户，用数据判断谁对谁错。他们在《华尔街日报》和《纽约时报》等媒体上刊登大幅广告招聘。“在一个短暂的培训会后，新手将被提供一个账户进行交易。”
超过1000人申请，丹尼斯亲自会见了其中的80人，最初选出10人，后来增加到13人（新增的3人丹尼斯此前已认识）。他们来自各行各业，许多人在此之前几乎没有交易经验，甚至有人此前从未接触过金融交易。其中一位学员名叫Curtis Faith——当时年仅19岁，是所有海龟中最年轻的一位。他后来撰写了《海龟交易法则》一书（中文版2013年首版，2021年推出第4版），让这套系统走向全世界。
这13名学员——后来被称为“海龟们”——经过两周的系统培训后，每人被给予50万至200万美元不等的资金账户开始实战交易。在随后的四年中，他们的年均复利收益高达80%（不同文献对具体年限和收益率略有差异，此处采用Curtis Faith书中的主流说法），积累了超过一亿美元的盈利。比尔·埃克哈特承认自己输掉了赌局，丹尼斯赢得了这场历史性对赌的胜利。
然而，海龟计划的结局并非童话。1987年“黑色星期一”股灾后，丹尼斯因重仓卖空债券，而股灾后利率骤降导致债券暴涨，遭遇巨额亏损。他的基金在1988年被迫关闭。这一事件也标志着海龟计划作为统一组织的终结。海龟学员也开始陆续单飞。其中一些人在后续的职业交易生涯中走得极为成功，比如Jerry Parker于1988年创立了Chesapeake Capital，至今仍在运营，是海龟学员中商业上最成功的一位。另一些则销声匿迹。
趣闻：据Curtis Faith在书中回忆，丹尼斯对纪律的要求近乎苛刻。有一次，一位海龟学员在信号出现时没有及时入场，犹豫了几分钟后才下单。丹尼斯发现后当场质问：“规则上写的是什么？价格突破就入场。你犹豫的这几分钟，可能就是你职业生涯中最昂贵的几分钟。”
埃克哈特输掉了赌局，但他后来在接受采访时说了一句意味深长的话：“我输掉了赌局，但我仍然认为大多数人无法成为优秀的交易员——不是因为他们学不会规则，而是因为他们守不住纪律。”这句话，后来被无数量化交易员贴在显示器上。
海龟策略的现代演变：今天，很多量化基金仍在沿用海龟的核心思想——用ATR做风险平价、用通道突破捕捉趋势。但具体的参数已经发生了变化：有人用30日/90日替代20日/55日，有人用指数移动平均替代简单最高/最低价通道，还有人加入了机器学习来动态调整ATR倍数。但无论如何变化，海龟的“风险管理优先于信号”这一核心理念，始终没有变。
也有人将海龟后期的集体回撤归因于策略过于公开——当市场上太多资金都使用同一套逻辑之后，原来的盈利窗口自然逐步缩窄。这也许是量化策略的一种宿命：一个有效的策略被越多人知道，它的有效性就越弱。
老陈点评：
海龟实验的最大价值不在于它赚了多少钱，而在于它用真金白银证明了交易可以系统化、可以传授。在海龟之前，交易被视为一种“艺术”或“天赋”。海龟之后，交易开始被视为一门“科学”或“工程”。这是量化交易史上的分水岭。
老王补充：
我读《海龟交易法则》的时候，最大的感触不是它的策略有多精妙，而是它的纪律性有多强。海龟们被要求完全机械执行，不允许任何主观判断。这种纪律，比任何指标都难学。
六、Python回测示例
以下使用pandas、numpy和yfinance构建经典海龟策略的核心回测框架。为避免系统性风险导致的回测偏差，建议采用多品种组合回测并谨慎处理实盘滑点与手续费。
import pandas as pd
import numpy as np
import yfinance as yf
from datetime import datetime, timedelta
# 若yfinance无法获取数据，可使用akshare：import akshare as ak; df = ak.stock_zh_index_daily(symbol="sh000300")
def turtle_trading_strategy(data,
entry_lookback=20,
exit_lookback=10,
atr_period=20,
risk_per_trade=0.02,
contract_multiplier=100,
total_capital=1000000,
use_system_two=False):
"""
海龟策略（系统一/系统二可选）
参数：
data: 必须包含 'High', 'Low', 'Close' 三列，索引为日期
entry_lookback: 入场唐奇安通道周期（系统一默认20，系统二默认55）
exit_lookback: 离场唐奇安通道周期（系统一默认10，系统二默认20）
atr_period: ATR计算周期（默认20）
risk_per_trade: 单笔最大风险占账户比例（默认2%）
contract_multiplier: 每手合约乘数（默认100）
total_capital: 总资金（默认100万元）
use_system_two: 是否使用系统二（默认False，使用系统一）
返回：添加了持仓和净值的DataFrame
"""
df = data.copy()
# 若使用系统二，覆盖入场/离场参数
if use_system_two:
entry_lookback = 55
exit_lookback = 20
# --- Step 1: 计算唐奇安通道（入场用）---
df['Donchian_High'] = df['High'].rolling(entry_lookback).max()
df['Donchian_Low'] = df['Low'].rolling(entry_lookback).min()
# --- Step 2: 计算ATR（用于仓位和止损）---
df['H-L'] = df['High'] - df['Low']
df['H-PC'] = (df['High'] - df['Close'].shift(1)).abs()
df['L-PC'] = (df['Low'] - df['Close'].shift(1)).abs()
df['TR'] = df[['H-L', 'H-PC', 'L-PC']].max(axis=1)
df['ATR'] = df['TR'].rolling(atr_period).mean()
# --- Step 3: 生成入场信号---
df['Long_Entry'] = (df['Close'] > df['Donchian_High'].shift(1)) & (df['Close'].shift(1) <= df['Donchian_High'].shift(1))
df['Short_Entry'] = (df['Close'] < df['Donchian_Low'].shift(1)) & (df['Close'].shift(1) >= df['Donchian_Low'].shift(1))
# --- Step 4: 计算离场通道---
df['Exit_High'] = df['High'].rolling(exit_lookback).max()
df['Exit_Low'] = df['Low'].rolling(exit_lookback).min()
# --- Step 5: 计算每单位头寸大小---
max_risk = total_capital * risk_per_trade
df['Position_Size'] = max_risk / (df['ATR'] * contract_multiplier)
# 防止ATR为0或极小值时仓位过大（clip上限为总资金的50%除以价格）
df['Position_Size'] = df['Position_Size'].clip(upper=total_capital * 0.5 / df['Close'])
# --- Step 6: 追踪止损线（多头2倍ATR）---
df['Trailing_Stop'] = df['Close'].cummax() - 2 * df['ATR']
# --- Step 7: 生成持仓记录---
df['Position'] = 0
current_position = 0
last_add_price = 0.0 # 上一次加仓价格（用于计算下次加仓触发价）
units_held = 0 # 当前持有的单位数
for i in range(1, len(df)):
# 检查离场通道反向突破
if current_position > 0 and df['Close'].iloc[i] < df['Exit_Low'].iloc[i]:
current_position = 0
last_add_price = 0.0
units_held = 0
elif current_position < 0 and df['Close'].iloc[i] > df['Exit_High'].iloc[i]:
current_position = 0
last_add_price = 0.0
units_held = 0
# 检查追踪止损触发
elif current_position > 0 and df['Close'].iloc[i] < df['Trailing_Stop'].iloc[i]:
current_position = 0
last_add_price = 0.0
units_held = 0
# 若无持仓，检查入场信号
elif current_position == 0:
if df['Long_Entry'].iloc[i]:
unit_size = df['Position_Size'].iloc[i]
current_position = unit_size
last_add_price = df['Close'].iloc[i]
units_held = 1
elif df['Short_Entry'].iloc[i]:
unit_size = df['Position_Size'].iloc[i]
current_position = -unit_size
last_add_price = df['Close'].iloc[i]
units_held = 1
# 加仓逻辑（多头方向）- 改进版：使用上次加仓价格 + 0.5 ATR
elif current_position > 0 and units_held < 4:
next_add_price = last_add_price + 0.5 * df['ATR'].iloc[i]
if df['Close'].iloc[i] >= next_add_price:
unit_size = df['Position_Size'].iloc[i]
current_position += unit_size
units_held += 1
last_add_price = next_add_price # 更新上一次加仓价格
# 加仓逻辑（空头方向）- 改进版
elif current_position < 0 and units_held < 4:
next_add_price = last_add_price - 0.5 * df['ATR'].iloc[i]
if df['Close'].iloc[i] <= next_add_price:
unit_size = df['Position_Size'].iloc[i]
current_position -= unit_size
units_held += 1
last_add_price = next_add_price # 更新上一次加仓价格
df.loc[df.index[i], 'Position'] = current_position
# --- Step 8: 收益与净值---
df['Returns'] = df['Position'].shift(1) * (df['Close'] - df['Close'].shift(1)) / df['Close'].shift(1)
df['Net_Value'] = (1 + df['Returns']).cumprod()
# 打印统计指标
total_return = (df['Net_Value'].iloc[-1] - 1) * 100
max_drawdown = ((df['Net_Value'].cummax() - df['Net_Value']) / df['Net_Value'].cummax()).max() * 100
print(f"总收益率：{total_return:.2f}%")
print(f"最大回撤：{max_drawdown:.2f}%")
return df
if __name__ == "__main__":
# 下载数据（以沪深300指数为例）
df_300 = yf.download('000300.SS', start='2020-01-01', end='2025-01-01')
# 调用策略（系统一版本）
result = turtle_trading_strategy(df_300, entry_lookback=20, exit_lookback=10,
atr_period=20, risk_per_trade=0.02,
contract_multiplier=100, total_capital=1000000)
# 输出最后5个交易日的持仓和净值
print(result[['Close', 'Position', 'Net_Value']].tail(5))回测结果简要解读（以实际运行为准）：
- 在2020年3月疫情暴跌后的反弹趋势中，海龟策略在早期捕捉到入场信号，并随着趋势发展完成加仓，捕获了主要涨幅。
- 在2021-2022年的震荡行情中，策略多次被假突破止损，账户出现阶段性回撤。
- 在2023-2024年的结构性行情中，策略表现取决于趋势的持续性和流畅度。
- 建议读者修改系统参数（将
use_system_two设为True）或同时运行两个系统（各50%资金），观察组合效果。
代码说明：
本代码为教学简化版，与原版海龟的差异包括：（1）原版使用限价单在突破价格入场，本代码使用收盘价判断后次日入场；（2）原版系统一有“盈利过滤器”，本代码未实现；（3）原版系统一和系统二各占50%资金，本代码通过use_system_two参数切换；（4）原版对每一笔加仓独立计算止损（每个Unit有自己的入场价和2倍ATR止损线），本代码简化了这一逻辑，仅对整体持仓做追踪止损。建议读者在理解核心思想后自行扩展。
老陈点评：
回测时要注意：海龟策略在样本内的表现往往非常漂亮，但样本外的表现取决于市场环境是否匹配。建议使用滚动回测方法——每3年调整一次参数，观察策略在不同时间段的表现是否稳定。
老王补充：
实盘中最大的问题是执行。海龟要求你连续加仓4次，但每一次加仓都意味着风险在增加。当价格连续上涨时，你会忍不住想“要不要多加点”；当价格回调时，你又想“要不要先跑”。这些念头都是海龟的天敌。 海龟的纪律是：到了就加，不到就等，到了止损就砍。
七、本章小结与思考题
小结
| 项目 | 核心要点 |
|---|---|
| 策略类型 | 趋势跟踪，唐奇安通道突破入场 + 2倍ATR追踪止损 + 10/20日反向通道离场 |
| 适用场景 | 强趋势行情（商品期货大牛市、加密货币单边走势等），震荡市中信号失效 |
| 核心优势 | 完整的资金/仓位/止损/退出闭环框架，全流程完全量化无主观决策空间 |
| 最大风险 | 单边趋势行情中收益极高但震荡期连续止损回撤叠加，对账户心理承受力要求高 |
| 资金门槛 | 中等偏上。需要足够的账户余额来支撑多品种分仓和金字塔加仓操作 |
海龟策略本质上是一次“把完整的交易知识全盘代码化”的实验。它的最大价值不在某根均线穿越或某个ATR数值，而在于告诉后人：把交易的所有环节（入场、加仓、止损、离场、仓位配置）全部转化为可以被执行的客观规则，是完全可以做到的。
老陈总结：
从量化研究的角度看，海龟策略最值得学习的是它的风险管理框架——它把每笔交易的风险固定在账户的2%，然后用ATR来反推仓位。这种“先定风险，再定仓位”的思维方式，是所有交易者都应该掌握的。至于具体的入场信号（20日突破还是30日突破），其实没有那么重要。
老王总结：
海龟策略是我见过的最完整的入门教材——它不止教你买点，还教你卖点、加仓、止损、仓位分配。但它的完整也意味着它有严格的纪律要求。如果你做不到机械执行，再好的策略也是白搭。海龟的规则可以复制，但海龟的纪律不可以复制。 这就是为什么13个海龟学员，后来的业绩天差地别。
💡 思考题
- 你认为海龟策略中哪一条规则（入场/加仓/止损/离场/仓位分配）最难被新手掌握？为什么？
- 在A股市场（T+1、涨跌停机制、只能做多），你认为海龟策略应该如何调整才能适应这些限制？请尝试给出至少两条调整思路。
- 为什么海龟策略要在价格从高点回撤2倍ATR时平仓，而不是用固定百分比止损（如-5%）？哪一种方式更适合A股市场？
- （展望题） 如果现在有另一个丹尼斯式的亿万富翁想复制海龟实验，你预测他会选用什么策略作为新一代海龟的核心框架？为什么？是深度学习模型，还是某种更传统的基于波动率的自适应交易系统？请你结合未来十年AI技术的发展趋势自由畅想。
八、引用/参考出处
- Chesapeake Capital 官网：https://www.chesapeakecapital.com（由海龟学员Jerry Parker创立）
- 百度百科：海龟交易实验：https://baike.baidu.com/item/海龟交易实验
- 知乎专栏：海龟交易策略详解：https://zhuanlan.zhihu.com/p/27987938
图书：
- 柯蒂斯·费思，《海龟交易法则》，中信出版集团，2010（第3版），2021（第4版）。
- 理查德·D·怀科夫等，《海龟交易特训班》，中国人民大学出版社，2024。
- 厄尼斯·陈，《量化交易：如何构建自己的算法交易系统》，人民邮电出版社，2022。
- J. Welles Wilder Jr., New Concepts in Technical Trading Systems, Trend Research, 1978。（ATR的原始出处）
暂无评论内容