簡介針對網(wǎng)格交易中網(wǎng)格固定易導致過早滿倉或空倉的問題這份文檔提出一種基于波動率與趨勢狀態(tài)動態(tài)調(diào)整網(wǎng)格大小的方法。面向有一定Python基礎、希望完善量化策略的股票分析愛好者也適合正在學習量化投資技術的初學者。內(nèi)容結合標準差與RSV指標給出具體公式和示例先用收盤價、最高價、最低價的標準差衡量波動程度波動劇烈時放大網(wǎng)格、平緩時縮小網(wǎng)格再依據(jù)RSV數(shù)值對買入網(wǎng)格和賣出網(wǎng)格實行差異化設置上升趨勢縮小買入網(wǎng)格、放大賣出網(wǎng)格下降趨勢反之從而優(yōu)化加減倉節(jié)奏。文檔以平安銀行網(wǎng)格交易實例為引逐步展開動態(tài)調(diào)整邏輯并配有作者實戰(zhàn)經(jīng)驗方便讀者直接參照思路編寫Python代碼或融入現(xiàn)有股票分析軟件。包內(nèi)共1個docx文件壓縮包大小165KB目前已有6370人學習瀏覽適合需要優(yōu)化網(wǎng)格交易策略、降低極端行情風險的投資者參閱。1. 網(wǎng)格交易的痛點固定網(wǎng)格為何容易兩頭挨打網(wǎng)格交易這個策略散戶圈子里的討論熱度一直不低。邏輯確實誘人——股票價格始終在波動只要在震蕩區(qū)間里劃好格子跌了買、漲了賣理論上就能在反復波動中不斷收割利潤?？墒菍嶋H跑過網(wǎng)格的人大概都體會過那種難受行情單邊上漲時手中的籌碼在早期就被賣得七七八八剩下的倉位吃不到趨勢利潤行情單邊下跌時網(wǎng)格越跌越買子彈早早打光只能眼睜睜看著浮虧擴大。這份魔燈項目的核心價值就在于針對網(wǎng)格交易中網(wǎng)格大小固定導致過早滿倉或空倉的嚴重缺陷給出了一套可落地的自動調(diào)整方案。方案依據(jù)布林線標準差原理動態(tài)計算基準網(wǎng)格再結合KDJ指標中的RSV值對買入網(wǎng)格和賣出網(wǎng)格做差異化設置讓網(wǎng)格自身隨行情呼吸。對于想用Python做量化分析、想搞懂網(wǎng)格策略自動化細節(jié)的開發(fā)者來說這份資料既有理論推導又提供了完整的開源代碼是可以直接動手復現(xiàn)和二次開發(fā)的項目。2. 自動調(diào)整網(wǎng)格的核心機制標準差與RSV雙因子2.1 標準差掛鉤網(wǎng)格用波動幅度決定格子大小固定網(wǎng)格最大的問題是一格到底。假設股價在11元附近震蕩網(wǎng)格設為0.5元行情平穩(wěn)時一切正常若某段時間股價突然從10元拉到13元固定網(wǎng)格會在上漲過程中按每個0.5元的間隔不斷賣出等漲到12元時手里的貨已經(jīng)出得差不多了。反過來急跌時固定間隔會導致買入頻率過高資金很快耗光。解決的思路是讓網(wǎng)格大小隨波動率變化。魔燈項目采用的方法是用近一段時間內(nèi)收盤價、最高價、最低價的標準差來衡量當前波動程度。標準差大說明行情劇烈網(wǎng)格要放大標準差小說明行情平緩網(wǎng)格要縮小。這與布林線的設計邏輯一脈相承——布林帶寬度正是標準差的函數(shù)帶口收窄時意味著低波動帶口張開時意味著高波動。計算邏輯大致如下import numpy as np def calc_grid_size(close_prices, high_prices, low_prices, period20, base_grid0.5): 根據(jù)標準差動態(tài)調(diào)整基準網(wǎng)格大小 close_prices: 收盤價序列 high_prices: 最高價序列 low_prices: 最低價序列 period: 計算周期默認20 base_grid: 基礎網(wǎng)格大小 recent_close close_prices[-period:] recent_high high_prices[-period:] recent_low low_prices[-period:] # 計算價格區(qū)間內(nèi)的標準差 price_std np.std(recent_close) price_range np.max(recent_high) - np.min(recent_low) vol_ratio price_std / price_range if price_range 0 else 0.1 # 波動率越高網(wǎng)格越大 dynamic_grid base_grid * (1 vol_ratio * 2) return dynamic_grid這段代碼里price_std衡量的是收盤價的離散程度price_range反映當前震蕩區(qū)間寬度兩者比值可以理解為標準化波動率。vol_ratio越大說明價格分布偏離中心越遠此時放大網(wǎng)格倍數(shù)避免過密交易。參數(shù)說明period取20個交易日對應約一個月的波動特征base_grid是用戶根據(jù)標的日常波動設定的初始值比如平安銀行一般用0.5元。波動率的引入解決了格子密度與行情烈度不匹配的問題。但只調(diào)整整體網(wǎng)格還不夠——漲勢中我們應該更愿意買、不太愿意賣跌勢中應該更愿意賣、不太愿意買。這就要靠在第2.2節(jié)中說的差異化網(wǎng)格來實現(xiàn)。2.2 RSV差異化買賣網(wǎng)格順勢時自動做到易買難賣如果說標準差處理的是波動有多劇烈那RSV處理的就是當前處于上漲還是下跌趨勢。RSV全稱Raw Stochastic Value是KDJ指標計算的核心中間變量RSV (收盤價 - 最低價) / (最高價 - 最低價)RSV的取值范圍天然在0到1之間。股價上漲趨勢中收盤價往往貼近最高價RSV接近1下跌趨勢中收盤價貼近最低價RSV接近0。魔燈的策略是把RSV當作持倉調(diào)整的偏置信號——用它來決定買入網(wǎng)格和賣出網(wǎng)格各自的大小而不是一股腦用同一個格子。具體規(guī)則是買入網(wǎng)格和賣出網(wǎng)格之和等于基準網(wǎng)格的兩倍。假設基準網(wǎng)格算出來是0.5元那么買賣網(wǎng)格的總跨度就是1元。如果當前RSV為0.85說明行情偏強此時應傾向于買——買入網(wǎng)格設為1*(1-0.85)0.15元賣出網(wǎng)格設為1*0.850.85元。含義是股價每下跌0.15元就買一筆每上漲0.85元才賣出一筆。下跌時買得密上漲時賣得疏母倉自然會在上行趨勢中逐步累積避免過早清倉。def calc_rsv(close, high, low, period9): 計算RSV值周期與KDJ默認參數(shù)保持一致 latest_close close[-1] period_high max(high[-period:]) period_low min(low[-period:]) if period_high period_low: return 0.5 # 極端平盤取中間值避免除零 rsv (latest_close - period_low) / (period_high - period_low) return rsv def split_grid_by_rsv(base_grid, rsv): 將買賣網(wǎng)格總和按RSV分配到買入和賣出 上漲趨勢(RSV高) - 買入網(wǎng)格小、賣出網(wǎng)格大 total_grid base_grid * 2 buy_grid total_grid * (1 - rsv) sell_grid total_grid * rsv return buy_grid, sell_grid參數(shù)約定period9與KDJ指標默認參數(shù)一致保證RSV值與行情軟件中看到的K值同源。buy_grid小意味著觸發(fā)買入的價位間隔更小跌一點點就買sell_grid大意味著賣出需要更大的漲幅才觸發(fā)。這種不對稱設計讓母倉天然具備越漲越持倉、越跌越謹慎加倉的特征恰好對沖掉固定網(wǎng)格在單邊行情中的致命弱點。從實際交易的角度理解這套機制震蕩行情中RSV在中值附近來回擺動買賣網(wǎng)格大小接近策略退化為普通網(wǎng)格單邊上漲中RSV趨近1買入網(wǎng)格極小、賣出網(wǎng)格極大相當于漲價后很難賣飛籌碼而回調(diào)時快速補倉單邊下跌中RSV趨近0賣出網(wǎng)格極小、買入網(wǎng)格極大反彈時迅速減倉下跌時拉大補倉間隔保護資金。這種設計本質(zhì)上是用一條RSV曲線同時調(diào)節(jié)了倉位變化的速率和方向。3. 魔燈軟件架構與代碼實現(xiàn)解讀3.1 項目模塊劃分數(shù)據(jù)層、策略層與信號層魔燈項目的代碼結構清晰適合作為Python量化分析的學習范例。從公開源碼看項目大致分為三個層級數(shù)據(jù)獲取與預處理層、策略計算層、信號展示與交易提醒層。數(shù)據(jù)層負責拉取日K線數(shù)據(jù)、復權處理策略層實現(xiàn)上文所述的標準差網(wǎng)格計算和RSV買賣網(wǎng)格拆分信號層將計算結果轉(zhuǎn)化為可讀的買賣點提示輸出給用戶參考。目錄結構一般會是這樣的形式MoDeng/ ├── modeng/ │ ├── __init__.py │ ├── data_fetcher.py # 行情數(shù)據(jù)獲取與清洗 │ ├── grid_calculator.py # 網(wǎng)格大小計算核心 │ ├── rsv_indicator.py # RSV/KDJ計算 │ ├── strategy.py # 網(wǎng)格交易策略主邏輯 │ ├── notifier.py # 買賣信號生成與提醒 │ └── config.py # 參數(shù)配置 ├── examples/ │ └── run_backtest.py # 回測示例腳本 ├── tests/ │ └── test_grid.py └── requirements.txtgrid_calculator.py是項目核心模塊負責將行情數(shù)據(jù)轉(zhuǎn)為具體的網(wǎng)格尺寸。strategy.py則負責組合調(diào)用RSV與網(wǎng)格計算模塊輸出交易信號。數(shù)據(jù)獲取部分通常采用免費行情接口國內(nèi)常用方案是新浪財經(jīng)或騰訊財經(jīng)的HTTP接口配合pandas做數(shù)據(jù)清洗。3.2 策略主流程的實現(xiàn)細節(jié)策略模塊是理解魔燈整體邏輯的關鍵入口。它需要按照獲取行情 → 計算波動率 → 確定基準網(wǎng)格 → 計算RSV → 拆分買賣網(wǎng)格 → 判斷是否觸發(fā)交易的順序執(zhí)行。核心代碼框架如下import pandas as pd from .grid_calculator import calc_grid_size from .rsv_indicator import calc_rsv, split_grid_by_rsv class GridStrategy: def __init__(self, base_grid0.5, kdj_period9, vol_period20): self.base_grid base_grid self.kdj_period kdj_period self.vol_period vol_period self.last_price None self.buy_grid base_grid self.sell_grid base_grid def update_with_bar(self, bar): bar: dict包含 close/high/low 字段的單根K線數(shù)據(jù) 每次K線收盤后調(diào)用更新網(wǎng)格狀態(tài) history self.get_history() # 內(nèi)部維護的歷史K線 # 1. 用波動率計算當前基準網(wǎng)格 current_base_grid calc_grid_size( history[close], history[high], history[low], periodself.vol_period, base_gridself.base_grid ) # 2. 計算RSV并拆分買賣網(wǎng)格 rsv calc_rsv(history[close], history[high], history[low], self.kdj_period) self.buy_grid, self.sell_grid split_grid_by_rsv(current_base_grid, rsv) # 3. 與上次信號價格比較判斷是否觸發(fā)買賣 price bar[close] if self.last_price is None: self.last_price price return None signal None if price self.last_price - self.buy_grid: signal buy self.last_price price # 觸發(fā)后重置基準價 elif price self.last_price self.sell_grid: signal sell self.last_price price return signal這段代碼有幾個實現(xiàn)要點值得注意。其一update_with_bar以單根K線為驅(qū)動每次收盤時重新計算網(wǎng)格參數(shù)保證信號與最新行情同步。其二觸發(fā)交易后立即更新last_price為當前成交價避免同一根K線內(nèi)重復觸發(fā)。其三買賣網(wǎng)格拆分后的總和始終等于基準網(wǎng)格的兩倍維持總網(wǎng)格跨度不變防止因RSV偏斜導致整體交易頻率異常。3.3 回測與信號展示的配套設計魔燈的實戰(zhàn)驗證主要通過回測腳本完成。其基本思路是將歷史行情逐根K線喂給GridStrategy模擬交易并統(tǒng)計累計收益、最大回撤、交易次數(shù)等指標?；販y代碼并不復雜但需要仔細處理手續(xù)費和滑點def run_backtest(strategy, bars, initial_cash100000, fee_rate0.0003): 簡易網(wǎng)格回測引擎 bars: DataFrame包含 open/close/high/low/volume cash initial_cash position 0 # 持倉股數(shù) records [] for _, bar in bars.iterrows(): signal strategy.update_with_bar(bar) price bar[close] if signal buy and cash price * 100: # 每次買入固定100股 cost price * 100 * (1 fee_rate) cash - cost position 100 records.append((buy, bar[date], price)) elif signal sell and position 100: # 每次賣出固定100股 revenue price * 100 * (1 - fee_rate) cash revenue position - 100 records.append((sell, bar[date], price)) final_value cash position * bars.iloc[-1][close] return final_value, records該回測邏輯將每次交易固定為100股便于觀察網(wǎng)格策略的逐筆行為。實際使用時可以根據(jù)資金規(guī)模把固定股數(shù)改進為按網(wǎng)格比例動態(tài)計算倉位這在4.2節(jié)二次開發(fā)部分會提到?；販y中關鍵參數(shù)fee_rate設為0.0003即萬分之三手續(xù)費可依據(jù)個人券商費率調(diào)整。4. 運行魔燈從環(huán)境準備到實盤信號輸出4.1 環(huán)境搭建與依賴安裝魔燈項目基于Python 3編寫依賴庫包括pandas、numpy、matplotlib、requests等。建議使用虛擬環(huán)境隔離項目依賴避免與系統(tǒng)Python環(huán)境沖突# 創(chuàng)建并激活虛擬環(huán)境以conda為例 conda create -n modeng python3.8 conda activate modeng # 克隆項目代碼需先安裝git git clone https://github.com/xiaohuilangss/MoDeng.git cd MoDeng # 安裝依賴包 pip install pandas numpy matplotlib requests若在安裝或?qū)胍蕾嚂r遇到版本兼容問題常見原因是pandas API變動。比如舊版代碼中DataFrame.append在新版pandas中已移除遇到這類報錯需要將代碼改為pd.concat。新手建議鎖定pandas 1.x版本運行穩(wěn)定性更高。4.2 獲取行情數(shù)據(jù)并生成交易信號魔燈項目的數(shù)據(jù)獲取模塊封裝了行情接口調(diào)用邏輯。以獲取平安銀行日K線為例調(diào)用方式大致如下from modeng.data_fetcher import fetch_daily_bars # 獲取平安銀行近一年的日K線數(shù)據(jù) # 返回DataFrame包含date/open/close/high/low/volume字段 bars fetch_daily_bars(symbol000001, days365) # 初始化策略基準網(wǎng)格設為0.5元 strategy GridStrategy(base_grid0.5) # 逐根K線推進收集交易信號 signals [] for _, bar in bars.iterrows(): signal strategy.update_with_bar(bar) if signal: signals.append((bar[date], signal, bar[close])) # 打印最近5條信號 for date, action, price in signals[-5:]: print(f{date} {action} {price})運行上述腳本后終端會輸出類似2024-05-10 buy 10.85這樣的信號記錄。參數(shù)說明symbol000001對應平安銀行在深圳交易所的股票代碼不同的股票需要相應修改bars數(shù)據(jù)源如果是前復權數(shù)據(jù)需要注意復權因子對網(wǎng)格絕對價格的影響。4.3 理解輸出結果與參數(shù)調(diào)優(yōu)方向獲得交易信號后要結合行情圖驗證信號是否合理?？梢詫①I賣點和K線疊加繪制直觀查看網(wǎng)格觸發(fā)位置在震蕩區(qū)間中的分布import matplotlib.pyplot as plt plt.figure(figsize(12, 6)) plt.plot(bars[date], bars[close], labelclose price, linewidth1) buy_dates [s[0] for s in signals if s[1] buy] buy_prices [s[2] for s in signals if s[1] buy] sell_dates [s[0] for s in signals if s[1] sell] sell_prices [s[2] for s in signals if s[1] sell] plt.scatter(buy_dates, buy_prices, marker^, colorred, labelbuy signal) plt.scatter(sell_dates, sell_prices, markerv, colorgreen, labelsell signal) plt.legend() plt.title(MoDeng Grid Signals) plt.show()觀察圖形時重點關注兩類情況一是信號是否密集出現(xiàn)在窄幅震蕩區(qū)二是單邊行情段中的信號間隔是否合理。若震蕩區(qū)信號過密說明基準網(wǎng)格偏小應適當增大base_grid若單邊行情中買賣不平衡說明RSV調(diào)節(jié)力度不夠可考慮拉長kdj_period以減少誤判。5. 實盤應用中的避坑指南網(wǎng)格參數(shù)與數(shù)據(jù)細節(jié)5.1 除權除息導致信號失真現(xiàn)象某只股票在分紅除息日之后網(wǎng)格信號突然變得異常密集買入賣出頻繁觸發(fā)。原因除權當日股價會跳空低開如10派2元相當于每股除息0.2元若未對歷史價格做復權處理計算出的網(wǎng)格檔位與除權后的實際價格不匹配。解決拉取數(shù)據(jù)時必須使用前復權價格。前復權會調(diào)整歷史價格使當前價格與網(wǎng)格檔位保持延續(xù)性。復權因子在fetch_daily_bars內(nèi)部由數(shù)據(jù)源自動處理但開發(fā)者二次開發(fā)時若自行拼接多段行情很容易遺漏復權務必檢查數(shù)據(jù)連續(xù)性。5.2 RSV計算時最高最低價取錯周期現(xiàn)象RSV值出現(xiàn)長時間等于1或等于0的極端值買賣網(wǎng)格完全偏斜。原因calc_rsv函數(shù)內(nèi)部默認取最近9個交易日的最高價和最低價。如果傳入的歷史數(shù)據(jù)不足9根K線max(high[-period:])取到的樣本不足計算出的區(qū)間極值范圍過窄RSV失真。解決確保策略初始化前有足夠的預熱K線或者對數(shù)據(jù)長度做斷言保護assert len(close) period, 歷史數(shù)據(jù)不足無法計算RSV更穩(wěn)妥的做法是在策略類內(nèi)部維護一個預填充隊列待數(shù)據(jù)量滿足最小周期要求后再開始輸出信號。我在自己的項目中通常會把kdj_period作為最少K線數(shù)校驗條件。5.3 買賣網(wǎng)格總和與基準網(wǎng)格不一致現(xiàn)象修改base_grid參數(shù)后買賣網(wǎng)格的觸發(fā)頻率出現(xiàn)非預期變化。原因split_grid_by_rsv中的total_grid base_grid * 2邏輯是與calc_grid_size的返回值配合使用的。若開發(fā)者在二次開發(fā)中修改了calc_grid_size的放大倍數(shù)卻沒有同步調(diào)整拆分邏輯中的系數(shù)總跨度就會偏離預期。解決建議將網(wǎng)格系數(shù)收斂為策略類的顯式屬性每次調(diào)整后打印日志確認參數(shù)狀態(tài)logger.info(fbase_grid{grid_calc_result:.3f}, buy_grid{buy_grid:.3f}, sell_grid{sell_grid:.3f})實際跑網(wǎng)格策略時日志輸出是排查問題的最重要手段比事后看圖更高效。5.4 漲停暴跌行情中的成交問題現(xiàn)象模擬信號顯示買入或賣出但實盤用限價單無法成交。原因網(wǎng)格觸發(fā)價位是依據(jù)收盤價計算出的閾值。遇到一字漲停板時賣單排隊無法輪到自己。跌停板時買單也難以成交。解決信號生成后不要用固定閾值作為委托價而是結合次日開盤價做條件判斷。如果網(wǎng)格買價低于當日開盤價說明開盤跳空已超過網(wǎng)格間距可直接以開盤價成交——前提是你認可當前價位仍在合理區(qū)間。魔燈項目作為信號工具本身不處理交易執(zhí)行但在對接自動交易接口時這一點必須考慮。5.5 策略在強趨勢行情中的連續(xù)補倉風險現(xiàn)象RSV值持續(xù)高于0.9時買入網(wǎng)格被壓縮到極小會導致每次小幅回調(diào)都觸發(fā)買入倉位迅速增加。原因RSV在高位不代表不會下跌。一旦趨勢反轉(zhuǎn)此前累積的快速買入倉位會面臨集中回撤。解決為買入網(wǎng)格設置下限保護例如買入網(wǎng)格不得小于基準網(wǎng)格的30%。這樣即使RSV接近1買入間隔也不會過分密集。這類保護邏輯在量化策略中叫風控熔斷屬于必要的工程化兜底。我在改造項目時會在split_grid_by_rsv后加一道clip操作min_buy_grid base_grid * 0.3 buy_grid max(buy_grid, min_buy_grid) sell_grid total_grid - buy_grid # 保證總跨度不變6. 二次開發(fā)思路把你的交易規(guī)則接入魔燈框架以魔燈項目為基礎做二次開發(fā)最自然的切入點是為策略模塊增加一個可插拔的信號過濾層。比如你希望只在日均成交額大于某個閾值時才允許開新倉或者希望在MACD金叉時放大買入網(wǎng)格——這些都適合在GridStrategy.update_with_bar中新增一個過濾器接口。class GridStrategyWithFilter(GridStrategy): def __init__(self, *args, min_amount100000000, **kwargs): super().__init__(*args, **kwargs) self.min_amount min_amount def update_with_bar(self, bar): # 過濾成交額過低的標的避免流動性風險 if bar.get(amount, 0) self.min_amount: return None # 自定義趨勢過濾只在RSV大于0.6時允許買入 signal super().update_with_bar(bar) if signal buy: rsv calc_rsv(self.get_history()[close], self.get_history()[high], self.get_history()[low], 9) if rsv 0.6: return None return signal這段代碼演示了如何在不破壞原有網(wǎng)格計算邏輯的前提下疊加個性化規(guī)則。需要注意的是get_history()方法在原始項目中是內(nèi)部方法二次開發(fā)時應將其改為受保護的_get_history()并在子類中直接調(diào)用避免破壞封裝。另一個值得動手的方向是把固定100股買賣改為等比加倉。假設初始資金10萬元將資金分為20份每份5000元。每次買入金額等于當前可用資金一份的固定比例賣出同理。這樣資金利用率會明顯提升網(wǎng)格的復利效應也更強。參考實現(xiàn)如下def calc_position_size(cash, total_portfolio, grid_level20): 按資金份數(shù)計算本次買賣金額 per_share total_portfolio / grid_level shares_to_buy int(per_share / price / 100) * 100 return min(shares_to_buy, cash // (price * 100) * 100)這套改造邏輯的關鍵在于grid_level的設置——份數(shù)越多單次買賣影響越小容錯率越高但資金閑置也越多。實際調(diào)試中我習慣先用grid_level30做保守測試觀察一段時間持倉曲線后再逐步降低到20甚至15。從項目中學到的另一個開發(fā)習慣是對信號觸發(fā)務必記錄完整上下文。原始代碼只保存了觸發(fā)價格和日期二次開發(fā)時可以擴展為保存觸發(fā)時的buy_grid、sell_grid、RSV、收盤價這樣回測復盤時能精確還原每次交易背后的策略狀態(tài)定位問題會容易得多。從那以后我自己寫的每一個策略模塊都會強制帶一行上下文快照日志魔燈這個項目讓我把量化開發(fā)的嚴謹性真正落地了希望幫到你。本文還有配套的精品資源點擊獲取