为什么量化交易中少见纯 MACD 0轴上二次金叉策略？（附 JoinQuant 源码）

其实并不是没有人做，而是纯粹依赖“MACD 0轴上二次金叉”作为单一买入信号的量化策略，在实盘和长期回测中往往表现不佳。网上流传的“黄金买点”更多是基于人工看盘时的“幸存者偏差”（人们往往只记住成功的案例，而忽略了失败的案例）。

在量化交易中，这个策略存在以下几个致命的弱点：

1. 为什么纯 MACD 二次金叉策略“不靠谱”？

• 严重的滞后性：MACD 本质上是基于均线（EMA）的衍生指标。当“0轴上二次金叉”形成时，往往意味着价格已经经历了一波上涨（第一次金叉）、一波回调（死叉），然后再次上涨（二次金叉）。此时买入，往往买在阶段性高点，容易成为“接盘侠”。
• 震荡市的“绞肉机”：MACD 是典型的趋势跟踪指标。在明显的单边上涨行情中，它表现极好；但在震荡市中，DIF 和 DEA 会在 0 轴附近频繁交叉（假突破），导致策略频繁买卖，产生大量的滑点和手续费，造成连续亏损（俗称“来回打脸”）。
• 单因子的局限性：现代量化交易早已过了“一个技术指标打天下”的时代。纯量价指标缺乏对公司基本面、宏观环境和市场情绪的考量，胜率通常很难超过 50%。
• “二次”的定义模糊：在量化代码中，如何定义“二次”？两次金叉之间间隔多少天算有效？回调幅度多大算有效？这些参数的微调会导致策略结果天差地别（过拟合风险极高）。

2. 如何在 JoinQuant 中实现该策略？

虽然纯策略不完美，但我们可以将其作为一个基础信号进行测试。以下是在 JoinQuant 平台实现“MACD 0轴上金叉”的基础框架（为了简化，这里以0轴上金叉为例，二次金叉需要引入更复杂的状态记录）：

# 导入聚宽函数库
import jqdata
import talib
import numpy as np

def initialize(context):
    # 设定沪深300作为基准
    set_benchmark('000300.XSHG')
    # 开启动态复权模式(真实价格)
    set_option('use_real_price', True)
    # 股票类每笔交易时的手续费
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # 设定要操作的股票池（例如：平安银行）
    g.security = '000001.XSHE'
    
    # 运行函数
    run_daily(market_open, time='09:30')

def market_open(context):
    security = g.security
    
    # 获取过去 40 天的收盘价数据来计算 MACD
    # MACD 默认参数为 12, 26, 9，需要足够的数据预热
    close_data = attribute_history(security, 60, '1d', ['close'], df=False)
    close_prices = close_data['close']
    
    if len(close_prices) < 60:
        return
        
    # 使用 talib 计算 MACD
    macd, macdsignal, macdhist = talib.MACD(close_prices, fastperiod=12, slowperiod=26, signalperiod=9)
    
    # 获取昨日和前日的 DIF (macd) 和 DEA (macdsignal)
    dif_yesterday = macd[-1]
    dea_yesterday = macdsignal[-1]
    dif_before_yesterday = macd[-2]
    dea_before_yesterday = macdsignal[-2]
    
    # 判断条件：
    # 1. 0轴之上：昨日 DIF > 0 且 DEA > 0
    # 2. 金叉：前日 DIF < DEA，昨日 DIF > DEA
    is_above_zero = (dif_yesterday > 0) and (dea_yesterday > 0)
    is_golden_cross = (dif_before_yesterday < dea_before_yesterday) and (dif_yesterday > dea_yesterday)
    
    # 取得当前的现金
    cash = context.portfolio.available_cash
    current_position = context.portfolio.positions[security].closeable_amount
    
    # 买入逻辑
    if is_above_zero and is_golden_cross and cash > 0:
        order_value(security, cash)
        log.info("MACD 0轴上金叉，买入 %s" % security)
        
    # 卖出逻辑：死叉卖出
    is_dead_cross = (dif_before_yesterday > dea_before_yesterday) and (dif_yesterday < dea_yesterday)
    if is_dead_cross and current_position > 0:
        order_target(security, 0)
        log.info("MACD 死叉，卖出 %s" % security)

3. 策略优化建议

如果你想把这个思路做成一个能赚钱的策略，必须进行多因子叠加和过滤：

1. 叠加基本面过滤：不要在所有股票上找金叉。先用基本面因子（如 ROE > 15%，净利润增长率 > 20%）筛选出一个优质股票池，然后再在这些好股票里找 MACD 买点。
2. 结合大盘环境：只有在沪深300或中证500处于多头趋势（如指数在20日均线之上）时，才允许触发买入信号。震荡市或熊市直接空仓。
3. 引入成交量确认：金叉发生时，必须伴随成交量的显著放大（如当日成交量是过去5日均量的1.5倍以上），以过滤假突破。
4. 严格的止损止盈：技术指标策略必须配以严格的止损（如跌破买入价的 8% 无条件止损）和移动止盈，以控制最大回撤。