雙均線量化策略實戰指南：基於 iTick 外匯API、股票API報價源的 Python 實現

在量化交易領域，iTick 報價 API憑藉其強大的多市場覆蓋能力，已成為專業交易員的首選數據解決方案。其外匯 API支持全球主要貨幣對（如 EURUSD、GBPUSD）的毫秒級行情推送，包含 Bid/Ask 深度報價和實時波動率數據；股票 API則覆蓋 A 股、港股及美股市場，提供 Level-2 逐筆成交和十檔盤口信息。通過統一的 RESTful 接口，開發者可輕鬆獲取標準化的 OHLCV 數據，實現外匯、股票等多資產策略的無縫適配。憑藉高頻低延遲特性，iTick API 特別適合日內交易策略開發，其歷史數據回溯功能支持長達 15 年的日線級數據下載，為策略回測提供可靠支撐。

一、策略原理

雙均線策略通過長短周期均線的交叉判斷趨勢方向：

金叉信號：短期均線上穿長期均線 → 做多
死叉信號：短期均線下穿長期均線 → 做空
趨勢過濾：結合成交量或波動率指標增強信號有效性

二、數據準備

使用 iTick 報價源獲取多市場數據：

      """
**iTick**：是一家數據代理機構，為金融科技公司和開發者提供可靠的數據源APIs，涵蓋外匯API、股票API、加密貨幣API、指數API等，幫助構建創新的交易和分析工具，目前有免費的套餐可以使用基本可以滿足個人量化開發者需求
https://github.com/itick-org
https://itick.org
"""

pip install itrade  # iTick數據接口

    

數據獲取示例（以 EURUSD 外匯對和貴州茅台股票為例）：

      from itrade import quote

# 獲取外匯歷史數據
eurusd_df = quote.get_kline(
    symbol="EURUSD",
    start_date="2023-01-01",
    interval="15min",
    market="forex"
)

# 獲取股票歷史數據
茅台_df = quote.get_kline(
    symbol="600519.SH",
    start_date="2023-01-01",
    interval="30min",
    market="stock"
)

    

三、策略實現

1. 雙均線計算模塊

      import talib

def calculate_ma(df, short_window=20, long_window=60):
    # 計算簡單移動平均線
    df['MA_SHORT'] = talib.SMA(df['close'], short_window)
    df['MA_LONG'] = talib.SMA(df['close'], long_window)

    # 計算交叉信號
    df['cross_long'] = df['MA_SHORT'] > df['MA_LONG']
    df['cross_short'] = df['MA_SHORT'] < df['MA_LONG']

    # 生成交易信號
    df['signal'] = 0
    df.loc[df['cross_long'] & df['cross_long'].shift(1).eq(False), 'signal'] = 1  # 金叉
    df.loc[df['cross_short'] & df['cross_short'].shift(1).eq(False), 'signal'] = -1  # 死叉

    return df

    

2. 多市場交易邏輯

      def execute_strategy(df, symbol, account_balance=100000):
    # 初始化持倉與資金
    position = 0
    equity = account_balance

    # 遍歷交易信號
    for i in range(1, len(df)):
        current_signal = df['signal'].iloc[i]
        prev_signal = df['signal'].iloc[i-1]

        if current_signal == 1 and prev_signal != 1:
            # 開多倉（外匯使用保證金交易）
            if symbol.startswith("EURUSD"):
                position = 1  # 1標準手
                equity -= df['close'].iloc[i] * 100000  # 假設1標準手保證金
            else:
                # 股票交易（1手=100股）
                shares = int(equity * 0.9 / df['close'].iloc[i]) // 100 * 100
                position = shares
                equity -= shares * df['close'].iloc[i]

        elif current_signal == -1 and prev_signal != -1:
            # 開空倉（股票需支持融券）
            if symbol.startswith("600519"):
                shares = int(equity * 0.9 / df['close'].iloc[i]) // 100 * 100
                position = -shares
                equity += shares * df['close'].iloc[i]  # 融券賣出獲得資金

        # 平倉邏輯（此處簡化處理，實際需考慮手續費）
        if prev_signal != current_signal and position != 0:
            equity += position * df['close'].iloc[i]
            position = 0

    return equity

    

四、策略回測

1. 多品種回測框架

      def backtest_multiple_symbols(symbols):
    results = {}
    for symbol in symbols:
        # 獲取數據並處理
        df = quote.get_kline(symbol, start_date="2023-01-01", interval="30min")
        df = calculate_ma(df)

        # 執行回測
        final_equity = execute_strategy(df, symbol)
        returns = (final_equity - 100000) / 100000 * 100

        results[symbol] = {
            "final_equity": final_equity,
            "returns": returns
        }
    return results

    

2. 回測結果示例

      symbols = ["EURUSD", "600519.SH", "XAUUSD"]
results = backtest_multiple_symbols(symbols)

print("策略回測結果：")
for symbol, res in results.items():
    print(f"{symbol}: 最終權益{res['final_equity']:.2f}元，收益率{res['returns']:.2f}%")

    