股票 / 加密货币 / 外汇:回测与实盘报告(2025)
三条主线:XPEV 美股日线回测(收益 1270 万、年化 38%)、BTC/ETH 合约趋势策略(47500u 测试,年化收益回撤比 6.05 / 7.32)与中交易所价差套利(不加杠杆收益回撤比 376);再加 ETH/SOL 网格 Ubuntu 无 UI 实盘、MT5 的 Python 开发与 FinGPT 新闻情感探索。实盘运行情况见「实盘展示」板块。
两篇连续的回测与实盘报告(2025-05-12 美股篇 + 2025-08-05 数字货币与外汇篇),共六个部分:美股回测、趋势策略回测、价差策略、网格策略与 Ubuntu 实盘、MT5 的 Python 系统开发,以及 FinGPT 新闻情感分析探索。
一、美股回测(2025-05-12)
美股行情比 A 股行情要大很多,但由于美股波动很大,要基于日线才能有较大机会。在小鹏汽车(XPEV.NASDAQ)上测试策略:手续费万 6(交易次数较少,滑点不会太大),只能做多,本金 1000 万。
XPEV.NASDAQ 1000 万本金,日线周期从 2020 年 8 月 27 日开始到 2023 年 11 月 9 日,收益大约是 1270 万,交易次数 15 次;每年收益率 38%,最大回撤率 29%,年化收益/最大回撤 = 1.2,每年平均交易 5 次。
对于单标的日线策略来说,这个测试还可以;之后加入很多其他美股,结果应该会有很大提升。
二、数字货币和外汇:趋势策略(2025-08-05)
数字货币行情波动很大,比较适合抓 beta 收益。由于现在数字货币种类繁多,主要测试流通市值最大的几个标的,如 BTC/USDT、ETH/USDT,以合约为主,因为策略需要加减仓(USDT 是一种与法定货币美元挂钩的虚拟货币,USDC 和 USD 同样)。
壹、测试
按币安或 OK 这些大型交易所来看,合约市价手续费一般是万 5,挂单是万分之 2;另外合约相对现货有溢价时会有万分之 2 的资金费。滑点没有准确的结果,但一般来说有流动性的大型交易所滑点并不会太大,所以设定手续费 + 滑点是万分之 5。
标的以 2 个币对分别来测试,手续费万分之 5,每个币对给 25000 USDT,用同样策略回测,价格跳动为 0.01,用 OKX 交易下载数据来测试:
回测结论:BTC/USD 25000 USDT 本金,1 小时周期,从 2019 年 11 月 19 日开始到 2024 年 12 月 6 日,收益大约是 58580 USDT,交易次数 1519 次;每年收益 11716 USDT,最大回撤 1934 USDT,年化收益/最大回撤 = 6.05,每年平均交易 303.8 次。ETH/USD 同期,收益大约是 86326 USDT,交易次数 2732 次;每年收益 17265 USDT,最大回撤 2357 USDT,年化收益/最大回撤 = 7.32,每年平均交易 546.4 次。两者总体相差并不大,但 ETH/USDT 的收益和收益回撤比更好。实盘运行情况已在「实盘展示」板块呈现,此处不再重复。
三、价差策略
目前市场价差策略其实已经很多,有期现套利和大交易所之间的跨市场套利,但因为太多人做,内卷较严重,导致利润较低——只要滑点相对较大和频率相对较高,就有很大可能不赚钱甚至亏损。所以目前要做的是中心化大交易所和去中心化中交易所的套利。
一、测试
目前选中的是币安交易所和一个老牌去中心化交易所:maker(挂单)都是万分之 2 手续费,taker(吃单)都是万分之 5 手续费。因为计策是以卖二价或者买二价挂单,算上可能出现的滑点,选用万 3 作为测试费用成本。
逻辑为:正价差到负价差会持续持仓,并在正价差到负价差转换时同时平仓,并开出相反的单。以 ETHUSDC 来进行测试,因为 ETHUSDC 价差较大,而且资金容纳量会比 BTCUSDC 相对大一点。
测试结果: 在不加杠杆的情况下,一年的收益回撤比为 376,总收益率为 9.72%,最大回撤率为 0.03%;如果增加杠杆到 100 倍,可以达到年化收益率 972%,回撤率 3%。
二、实盘验证
后面实盘出现断腿的情况,发现是因为币安的 20 USDC 以上限额,导致在分单成交时有可能成交不到;后面解决了这个问题,目前实盘运行正常。之后就会开始逐步增加资金来寻找最大资金容纳量——目前计算的各主流币加起来的容纳资金可能到 100 万 U。
四、网格策略和 Ubuntu 实盘
建立 ETH、SOL 的网格策略,并进行无 UI 实盘,查看运行日志和成交记录来进行管理,CPU 和内存占用大幅降低。
五、MT5 的 Python 系统开发
MT5 是一款外汇软件,用 Python 的话需要调用 MT5 的库进行开发,以下是一些设计和测试:
一、连接 MT5 接口成功:
二、开仓、平仓、查看持仓成功:
三、内存优化、并行计算、断点处理,优化大规模测试的性能处理:
四、建立多参数和多收益结果指标的相关分析体系:
- 生成热力图和性能分布:
- 策略比较:
- 量化交易策略分析仪表板:
六、FinGPT 新闻情感分析
探索宏观新闻情绪预测资金流向模型,第一步先建立新闻情感模型。
因为主要新闻是金融,所以安装 FinGPT,代码调用 HuggingFace 里面的 ProsusAI/finbert 模型(小模型,适合测试)。获得新闻后,将新闻词汇转换为对应的数字 ID 序列,统一长度至模型要求,然后进行多层 transformer 编码(其中最重要的是注意掩码),再进行分类预测,将向量映射到三个类别:labels = [“positive”, “negative”, “neutral”]。
模型对金融情感数据集进行了微调,理解金融术语如「加息」「波动」「紧张」等的情感含义。
输入「美联储加息导致市场大幅波动,投资者情绪紧张」,输出的情感分析结果为:neutral。预测结果符合预期,下一步会建立情感的深度学习模型,并继续完善情感分析模型。
免责声明:本报告仅为策略研究记录与教学交流,不构成任何投资建议。市场有风险,投资需谨慎。