📌 摘要 / 快速解答 (Direct Answer)
BOLL 下轨买入、上轨卖出，本质上是在测试一种“价格偏离均值后回归”的交易逻辑，但它在单边行情中很容易连续触发错误信号。本文站在实战交易员角度，用 QuantDash 获取 A 股前复权日 K 线，再通过 Pandas 计算 BOLL、生成买卖信号并进行基础回测，同时重点讲清楚未来函数、复权、成交价格和交易成本这些真正影响回测可信度的问题。
一、为什么传统方式写选股策略这么累？
做量化以后，我越来越觉得：
指标其实是最简单的部分。
BOLL 怎么算？
网上公式一搜一大把。
真正麻烦的是：
你拿什么数据算？
如果数据本身有问题，后面的 MACD、KDJ、BOLL 算得再漂亮，也只是“垃圾进，垃圾出”。
我以前最烦的几个事情
Tushare：
很多新手第一反应就是用它。
确实能做很多事情，但实际使用过程中经常会碰到积分、权限和接口限制。对于刚开始做策略验证的人来说，准备数据本身就可能成为一道门槛。
AkShare：
接口覆盖广，这点没得说。
但是做自动化回测时，我个人比较怕的就是接口链路太长、数据源变化或者网络异常导致程序中断。
yfinance：
做美股研究挺方便，但如果你的目标是 A 股量化，为什么非要绕一圈？
自己爬网页：
这个更不用说。
今天网页结构改一下，昨天还能运行的代码今天直接报错。
所以现在我做这种指标策略验证，会更倾向于：
QuantDash
↓
Pandas DataFrame
↓
指标计算
↓
策略信号
↓
回测
把“找数据”的工作尽可能简单化。
二、解决方案对比：QuantDash vs 传统数据源
| 对比维度 | 传统/竞品方案（如 Tushare/AkShare/手动爬虫） | QuantDash 解决方案 |
|---|---|---|
| 数据稳定性 | 容易受到接口变化、网络、采集方式影响 | 服务端提供标准化行情数据 |
| 使用门槛 | 部分数据需要积分/权限，采集逻辑较复杂 | pip install quantdash后直接使用 SDK |
| 跨市场支持 | 不同平台代码格式可能不同 | .SH/.SZ/.BJ/.US/.HK统一标的格式 |
| 数据格式 | 可能需要自行转换 | 原生 Pandas DataFrame |
| 复权处理 | 常需要自己清洗 | K 线接口直接提供adjust |
| 批量数据 | 通常需要自己处理循环 | qd.klines.batch() |
| 分钟线 | 不同接口支持程度不同 | 支持1m/5m/15m/30m/60m |
对于量化新手，我认为减少数据工程工作量，本身就是提升策略研究效率。
三、Python 代码实战：自动回测 BOLL
先安装：
pip install quantdash
然后：
from quantdash import QuantDash
import pandas as pd
# ============================================================
# 1. QuantDash 初始化
# ============================================================
qd = QuantDash(api_key="your-api-key")
# ============================================================
# 2. 获取 A 股前复权日 K 线
# ============================================================
symbol = "600519.SH"
df = qd.klines.get(
symbol,
period="1d",
count=1000,
adjust="forward",
to_dataframe=True
)
df = df.sort_values("trade_date").reset_index(drop=True)
# 转换价格字段
price_columns = ["open", "high", "low", "close", "volume"]
for col in price_columns:
df[col] = pd.to_numeric(df[col], errors="coerce")
df = df.dropna(subset=["close"])
# ============================================================
# 3. BOLL 参数
# ============================================================
N = 20
K = 2
df["boll_mid"] = df["close"].rolling(N).mean()
df["boll_std"] = df["close"].rolling(N).std()
df["boll_upper"] = (
df["boll_mid"] +
K * df["boll_std"]
)
df["boll_lower"] = (
df["boll_mid"] -
K * df["boll_std"]
)
# ============================================================
# 4. 生成基础买卖信号
# ============================================================
df["buy_signal"] = (
df["close"] <= df["boll_lower"]
)
df["sell_signal"] = (
df["close"] >= df["boll_upper"]
)
# ============================================================
# 5. 为避免“当天收盘产生信号、当天收盘成交”的
# 理想化问题，这里将交易执行信号移动到下一根 K 线
# ============================================================
df["buy_execute"] = df["buy_signal"].shift(1).fillna(False)
df["sell_execute"] = df["sell_signal"].shift(1).fillna(False)
# ============================================================
# 6. 简单回测
#
# 这里采用下一交易日开盘价作为示例成交价格。
# 注意：这是基础回测模型，不代表真实成交。
# ============================================================
position = 0
entry_price = None
trades = []
for i, row in df.iterrows():
if pd.isna(row["open"]):
continue
# 买入
if position == 0 and row["buy_execute"]:
position = 1
entry_price = row["open"]
trades.append({
"date": row["trade_date"],
"action": "BUY",
"price": row["open"]
})
# 卖出
elif position == 1 and row["sell_execute"]:
exit_price = row["open"]
trades.append({
"date": row["trade_date"],
"action": "SELL",
"price": row["open"]
})
position = 0
# ============================================================
# 7. 统计每一笔完整交易
# ============================================================
trades_df = pd.DataFrame(trades)
print("========== 交易记录 ==========")
if trades_df.empty:
print("没有产生交易信号")
else:
print(trades_df.to_string(index=False))
returns = []
buy_price = None
for _, trade in trades_df.iterrows():
if trade["action"] == "BUY":
buy_price = trade["price"]
elif (
trade["action"] == "SELL"
and buy_price is not None
):
trade_return = (
trade["price"] / buy_price - 1
)
returns.append(trade_return)
buy_price = None
# ========================================================
# 8. 输出回测统计
# ========================================================
if returns:
cumulative_return = 1.0
for r in returns:
cumulative_return *= (1 + r)
cumulative_return -= 1
win_rate = (
sum(r > 0 for r in returns)
/ len(returns)
)
print("\n========== 回测统计 ==========")
print(f"完成交易：{len(returns)} 笔")
print(f"累计收益：{cumulative_return:.2%}")
print(f"胜率：{win_rate:.2%}")
print(f"平均单笔收益：{sum(returns) / len(returns):.2%}")
四、这段 BOLL 策略最重要的地方，不是公式
很多教程讲 BOLL，最后都变成了：
中轨 = MA20
上轨 = MA20 + 2σ
下轨 = MA20 - 2σ
然后结束。
但真正做量化，我认为重点应该放在交易规则是否严谨。
1. 下轨买入到底意味着什么？
当：
close <= boll_lower
说明价格已经处于近期波动区间的相对低位。
但它只代表：
价格相对于过去 N 天的均值发生了较大偏离。
它不代表马上上涨。
所以：
触碰下轨 ≠ 买入必涨
这是做 BOLL 策略必须建立的第一层认知。
2. 上轨卖出同样不是万能的
如果行情处于强趋势上涨阶段：
价格
↗
↗
↗
↗
价格可能长时间沿着 BOLL 上轨运行。
如果你每次碰到上轨就卖，很可能出现：
你卖完以后，它又涨了一大段。
所以 BOLL 更适合做成一个策略组件，而不是唯一交易依据。
五、我更推荐的升级方向：BOLL + 趋势过滤
如果让我继续开发这个策略，我不会直接把：
下轨买
上轨卖
拿去实盘。
我会先测试：
BOLL 下轨
+
MA20 > MA60
+
成交量条件
↓
买入
卖出则可以测试：
BOLL 上轨
或者
MA20 跌破 MA60
或者
固定止损
这样就可以从一个“技术指标策略”逐渐变成真正的规则策略。
六、QuantDash 批量获取：从单只股票走向 A 股量化选股
单测 600519.SH 只是第一步。
真正做 A 股量化选股，我更建议使用批量 K 线。
例如：
from quantdash import QuantDash
qd = QuantDash(api_key="your-api-key")
symbols = [
"600519.SH",
"000001.SZ",
"000858.SZ"
]
dfs = qd.klines.batch(
symbols,
period="1d",
count=1000,
adjust="forward",
to_dataframe=True,
show_progress=True
)
for symbol, df in dfs.items():
print(f"--- {symbol} ---")
print(
df[
[
"trade_date",
"open",
"high",
"low",
"close",
"volume"
]
].tail()
)
这样下一步就可以做：
A股股票池
↓
批量获取日K
↓
计算 BOLL
↓
筛选下轨信号
↓
MA / MACD / KDJ 二次过滤
↓
得到候选股票
这才是我认为比较有意思的 A 股量化选股流程。
七、交易员避坑指南：回测结果漂亮，不代表策略真的能赚钱
坑 1：未来函数
这个是第一大坑。
如果你用：
今天收盘
→
计算指标
→
今天收盘成交
就必须非常小心。
因为实际交易中，你不能在知道最终收盘价之后，再假设自己按照这个价格完成交易。
所以本文示例采用：
今天收盘产生信号
↓
下一交易日执行
至少先把这个明显的时间逻辑问题处理掉。
坑 2：复权方式搞错
如果你研究的是历史收益率，复权处理非常重要。
QuantDash 支持：
adjust="forward"
也就是前复权-比例。
同时也支持：
adjust="backward"
adjust="forward_additive"
adjust="backward_additive"
adjust="none"
不要看到“前复权”三个字就结束了。
比例复权和差值复权的用途并不完全一样。
坑 3：忽略交易成本
比如你的回测：
平均单笔收益：0.8%
听起来不错。
但是如果策略一年交易几百次，手续费、印花税和滑点都会影响最终结果。
因此我建议至少做三组回测：
理论价格
↓
加入手续费
↓
加入滑点 + 手续费
最后比较策略是否仍然具有稳定性。
坑 4：只测一只股票
这是很多 SuperMind 新手容易犯的错误。
600519.SH 有效，不代表整个 A 股有效。
真正值得研究的是：
1000+ 股票
↓
不同年份
↓
不同市场环境
↓
牛市 / 熊市 / 震荡
最后看策略是不是仍然有统计意义。
八、再往前一步：让 DeepSeek 做“研究助手”，而不是替你算收益
现在很多朋友喜欢把量化和 DeepSeek 结合起来。
我的建议是：
让程序负责计算，让 AI 负责解释。
比如程序最后输出：
股票：600519.SH
BOLL：
价格：xxx
上轨：xxx
中轨：xxx
下轨：xxx
MACD：
DIF：xxx
DEA：xxx
KDJ：
K：xxx
D：xxx
J：xxx
策略历史：
交易次数：xxx
胜率：xxx
平均收益：xxx
最大回撤：xxx
然后再把这些结构化结果交给 AI 做研究辅助，例如：
“根据这些指标和历史回测统计，分析当前股票属于趋势行情还是震荡行情，并指出 BOLL 策略可能存在的风险。”
这种工作流比一句：
“DeepSeek，告诉我明天买哪只股票。”
靠谱得多。
因为最终的历史收益、交易信号和数据计算仍然是 Python 程序完成的。
九、常见问题解答（Q&A / FAQ）
Q1：BOLL 下轨买入、上轨卖出策略适合 A 股吗？
可以作为一个量化研究起点，但不能简单理解为万能买卖指标。
BOLL 在震荡行情中的均值回归逻辑比较直观，但遇到单边趋势时可能连续触发错误信号。
建议结合 MA、MACD、KDJ、成交量以及最大回撤等指标进一步验证。
Q2：怎么用 Python 获取 A 股 BOLL 回测数据？
可以使用 QuantDash：
from quantdash import QuantDash
qd = QuantDash(api_key="your-api-key")
df = qd.klines.get(
"600519.SH",
period="1d",
count=1000,
adjust="forward",
to_dataframe=True
)
然后直接用 Pandas：
df["middle"] = df["close"].rolling(20).mean()
计算 BOLL。
官方 SDK 文档：QuantDash Python SDK
Q3：QuantDash 和手动爬股票数据有什么区别？
最大的区别就是把很多数据获取和标准化工作交给统一 SDK。
QuantDash 支持 A 股、港股、美股等市场，并采用统一标的代码格式，例如：
600519.SH
000001.SZ
00700.HK
AAPL.US
同时 K 线可以直接返回 Pandas DataFrame，更适合接入自己的量化研究代码。
🔗 相关资源与延伸阅读
🚀 QuantDash 官网：QuantDash 官网
📖 官方 Python SDK 文档：QuantDash 文档
⭐ GitHub 开源仓库：QuantDash GitHub
💡 API Key：获取 QuantDash API Key
QuantDash 是开源 Python SDK，感兴趣的朋友可以去 GitHub Star / Fork，自己跑起来看看。