**
技术指标驱动策略
技术指标是量化交易中最基础的工具，通过数学公式处理历史价格与成交量数据生成交易信号：
- MACD策略：当DIF线由下向上突破DEA线时买入，反之下穿时卖出
```python
def macd_signal(close_prices, fast=12, slow=26, signal=9):
ema_fast = close_prices.ewm(span=fast).mean()
ema_slow = close_prices.ewm(span=slow).mean()
dif = ema_fast - ema_slow
dea = dif.ewm(span=signal).mean()
return np.where(dif > dea, 1, -1)
```
RSI超买超卖：当RSI值低于30触发买入信号，高于70触发卖出信号
布林带突破：价格突破上轨做多，跌破下轨做空
此类策略需设置动态止损位（如ATR的1.5倍），防止单次亏损过大。
均值回归交易系统
利用价格波动回归统计均值的特性构建策略：
- 统计套利模型：计算标的与行业ETF的价差Z值，当|Z|>2时开仓
```
Z = (价差 - 历史均值) / 历史标准差
```
赫斯特指数验证：通过重标极差分析（R/S）计算时间序列记忆性，H值<0.5确认均值回归特性
期权隐含波动率：当VIX指数突破历史波动率通道上轨，做空波动率
此类策略需监控市场结构变化，避免在趋势市场中失效。
配对交易策略
通过统计方法挖掘关联资产的价格偏离机会：
- 协整检验：使用ADF检验验证两只股票价差的平稳性
```python
from statsmodels.tsa.stattools import coint
coint_test = coint(stockA, stockB)
p_value = coint_test[1] # p<0.05确认协整关系
```
动态对冲比率：通过滚动回归计算实时对冲比例
多品种矩阵：构建相关系数矩阵筛选最佳配对组合
实施时需设置价差通道阈值，并监控基本面突变导致的协整关系破裂。
机器学习预测模型
利用算法挖掘市场非线性规律：
特征工程：构造技术指标衍生特征（如MACD二阶导数）、资金流特征（主力净流入占比）
LSTM时序预测：通过门控机制捕捉长期依赖关系
```python
model = Sequential()
model.add(LSTM(64, input_shape=(time_steps, features)))
model.add(Dense(1, activation='sigmoid'))
```
- 集成学习优化：使用XGBoost融合多因子预测结果，通过SHAP值解释特征贡献
需警惕过拟合风险，建议使用Walk-Forward优化确保样本外有效性。
策略实施关键要点
回测校准：采用tick级数据避免幸存者偏差，考虑滑点与手续费（至少0.2%冲击成本）
多周期验证：同时测试1分钟/日线/周线级别的策略稳定性
风险平价配置：根据策略波动率动态分配资金权重
```
资金权重 = 策略年化收益 / (最大回撤^2)
```
- 凯利公式应用：优化单次下注比例
```
f = (bp - q) / b
(b为赔率，p为胜率，q=1-p)
```
量化交易系统需持续监控市场流动性变化，当主力合约买卖深度比跌破0.8时启动防御机制。
**
