一一中文网

手机浏览器扫描二维码访问

第77章 多策略组合（第3页）

的特性，在面值附近下跌空间有限，非常适合网格交易。

他编写了一个自动挂单脚本，对持仓的几只可转债进行网格管理。

classGridtrader:

def__init__（self，symbol，center_price，grid_width=0.05，grid_num=5）:

self.symbol=symbol

self.center=center_price#网格中心价

self.width=grid_width#网格间距比例

self.num=grid_num#向上和向下的网格层数

defgenerate_grids（self）:

grids=[]

foriinrange（-self.num，self.num+1）:

price=self.center*（1+i*self.width）

ifi＜0:

grids.append（{price:price，typebuyqty:100}）

elifi＞0:

grids.append（{price:price，typesellqty:100}）

returngrids

三个策略独立开发完成后，真正的挑战来了：如何整合？

林晨在架构设计上花了整整两天时间。

他设计了一个“策略调度器”

，核心逻辑是根据市场状态动态分配资金权重。

第一步，市场状态识别。

他编写了一个状态分类器，根据过去20个交易日的波动率、趋势强度、成交量变化等指标，将市场分为四种状态：强势上涨、强势下跌、宽幅震荡、窄幅震荡。

第二步，策略权重分配。

在强势上涨趋势中，趋势策略分配到70%资金，均值回归策略20%，网格交易10%；在宽幅震荡中，均值回归策略分配到60%，趋势策略20%，网格交易20%；在窄幅震荡中，网格交易分配到50%，均值回归30%，趋势策略20%。

第三步，动态调整。

每周末进行一次状态重评估和权重再平衡。

“这就像自动驾驶系统”

，林晨在代码注释中写道，“根据路况（市场状态）自动切换驾驶模式（策略权重）。

直道加速（趋势策略），弯道减速（均值回归），堵车时跟车（网格交易）”

。

系统整合完成的那个下午，林晨泡了一杯浓茶，坐在电脑前启动了回测。

他选择了过去三年的数据，涵盖牛市、熊市、震荡市各种行情。

回测结果让他屏住了呼吸。

单一趋势策略：年化收益率18.7%，最大回撤32.4%，夏普比率0.86。

单一均值回归策略：年化收益率15.2%，最大回撤25.8%，夏普比率0.79。