作者：Stephan

趋势交易者 | 关注 #ETH 及 #Layer2 生态 | 程序员 | 热爱摇滚乐

Twitter：@StephanCptMax

Mirror： Stephan

如需转载请注明出处，给出原文链接地址，谢谢！

文中所有观点仅代表我的个人偏见，所有内容均不作为投资建议。请为自己的投资负责。

上一篇 定投策略之概念篇 里我们聊了为什么要定投、定投不能解决哪些问题，以及定投的几种分类。这一篇详细讲讲具体的定投策略，重点会展开讲我研发的EDCA量化策略、回测效果，以及使用该策略时需要注意的问题。

平均成本定投法（Dollar Cost Averaging），就是在定投周期内，固定时间间隔、且固定单次买入额。这个定投法只有买入逻辑，没有卖出逻辑。

如下图，无论价格上涨还是下跌，在固定周期每次都买入$100价值的股票：

限时限额加码停利定投法（Enhanced Dollar Cost Averaging），就是在定投周期内，依然以固定时间间隔投入，如果价格下跌则买入，且买入额随着价格跌幅扩大而线性扩大；如果价格上涨则卖出，卖出额随着价格涨幅扩大而线性扩大：

相比DCA，EDCA的几个特点：

1. 市场下跌时买更多，理想情况下可以更好的压低平均成本。但由于我们无法预测下跌周期的长短，所以可能会出现市场只跌到半山腰，仓位就已用尽的情况（同样情况也会出现在卖出时）。这个特性既是EDCA的优点，也是EDCA的风险。所以要配合一定的周期判断、以及仓位管理能力去执行（投资新手不建议用EDCA）。

2. EDCA有卖出策略，使策略得以闭环。而DCA没有卖出逻辑，理论上不能称为一个完整的交易策略。当然，一般成熟的交易者会在DCA的基础上增加自己的卖出策略，而EDCA自带了卖出策略。

市场的涨跌会放大投资者的情绪，而陷入情绪中的主观交易者很难长期盈利。只有用量化策略将交易规则固定下来，无情的执行，才有长期盈利的可能。

基于EDCA的策略思想，我在TradingView上利用pine脚本开发了Linear EDCA策略，并且开源发布，任何人都可以使用（转载请注明出处）：

https://cn.tradingview.com/script/xMtuW4V2/

本策略在TradingView中加载后，可以量化买卖周期、间隔、仓位，给出交易信号。如下图：

基于均线偏离度的买入卖出

策略默认以1100日SMA均线作为参考指标，计算当前收盘价距离均线的偏离度，价格在均线以下，偏离度越大买入仓位越大，价格在均线以上，偏离度越大卖出仓位越大：

买入和卖出采用不同的线性函数控制

币圈和美股，有明显的牛长熊短的特征，所以在熊市中买入的速率应该快一些，而在牛市中卖出的速率应该慢一些。所以，策略以两条单独的线性函数来分别控制买入和卖出速率。

如下图，以1%的仓位作为基准仓位，由于买入的线性函数斜率更陡峭，所以买入的速率会快一些；由于卖出的线性函数斜率更平缓，所以卖出的速率会慢一些：

控制不要过早卖出

由于均线采用的是超长周期的1100日均线，所以如果按照上述方式，在牛市前期还是会积累一定卖出量，导致牛市后期仓位已卖光：

所以为此增加了一个“卖出偏离度”的参数，用来控制牛市前期不要过早卖出，甚至如果有仓位的话，牛市前期的回调阶段可以小幅买入：

最终函数

综上所述，最终的两条线性函数是这样的：

1. 买入函数：y = buySlope * deviation + 1 buySlope控制买入函数斜率，deviation作为均线偏离度代入，求得买入的倍率

2. 卖出函数：y = sellSlope * deviation + sellOffset sellSlope控制卖出函数斜率，deviation作为均线偏离度代入，求得卖出的倍率

1. 默认仓位比率（defInvestRatio）：以此比率作为基准仓位比率，将上述公式计算出的倍率*基准比率 得出本次定投的目标仓位

2. 定买/定卖斜率（buySlope/sellSlope）：两条线性函数的斜率，需要<0，值越小代表斜率越陡。一般设定买入斜率较小，卖出斜率较大

3. 最大买入/卖出倍率（maxBuyRate/maxSellRate）：用来控制最大买卖倍率，尤其是在大涨大跌时，可以避免单次交易仓位过重。 单次最大买入仓位=defInvestRatio*maxBuyRate（建议不要超过0.2） 单次最大卖出仓位=defInvestRatio*maxSellRate（建议不要超过0.15）

4. 均线长度（maPeriod）：均线用来控制买卖区间，对于不同周期的标的可能需要设置不同参数。比如币圈周期和贵金属的周期不同，需要设定不同的均线长度。但在同一个品类内的不同标的建议用一样的均线长度以避免过拟合。

5. 回测时间周期相关参数：

   1. Filter Date Range of Backtest: 回测时是否要打开日期范围限制开关

   2. settle account on end: 如果打开了日期范围限制开关，在结束日之后是否平仓所持有的仓位平仓

   3. startDate/endDate: 如果打开了日期范围限制开关，指定回测开始/结束日期

   4. invest day of week: 每次在周几定投，1代表周一开盘，2代表周二开盘，以此类推

   5. interval days: 每次定投之间的最小间隔天数，由于是按周计算，所以此数字必须是7或7的倍数

周期：2017-12-16 ~ 2022-09-16（一轮牛熊+当前熊市）

资金曲线：如下图，相比买入并持有至今（蓝色线），Linear EDCA的资金曲线更加平滑，由于有卖出逻辑帮助锁定利润，所以回撤极小（最大回撤0.51%），并且中后期开始跑赢买入并持有的收益（可能在下一轮牛市买入持有收益会再度高过本策略收益，但收益率差有缩小的趋势）

周期：2013-11-30 ~ 2022-09-16（两轮牛熊+当前熊市）

更长周期的回测来看，最大回撤依然很小（0.27%），后期大幅跑赢买入并持有的收益：

周期：2017-12-16 ~ 2022-09-16（一轮牛熊+当前熊市）

ETH的资金曲线同样比较平滑，且在中后期开始跑赢买入并持有的收益：

量化参数过拟合，是指的参数调优过于依赖以往固定周期的数据，导致未来策略的实盘表现和过去的回测表现差别较大的问题。也就是我们所说的历史不能预测未来的问题。这个问题我认为源于两种原因：

原因1：未来市场的长周期走势相比历史走势发生了很大变化，导致策略失效（比如4年减半行情失效，或者经济进入长期下行周期）

原因2：历史回测参数过于依赖单一周期，没有考虑到策略在不同周期、不同标的的适应性问题，也就是量化领域的参数平原和参数孤岛问题。具体可以参考：如何优雅地做策略优化

目前本策略的默认参数已经是调优后的结果，尽量规避了原因2，不做过度优化，并且进行过样本内和样本外的比较。但对于原因1目前我还没有想到很好的办法规避，只能是从仓位管理上，尽量不要把资金过于集中的分配给单一策略，做一些跨品类的风险对冲

本策略默认以BTC作为参数优化的对象，在应用其他标的时可能需要手动调整参数。以下给出参数调优的一般步骤：

第一步：回测周期的选择

回测周期应该尽量覆盖多轮牛熊，另外定投间隔的选择也会影响仓位的使用情况。一般来讲牛熊周期约长，定投间隔也要相应拉长。

第二步：均线的选择

在面对一个新的标的时，首先就应该从均线的调优入手。因为均线的作用是划分出买入和卖出的大致区间，所以均线需要能够覆盖到多轮长周期的熊市底部，底部空间不宜过大或过小，否则都有过拟合的可能。

第三步：仓位调优

通过调整默认仓位比率、买卖斜率、最大买卖倍率参数来控制买卖仓位。在调整过程中可以不断查看数据窗口中的当前仓位比率（positionPercent%），目的是在熊市后期仓位能尽量填满，在牛市后期仓位能尽量清空：

这里还是要注意过拟合的问题，不要纠结于单轮牛熊仓位是否利用到最优，而是要尽量能覆盖到多轮牛熊、多个同品类标的的表现情况。做全局调优而不是局部最优。

第四步：回测效果比较

回测效果不仅仅要看收益率表现，还要看回撤情况。最大可能回撤（Max Drawdown）和单笔最大亏损都是我比较关心的指标：

对于多套参数，可以通过比较 年化收益率/最大净值回撤 的比值来确定哪套参数的收益风险比更优。

在实盘使用时，需要注意以下几点：

第一：真实周期

根据计划的定投周期，修改StartDate/EndDate/IntevalDays等周期参数

第二：仓位跟随

在实盘使用此策略时，要注意每次策略给出信号时提示的仓位比例，依据此比例来规划下单计划

第三：平均成本

同时，可以计算实盘的平均成本，和策略计算的平均成本是否相符：

以上，我们详细讲述了：

1. DCA定投法与EDCA定投法的特性及区别

2. Linear EDCA策略原理详解和参数说明

3. 给出Linear EDCA的BTC、ETH回测效果

4. 在应用本策略时需要注意的事项

最后，还是要再强调一下，投资没有圣杯，也没有万能的策略。请做好你自己的风险控制，不要过于依赖单一策略。本策略只作为学习交流使用，不构成投资建议。同时，也欢迎量化领域的小伙伴关注我的 Twitter 跟我交流。

https://cyclegen.cloud/archives/196