大家好，我是橙哥！在现代投资市场中，量化交易凭借其依靠数据和算法来做出理性决策的优势，成为了越来越多投资者的核心工具。今天，我们将结合一个实际的量化交易策略，向你展示如何通过
真实强度指数（TSI）
和
指数移动平均线（EMA）
来构建一个有效的趋势跟踪策略，并通过回测结果来验证其可行性。
惊人的回测结果：策略回报爆炸性增长
在回测过程中，我们采用了从
2020年1月2日到2024年12月31日
的数据进行模拟交易。最初的投资金额为
100,000元
，最终的资金达到了
2,990,064元
，也就是赚取了
2890.06%
的回报！
请在文末获取本文完整源代码和回测结果。
不仅如此，策略的
最大回撤
为
37.53%
，虽然回撤在某些市场条件下较大，但回报的增长明显高于风险，展示了这个策略的强大盈利潜力。接下来，我们将逐步介绍如何通过代码构建这个策略，每一部分代码的功能和背后的逻辑。
一、数据预处理：保证数据质量
在构建量化交易策略时，数据质量至关重要。为了确保后续的分析不受数据错误或缺失的影响，我们需要先对数据进行清洗和处理。具体来说，我们需要确保数据是数值类型，且没有缺失值，日期格式也要符合要求。
这段代码首先将数据框中的
开盘价（Open）
、
最高价（High）
、
最低价（Low）
、
收盘价（Close）
和
成交量（Volume）
转换为数值型数据，确保在后续计算中不会因为数据类型不匹配导致出错。使用
errors='coerce'
选项，无法转换的值会被处理为缺失值（NaN），然后通过
dropna()
删除这些缺失值。最后，我们将数据的索引列转换为日期时间格式，以便后续的时间序列处理。
二、计算 TSI 和 EMA：核心技术指标的计算
在量化交易策略中，技术指标是帮助我们做出买卖决策的关键工具。在这个策略中，我们使用
真实强度指数（TSI）
和
指数移动平均线（EMA）
作为核心指标。TSI 用于衡量市场的动量，EMA 用于识别趋势。
在这段代码中，我们通过自定义的
calculate_tsi()
函数计算了 TSI 指标，
long_period
和
short_period
分别是 TSI 的长期周期和短期周期参数。然后，通过
calculate_ema()
函数计算 EMA 指标，
ema_period
是 EMA 的周期参数。
-
TSI：
当 TSI 为正时，表示市场动量向上，适合买入；当 TSI 为负时，表示市场动量向下，适合卖出。
-
EMA：
EMA 是一个加权的移动平均线，它能
够平滑价格数据，帮助我们判断价格是否处于上涨或下跌趋势。
三、生成买入和卖出信号：策略的核心逻辑
一旦我们计算出 TSI 和 EMA，就可以根据这两个指标来生成买入和卖出信号。具体规则如下：
在这里，我们根据 TSI 和 EMA 的值生成了入场和退出信号。具体而言，当 TSI 为正并且收盘价高于 EMA 时，策略发出买入信号；当 TSI 为负且收盘价低于 EMA 时，策略发出卖出信号。这种基于趋势的信号有助于我们在正确的时间进场并及时退出。
四、回测：验证策略的效果
在我们生成了交易信号后，接下来就是验证策略是否有效的关键步骤——回测。通过回测，我们能够看到这个策略在历史数据中的表现，判断它是否能够在真实市场中盈利。
在这段代码中，我们使用了网格搜索的方法，对
TSI
和
EMA
的多个参数组合进行了测试。
tsi_long_range
、
tsi_short_range
和
ema_range
分别定义了 TSI 长期周期、短期周期和 EMA 周期的不同取值范围。通过遍历这些参数组合，我们可以找到表现最好的参数配置，从而优化策略的回报。
五、回测结果：评估策略表现
回测结果提供了策略在历史数据上的详细表现。最终的回测结果显示，通过采用
10 周期的 TSI 长期周期
、
5 周期的 TSI 短期周期
和
30 周期的 EMA
配置，策略在过去几年中实现了
