10. 定向交易策略实战 - Hummingbot 速读教程

定向交易策略是量化交易中最直观的玩法——判断市场方向，顺势而为。不同于做市策略在双边挂单中赚取价差，定向策略的核心是"看对方向"，在上涨时做多，下跌时做空。Hummingbot 的 V2 框架为这类策略提供了优雅的实现方式，将信号生成、仓位管理和风险控制解耦成独立组件。

Bollinger Bands 策略实现

Bollinger Bands（布林带）是 John Bollinger 在 1980 年代发明的经典技术指标，由三条线组成：中轨是简单移动平均线（SMA），上下轨则是中轨加减若干倍标准差。这个指标完美融合了趋势和波动率信息——带宽收窄意味着市场进入盘整，带宽扩张则预示行情启动。

在 Hummingbot 中，Bollinger V1 控制器采用了一个巧妙的信号生成逻辑：Bollinger Bands Percent（BBP）。这个指标计算当前价格相对于布林带的位置，公式为 (price - lower_band) / (upper_band - lower_band)。当 BBP 低于阈值时做多，高于阈值时做空，纯粹而简洁。

策略配置实战

创建 Bollinger 策略配置非常简单：

create --script-config v2_bollinger_v1_config

系统会引导我们完成参数设置。这里重点看几个核心参数：

参数	说明	示例值
`bb_length`	计算 SMA 的 K 线根数	100
`bb_std`	标准差倍数	2.0
`bb_long_threshold`	做多阈值，BBP 低于此值开多	0.3
`bb_short_threshold`	做空阈值，BBP 高于此值开空	0.7

bb_long_threshold 和 bb_short_threshold 的设计很讲究。传统布林带策略可能在价格触及下轨时做多、触及上轨时做空，但 BBP 阈值方式给了我们更精细的控制。比如设置 bb_long_threshold=0.3 意味着价格跌破布林带中线偏下位置就考虑做多，而不是非要等到触及下轨，这样能更早捕捉反转机会。

仓位管理的三重屏障

Bollinger 策略继承了 V2 框架的 PositionExecutor，采用"三重屏障"风控体系：

# 配置示例
stop_loss: 0.01          # 1% 止损
take_profit: 0.03        # 3% 止盈
time_limit: 21600        # 6 小时强制平仓
trailing_stop_activation_price_delta: 0.008  # 0.8% 激活追踪止损
trailing_stop_trailing_delta: 0.004          # 0.4% 追踪距离

这套机制同时监控三个退出条件：亏损达到止损线、盈利达到止盈线、持仓时间超过时限。追踪止损在价格向有利方向移动时自动调整，锁定利润。实际运行中，建议根据交易品种的波动特性调整这些参数。高波动品种需要更宽的止损，低波动品种可以设置更紧的止盈。

状态监控与调优

运行 status 命令后，界面会清晰展示当前信号、BBP 值、仓位状态等关键信息。观察一段时间后，可能会发现某些交易对在特定时间段表现更好。这时可以调整 cooldown_time 参数，控制两次开仓之间的最小间隔，避免过度交易。

MACD-BB 组合策略

单一指标总有局限性。MACD-BB 策略将 MACD 的趋势判断能力与布林带的波动率分析结合，形成更稳健的信号系统。MACD 负责回答"趋势方向"，布林带负责确认"入场时机"。

双指标协同逻辑

MACD 由三部分组成：快线（12 周期 EMA 减 26 周期 EMA）、慢线（快线的 9 周期 EMA）和柱状图（快线减慢线）。传统用法是金叉做多、死叉做空，但 MACD-BB 策略采用了更复杂的判断：

做多条件：MACD 柱状图为正（趋势向上）且 BBP 低于做多阈值
做空条件：MACD 柱状图为负（趋势向下）且 BBP 高于做空阈值

这种设计避免了在逆势中盲目入场。即使价格触及布林带下轨，如果 MACD 显示大趋势仍在下跌，策略也不会贸然做多。

参数配置详解

创建配置的命令：

create --script-config v2_macd_bb_v1_config

关键参数分为三组：

MACD 参数

macd_fast: 21    # 快线 EMA 周期
macd_slow: 42    # 慢线 EMA 周期  
macd_signal: 9   # 信号线 EMA 周期

布林带参数

bb_length: 100
bb_std: 2.0
bb_long_threshold: 0.3
bb_short_threshold: 0.7

风控参数

stop_loss: 0.01
take_profit: 0.06  # 止盈放宽到 6%，给趋势留出空间
time_limit: 86400  # 24 小时

MACD 参数中，macd_fast 和 macd_slow 的默认值 21/42 比传统的 12/26 更平滑，减少了假信号。这是为加密货币市场 24/7 不间断交易特性优化的结果，避免了传统股市参数在币市的"水土不服"。

实战中的信号过滤

实际部署时，建议增加信号过滤逻辑。比如只在 MACD 柱状图绝对值大于某个阈值时才入场，确保趋势强度足够。这可以通过修改控制器源码实现：

# 在 macd_bb_v1.py 的 get_signal 方法中
macd_strength = abs(macd_histogram)
if macd_strength < self.min_macd_strength:
    return 0  # 不生成信号

这种微调能让策略在震荡市中更保守，在趋势市中更积极。

Trend Follower 趋势跟踪

趋势跟踪是量化交易的圣杯。Trend Follower 策略使用双均线（SMA）判断大趋势方向，再用布林带确认入场点，逻辑清晰且易于理解。

双均线交叉原理

策略使用两条简单移动平均线：

sma_fast: 20 周期，反映短期趋势
sma_slow: 100 周期，反映长期趋势

当快线在上、慢线在下时，判定为上升趋势，只做多不做空；反之则只做空不做多。这种"顺大势"的设计，让策略在单边行情中能吃到完整波段。

布林带辅助入场

在确定趋势方向后，策略用布林带判断具体入场时机。上升趋势中，当价格回调到布林带中轨附近（BBP 低于阈值）时做多；下降趋势中，当价格反弹到中轨附近时做空。这样既顺势，又避免了追高风险。

配置与参数

create --script-config v2_trend_follower_v1_config

核心参数：

sma_fast: 20
sma_slow: 100
bb_length: 100
bb_std: 2.0
bb_threshold: 0.2  # 比 Bollinger 策略更严格

bb_threshold=0.2 意味着入场位置更靠近布林带下轨（做多时）或上轨（做空时），安全边际更高。配合 cooldown_time: 15 秒，策略在趋势行情中能持续加仓，在反转时快速止损。

趋势过滤的进阶玩法

可以引入 ADX（平均趋向指数）作为趋势强度过滤器。ADX 大于 25 时才允许开仓，避免在震荡市中频繁止损。这需要修改控制器源码，在 get_signal 方法中增加判断：

adx = self.adx_indicator.adx()
if adx < self.min_adx:
    return 0

这种组合让策略在强趋势中全力出击，在弱趋势中保持观望，盈亏比显著提升。

技术指标信号生成

V2 框架的信号生成机制高度模块化。所有定向交易控制器都继承自 DirectionalTradingControllerBase，必须实现 get_signal 方法。这个方法返回三个值：

1: 做多信号
-1: 做空信号
0: 无信号

信号生成的通用模式

典型的信号生成流程如下：

graph TD
    A[获取K线数据] --> B[计算技术指标]
    B --> C[判断趋势方向]
    C --> D[检查入场条件]
    D --> E{是否满足?}
    E -->|是| F[返回信号 1/-1]
    E -->|否| G[返回信号 0]
    F --> H[检查仓位管理]
    G --> H
    H --> I[生成ExecutorAction]

这个流程在 on_tick 方法中每秒钟执行一次。关键在于，信号生成只负责判断方向，不处理具体下单逻辑。下单、止损、止盈都由 PositionExecutor 统一管理，实现了策略逻辑与执行逻辑的解耦。

多时间框架分析

专业交易者常用多时间框架确认信号。比如用 1 小时 K 线判断大趋势，用 5 分钟 K 线找入场点。V2 框架支持同时订阅多个时间框架：

# 在控制器中配置
self.candles = {
    "1h": CandlesFactory.get_candle(connector, trading_pair, interval="1h"),
    "5m": CandlesFactory.get_candle(connector, trading_pair, interval="5m")
}

信号生成时先检查 1 小时趋势，再确认 5 分钟入场条件，胜率会大幅提升。这种多周期共振的思路，是专业量化团队的标配。

自定义指标扩展

如果内置指标不够用，可以轻松添加自定义指标。继承 CandlesBase 类，实现 calculate_indicators 方法：

class MyCustomCandles(CandlesBase):
    def calculate_indicators(self):
        super().calculate_indicators()
        # 添加自定义计算
        self.df['my_indicator'] = self.df['close'].rolling(20).std() / self.df['close'].rolling(20).mean()

然后将这个自定义 Candles 类注入控制器，就能在 get_signal 中使用新指标了。这种扩展性让 V2 框架能适配任何复杂的量化模型。

入场与出场逻辑设计

定向策略的精髓在于入场和出场的艺术。V2 框架通过 PositionExecutor 提供了专业的三重屏障系统，但如何设置参数需要深思熟虑。

入场逻辑的三种模式

1. 突破入场 价格突破关键阻力位时入场，适合动量策略。配置示例：

entry_price_delta: 0.005  # 突破 0.5% 后入场

2. 回调入场 价格回调到支撑区域时入场，适合趋势跟踪。Trend Follower 就是这种模式。

3. 分批入场 不一次性满仓，而是分批次建仓。可以通过修改控制器实现：

# 在 get_executor_actions 中
if signal != 0 and self.current_position_size < self.max_position:
    # 只增加部分仓位
    order_amount = self.order_amount * 0.5

出场逻辑的精细化控制

三重屏障提供了基础风控，但可以根据策略特性增强：

时间退出

# 在 PositionExecutor 配置中
time_limit: 3600  # 1 小时后强制平仓

适合日内交易策略，避免隔夜风险。

波动率退出 当市场波动率突然放大时，即使未达到止盈止损也提前离场。这需要实时监控 ATR 或波动率指数：

# 在控制器中增加检查
current_volatility = self.atr_indicator.atr()
if current_volatility > self.volatility_threshold * 2:
    # 生成平仓动作
    return [StopExecutorAction(...)]

利润保护退出 盈利达到一定幅度后，启动更紧的止损：

trailing_stop_activation_price_delta: 0.02  # 盈利 2% 激活
trailing_stop_trailing_delta: 0.005          # 回撤 0.5% 触发

这种设计让利润奔跑的同时，保护已得收益。

仓位大小的动态调整

固定仓位大小在波动率变化剧烈的市场中不够灵活。可以引入波动率调整：

# 根据 ATR 动态调整订单金额
atr = self.atr_indicator.atr()
volatility_factor = atr / self.baseline_atr
adjusted_amount = self.order_amount_usd / volatility_factor

波动率高时自动减仓，波动率低时加仓，让策略在不同市场环境下保持风险一致性。

策略参数优化方法

参数优化是量化交易的终极挑战。V2 框架提供了回测功能，让我们能在历史数据上验证参数组合。

参数空间搜索

对于 Bollinger 策略，关键参数是 bb_length、bb_std、bb_long_threshold 和 bb_short_threshold。可以采用网格搜索：

# 伪代码示例
for length in [50, 100, 200]:
    for std in [1.5, 2.0, 2.5]:
        for threshold in [0.2, 0.3, 0.4]:
            # 运行回测
            performance = backtest(...)
            # 记录夏普比率、最大回撤等指标

但全网格搜索计算量巨大。更聪明的方法是使用遗传算法或贝叶斯优化，Hummingbot 的 Quants Lab 提供了这些高级工具。

避免过拟合的实战经验

参数优化最容易陷入的陷阱是过拟合——参数在历史数据上表现完美，实盘中却连连亏损。几个实战经验：

1. 样本外测试 将数据分为训练集和测试集。在训练集上优化参数，在测试集上验证效果。如果测试集表现大幅下滑，说明过拟合了。

2. 参数稳定性检验 小幅调整参数，观察策略表现是否稳定。如果 bb_length 从 100 改为 105 就导致收益腰斩，说明策略对参数过于敏感，实盘可靠性存疑。

3. 多品种验证 在 BTC、ETH、SOL 等多个品种上用同一套参数测试。如果只在单一品种上有效，可能是数据挖掘的巧合。

4. 简化参数集 参数越多，过拟合风险越大。Bollinger 策略的 4 个核心参数已经是最小集合。如果还想添加更多过滤条件，务必谨慎。

参数优化的自动化流程

V2 框架支持将优化后的参数直接应用到控制器配置。推荐的工作流是：

# 1. 生成基准配置
create --script-config v2_bollinger_v1_config

# 2. 在 Quants Lab 中运行参数扫描
# 这会生成参数性能热力图

# 3. 选择最优参数组合，更新 YAML 文件
# 直接修改 conf/scripts/your_config.yml

# 4. 实盘前进行模拟交易
start --script v2_bollinger_v1_config.py --conf your_config.yml --paper

--paper 参数启动模拟交易模式，在不承担真实风险的情况下观察策略表现。建议至少观察 1-2 周，确认信号生成、仓位管理都符合预期后再上实盘。

动态参数调整

市场状态会变化，固定参数可能失效。可以实现参数的动态调整：

# 在控制器中
def adjust_parameters(self):
    # 根据近期波动率调整布林带标准差
    recent_volatility = self.calculate_recent_volatility()
    if recent_volatility > self.high_vol_threshold:
        self.bb_std = 2.5  # 波动率高时放宽带宽
    else:
        self.bb_std = 1.8  # 波动率低时收紧

这种自适应机制让策略在不同市场周期中保持活力。但动态参数也增加了复杂度，需要更严格的回测验证。

定向交易策略的魅力在于逻辑清晰、易于理解。从 Bollinger 的单指标入门，到 MACD-BB 的双指标组合，再到 Trend Follower 的趋势过滤，每一步都在增强策略的健壮性。V2 框架的模块化设计让我们能专注于信号生成逻辑，而将繁琐的订单管理、风控执行交给专业的 Executor 处理。

下一章将深入探讨 K 线数据与技术指标的集成，学习如何为策略添加更多维度的市场信息，让交易决策更加精准。技术指标是策略的眼睛，看得越清晰，交易就越有信心。