道氏理论期货策略：从经典理论到代码实现

ianzeng123

关注

183

关注者

道氏理论期货策略：从经典理论到代码实现

交流分享

创建于 2025-07-16 16:36:13 更新于 2025-07-21 16:06:50

969

开始的想法

最近在看一些经典的技术分析书籍，道氏理论作为技术分析的鼻祖，总是被反复提及。但是说实话，每次看到那些手工画线的图表，我都觉得太主观了。作为一个习惯了用代码解决问题的人，我想试试能不能把道氏理论的核心思想用程序实现出来。

优宽量化包含完整的商品期货量化策略调试环境和完整的数据，就拿来练手。这篇文章记录了我的整个探索过程，包括踩过的坑和一些想法。

为什么选择道氏理论？

在开始编程之前，我想先说说为什么要选择道氏理论作为量化实现的目标。

理论基础的重要性

道氏理论不仅仅是一个交易策略，它是现代技术分析的基石。查尔斯·道（Charles Dow）在19世纪末提出这个理论时，为整个技术分析领域奠定了基础。几乎所有后来的技术分析方法，无论是移动平均线、RSI、MACD，还是各种形态分析，都能从道氏理论中找到影子。

这就像学武功一样，如果你连基本功都没有扎实，再花哨的招式也是花架子。在量化交易中也是如此，如果你对最基础的理论都没有深入理解，那些复杂的机器学习算法和神经网络，很可能就是在拟合历史数据的噪音。

道氏理论的核心价值

道氏理论最大的价值在于它的简洁性和普适性。它不依赖复杂的数学公式，不需要大量的指标组合，就能抓住市场的本质规律。这种简洁性让它在过去一百多年里依然适用，无论是股票、商品期货，还是现在的数字货币市场。

更重要的是，道氏理论强调的是对市场结构的理解，而不是对价格的预测。这种思维方式对于量化交易来说特别有价值，因为它教会我们关注概率，而不是确定性。

道氏理论到底说了什么

道氏理论其实很简单，就是说市场有三种趋势：

主要趋势：大方向，可能持续几个月到几年
次要趋势：对主要趋势的调整，一般几周到几个月
短期趋势：日常波动，几天到几周

核心思想就是：确定主要趋势后，在次要趋势的回调中找机会入场。

听起来很简单，但用代码实现就发现问题了。什么叫"主要趋势"？什么叫"回调"？这些都需要量化定义。

道氏理论的六个基本原则

在开始编程之前，我重新梳理了道氏理论的六个基本原则：

市场价格反映一切：这个原则告诉我们，价格已经包含了所有已知信息
市场有三种趋势：主要趋势、次要趋势、短期趋势
主要趋势分三个阶段：累积阶段、参与阶段、分配阶段
两个指数必须相互确认：原本是指工业指数和铁路指数，现在可以理解为不同市场的相互印证
成交量必须确认趋势：趋势的确立需要成交量的配合
趋势持续直到明确的反转信号出现：这是最重要的原则，告诉我们要顺势而为

探索过程：从理论到代码的漫长旅程

第一次尝试：简单的移动平均线

最开始，我天真地认为道氏理论就是简单的趋势跟踪，于是写了一个基于双移动平均线的策略：


            pine
            
            
ma_short = ta.sma(close, 20)
ma_long = ta.sma(close, 50)
trend = ma_short > ma_long ? 1 : -1

结果可想而知，这个策略在震荡市中被打得体无完肤。我很快意识到，道氏理论绝不是简单的移动平均线穿越。

第二次尝试：寻找波峰波谷

既然道氏理论强调高点和低点的关系，我开始尝试识别波峰波谷。最初我用了一个非常简单的方法：


            pine
            
            
// 错误的方法
is_peak = high > high[1] and high > high[-1]
is_valley = low < low[1] and low < low[-1]

这个方法的问题很快就暴露了：每个小的价格波动都会被识别为波峰波谷，产生大量噪音。我意识到需要更强的过滤条件。

第三次尝试：引入时间窗口

我开始使用固定的时间窗口来寻找局部极值：


            pine
            
            
lookback = 5
is_peak = high == ta.highest(high, lookback * 2 + 1)
is_valley = low == ta.lowest(low, lookback * 2 + 1)

这个方法好了一些，但还是有问题。固定的时间窗口无法适应市场的变化，在快速波动的时候会错过重要的转折点，在缓慢波动的时候又会产生太多信号。

第四次尝试：动态时间窗口

我尝试根据市场的波动性来动态调整时间窗口：


            pine
            
            
volatility = ta.atr(14)
dynamic_lookback = int(volatility / ta.sma(volatility, 50) * 10)

这个想法不错，但实现起来很复杂，而且效果也不稳定。我开始怀疑是不是方向错了。

第五次尝试：回到经典

经过几次失败后，我决定回到Pine Script的经典函数：ta.pivothigh() 和 ta.pivotlow()。这两个函数实际上就是在寻找局部极值，但它们的实现更加稳定。


            pine
            
            
pivotLookback = 10
pivotHighPrice = ta.pivothigh(high, pivotLookback, pivotLookback)
pivotLowPrice = ta.pivotlow(low, pivotLookback, pivotLookback)

这个lookback参数很关键。设置得太小，会找到很多无意义的小波动；设置得太大，又会错过重要的转折点。我试了很多数值，发现10-15之间比较合适。

参数调优的痛苦过程

为了找到最优的lookback参数，我做了大量的回测。在不同的品种上，最优参数差别很大：

螺纹钢：lookback = 8-12
铜：lookback = 10-15
豆粕：lookback = 12-18
原油：lookback = 6-10

我发现，活跃品种需要更短的lookback，不活跃的品种需要更长的lookback。但这又带来了一个新问题：如何让策略自适应不同的品种？

第二步：判断趋势方向

有了关键点，下一步就是判断趋势。我写了个简单的逻辑：


            pine
            
            
var float lastPivotHigh = na, var float prevPivotHigh = na
var float lastPivotLow = na, var float prevPivotLow = na

if not na(pivotHighPrice)
    prevPivotHigh := lastPivotHigh
    lastPivotHigh := pivotHighPrice
if not na(pivotLowPrice)
    prevPivotLow := lastPivotLow
    lastPivotLow := pivotLowPrice

然后判断趋势：


            pine
            
            
var int trendDirection = 0
var int prevTrendDirection = 0
if not na(lastPivotHigh) and not na(prevPivotHigh) and not na(lastPivotLow) and not na(prevPivotLow)
    isUptrend = lastPivotHigh > prevPivotHigh and lastPivotLow > prevPivotLow
    isDowntrend = lastPivotHigh < prevPivotHigh and lastPivotLow < prevPivotLow
    if isUptrend and trendDirection != 1
        prevTrendDirection := trendDirection
        trendDirection := 1
    else if isDowntrend and trendDirection != -1
        prevTrendDirection := trendDirection
        trendDirection := -1

这里有个问题，就是需要至少两个高点和两个低点才能判断趋势，所以策略开始时会有一段空白期。但是加入了对趋势变化的记录，这样可以检测到趋势的反转信号。

第三步：寻找入场点

有了趋势方向，接下来就是找入场点。道氏理论的思路是在主要趋势确立后，等待次要趋势的回调。

我用了一个简单的EMA来识别回调：


            pine
            
            
pullbackEmaLength = 21
pullbackEma = ta.ema(close, pullbackEmaLength)

bool buyPullback = isUptrendConfirmed and ta.crossunder(low, pullbackEma)
bool sellRally = isDowntrendConfirmed and ta.crossover(high, pullbackEma)

这个想法是：在上升趋势中，如果价格回调到EMA附近，就是买入机会。下降趋势中反之。

加入ADX过滤

为了过滤震荡市的假信号，我加入了ADX指标：


            pine
            
            
[diPlus, diMinus, adx] = ta.dmi(14, 14)
bool adxTrendOk = adx > adxThreshold

bool goLong = buyPullback and adxTrendOk
bool goShort = sellRally and adxTrendOk

只有当ADX大于阈值时才考虑入场，这样可以确保市场处于趋势状态。

风险管理：最重要的改进

这次改进的重点就是风险管理。原来的策略在平仓方面确实有些问题，这次做了几个重要改进：

1. 更及时的止损

原来用low <= stopLossPrice和high >= stopLossPrice来判断止损，但这样可能在价格快速变动时错过平仓机会。现在改用收盘价：


            pine
            
            
// 多头止损
if close <= stopLossPrice
    strategy.close("多头", comment="止损")

// 空头止损  
if close >= stopLossPrice
    strategy.close("空头", comment="止损")

2. 趋势反转平仓

这是一个重要的新功能。当趋势发生反转时，即使没有触及止损或止盈，也要主动平仓：


            pine
            
            
// 趋势反转信号
bool trendReversalToDown = enableTrendReversal and prevTrendDirection == 1 and trendDirection == -1
bool trendReversalToUp = enableTrendReversal and prevTrendDirection == -1 and trendDirection == 1

// 趋势反转平仓
if strategy.position_size > 0 and trendReversalToDown
    strategy.close("多头", comment="趋势反转")
if strategy.position_size < 0 and trendReversalToUp
    strategy.close("空头", comment="趋势反转")

3. 移动止损

当第一个止盈目标达到后，将止损移动到盈亏平衡点，锁定利润：


            pine
            
            
// 止盈1触发后移动止损
else if not tp1_hit and close >= takeProfitPrice1
    strategy.close("多头", comment="止盈1", qty_percent=qtyPercentTP1)
    tp1_hit := true
    stopLossPrice := entryPrice  // 移动止损到入场价

4. 分级止盈

保持原来的分级止盈逻辑，但改进了执行顺序：


            pine
            
            
if strategy.position_size > 0
    if close <= stopLossPrice
        strategy.close("多头", comment="止损")
        tp1_hit := false
    else if trendReversalToDown
        strategy.close("多头", comment="趋势反转")
        tp1_hit := false
    else if not tp1_hit and close >= takeProfitPrice1
        strategy.close("多头", comment="止盈1", qty_percent=qtyPercentTP1)
        tp1_hit := true
        stopLossPrice := entryPrice
    else if tp1_hit and close >= takeProfitPrice2
        strategy.close("多头", comment="止盈2")
        tp1_hit := false

可视化改进

为了更好地观察策略的执行情况，加入了止损止盈线的显示：


            pine
            
            
// 显示止损止盈线
plot(strategy.position_size != 0 ? stopLossPrice : na, "止损线", color=color.red, linewidth=2)
plot(strategy.position_size != 0 ? takeProfitPrice1 : na, "止盈1", color=color.green, linewidth=1)
plot(strategy.position_size != 0 ? takeProfitPrice2 : na, "止盈2", color=color.green, linewidth=2)

这样在图表上可以清楚地看到当前持仓的风险控制线，有助于理解策略的执行逻辑。

完整的改进版代码

把所有的改进整合起来，就是这个增强版策略：


            pine
            
            
/*backtest
start: 2024-07-18 09:00:00
end: 2025-07-17 15:00:00
period: 1h
basePeriod: 1h
exchanges: [{"eid":"Futures_CTP","currency":"FUTURES","balance":10000000}]
args: [["ContractType","cu888",360008]]
*/

//@version=5
strategy("道氏理论期货策略-改进版",
         shorttitle="Dow Theory Enhanced",
         overlay=true)

// 参数设置
pivotLookback = input.int(10, "关键点回看周期")
pullbackEmaLength = input.int(21, "回调EMA周期")
riskRewardRatio1 = input.float(1.5, "止盈1倍数")
riskRewardRatio2 = input.float(3.0, "止盈2倍数")
qtyPercentTP1 = input.int(50, "止盈1仓位比例")
adxThreshold = input.float(25, "ADX阈值")
enableTrendReversal = input.bool(true, "启用趋势反转平仓")

// 技术指标
pivotHighPrice = ta.pivothigh(high, pivotLookback, pivotLookback)
pivotLowPrice = ta.pivotlow(low, pivotLookback, pivotLookback)
pullbackEma = ta.ema(close, pullbackEmaLength)
[diPlus, diMinus, adx] = ta.dmi(14, 14)

// 趋势识别
var float lastPivotHigh = na, var float prevPivotHigh = na
var float lastPivotLow = na, var float prevPivotLow = na

if not na(pivotHighPrice)
    prevPivotHigh := lastPivotHigh
    lastPivotHigh := pivotHighPrice
if not na(pivotLowPrice)
    prevPivotLow := lastPivotLow
    lastPivotLow := pivotLowPrice

var int trendDirection = 0
var int prevTrendDirection = 0
if not na(lastPivotHigh) and not na(prevPivotHigh) and not na(lastPivotLow) and not na(prevPivotLow)
    isUptrend = lastPivotHigh > prevPivotHigh and lastPivotLow > prevPivotLow
    isDowntrend = lastPivotHigh < prevPivotHigh and lastPivotLow < prevPivotLow
    if isUptrend and trendDirection != 1
        prevTrendDirection := trendDirection
        trendDirection := 1
    else if isDowntrend and trendDirection != -1
        prevTrendDirection := trendDirection
        trendDirection := -1

// 入场条件
bool isUptrendConfirmed = trendDirection == 1
bool isDowntrendConfirmed = trendDirection == -1
bool buyPullback = isUptrendConfirmed and ta.crossunder(low, pullbackEma)
bool sellRally = isDowntrendConfirmed and ta.crossover(high, pullbackEma)
bool adxTrendOk = adx > adxThreshold
bool goLong = buyPullback and adxTrendOk
bool goShort = sellRally and adxTrendOk

// 趋势反转信号
bool trendReversalToDown = enableTrendReversal and prevTrendDirection == 1 and trendDirection == -1
bool trendReversalToUp = enableTrendReversal and prevTrendDirection == -1 and trendDirection == 1

// 风险管理
var float stopLossPrice = na
var float takeProfitPrice1 = na
var float takeProfitPrice2 = na
var bool tp1_hit = false
var float entryPrice = na

// 开仓
if strategy.position_size == 0
    tp1_hit := false
    
    if goLong
        stopLossPrice := lastPivotLow
        entryPrice := close
        riskSize = close - stopLossPrice
        if riskSize > 0
            takeProfitPrice1 := close + (riskSize * riskRewardRatio1)
            takeProfitPrice2 := close + (riskSize * riskRewardRatio2)
            strategy.entry("多头", strategy.long)
            
    if goShort
        stopLossPrice := lastPivotHigh
        entryPrice := close
        riskSize = stopLossPrice - close
        if riskSize > 0
            takeProfitPrice1 := close - (riskSize * riskRewardRatio1)
            takeProfitPrice2 := close - (riskSize * riskRewardRatio2)
            strategy.entry("空头", strategy.short)

// 改进的平仓逻辑
if strategy.position_size > 0  // 多头持仓
    // 止损 - 使用close价格而不是low，更及时
    if close <= stopLossPrice
        strategy.close("多头", comment="止损")
        tp1_hit := false
    // 趋势反转平仓
    else if trendReversalToDown
        strategy.close("多头", comment="趋势反转")
        tp1_hit := false
    // 止盈1
    else if not tp1_hit and close >= takeProfitPrice1
        strategy.close("多头", comment="止盈1", qty_percent=qtyPercentTP1)
        tp1_hit := true
        // 移动止损到盈亏平衡点
        stopLossPrice := entryPrice
    // 止盈2
    else if tp1_hit and close >= takeProfitPrice2
        strategy.close("多头", comment="止盈2")
        tp1_hit := false

if strategy.position_size < 0  // 空头持仓
    // 止损 - 使用close价格而不是high，更及时
    if close >= stopLossPrice
        strategy.close("空头", comment="止损")
        tp1_hit := false
    // 趋势反转平仓
    else if trendReversalToUp
        strategy.close("空头", comment="趋势反转")
        tp1_hit := false
    // 止盈1
    else if not tp1_hit and close <= takeProfitPrice1
        strategy.close("空头", comment="止盈1", qty_percent=qtyPercentTP1)
        tp1_hit := true
        // 移动止损到盈亏平衡点
        stopLossPrice := entryPrice
    // 止盈2
    else if tp1_hit and close <= takeProfitPrice2
        strategy.close("空头", comment="止盈2")
        tp1_hit := false

// 画图
plot(pullbackEma, "回调EMA", color=color.orange)
plotshape(pivotHighPrice, style=shape.xcross, location=location.absolute, color=color.red, size=size.tiny)
plotshape(pivotLowPrice, style=shape.xcross, location=location.absolute, color=color.blue, size=size.tiny)

// 显示止损止盈线
plot(strategy.position_size != 0 ? stopLossPrice : na, "止损线", color=color.red, linewidth=2)
plot(strategy.position_size != 0 ? takeProfitPrice1 : na, "止盈1", color=color.green, linewidth=1)
plot(strategy.position_size != 0 ? takeProfitPrice2 : na, "止盈2", color=color.green, linewidth=2)

不同品种的表现差异

铜期货：与全球宏观趋势相关性较高，整体回测呈现较大的波动

黄金期货：趋势性较强，自20240807持有多仓一直至今，显示出完整的趋势捕捉能力。
农产品期货：季节性特征明显，需要调整时间周期参数以适应不同的波动特征

参数调优的经验

趋势反转开关：在强趋势市场中可以关闭趋势反转平仓，在震荡市中建议开启
ADX阈值：活跃品种可以设置得低一些（20-25），不活跃品种设置得高一些（25-30）
止盈比例：可以根据品种的波动特征调整，高波动品种可以设置更大的止盈倍数
时间周期：根据品种特征，长趋势品种可以设置较大周期，波段品种选择较短周期

策略局限性与风险提示

虽然这个改进版本在某些品种的回测中表现不错，但必须诚实地指出策略的局限性：

1. 开仓机会稀少的问题

开仓手数较少，较难满足开仓条件：这是道氏理论量化实现的一个重要缺陷。由于策略要求同时满足多个条件（趋势确认、回调到位、ADX过滤等），导致实际开仓机会远比预期的少。在某些时间段内，策略可能几个月都没有一次交易机会。

这对于追求高频交易或稳定现金流的投资者来说是个问题。在资金利用率方面，长期空仓状态显然不够理想。

2. 理论与现实的差距

经典理论适用于实盘，不一定完全准确：道氏理论诞生于一个多世纪前，当时的市场结构、参与者构成、信息传播速度都与现在大不相同。现代市场中的高频交易、程序化交易、各种衍生品工具的存在，都可能让经典理论的适用性打折扣。

特别是在短期时间框架内，市场噪音和随机性往往会掩盖道氏理论所揭示的规律。这就需要我们在应用时保持理性和谨慎。

3. 主观判断的必要性

需要人为的趋势判断：尽管我们努力将道氏理论量化，但在实际应用中，仍然需要大量的人工判断。比如：

什么时候应该调整参数？
在特殊的市场环境下（如疫情期间的异常波动）如何应对？
如何识别策略失效的信号？

这些问题都无法完全通过代码解决，需要交易者具备一定的市场经验和判断能力。对于完全依赖程序化交易的投资者来说，这可能是个挑战。

4. 品种选择的重要性

需要人工挑选时间和品种：正如黄金期货实现了完整的趋势捕捉所示，策略的成功很大程度上依赖于品种的选择和时机的把握。这带来几个问题：

选择偏差：我们很容易被回测中表现好的品种所吸引，但这可能只是数据挖掘的结果
时效性问题：某个品种在特定时期表现优秀，不代表在未来也会如此
组合难题：如何在多个品种间分配资金，如何处理相关性问题

5. 参数优化的挑战

需要实时跟进品种特性设置相关参数：不同品种需要不同的参数设置，这在实际应用中是个重大挑战：

参数漂移：市场特性会随时间变化，昨天的最优参数今天可能就不适用了
过度优化风险：频繁调整参数可能导致过度拟合历史数据
操作复杂性：管理多个品种的不同参数设置，对交易者的技术要求很高

6. 心理层面的挑战

除了技术层面的局限性，还有心理层面的挑战：

耐心考验：长期空仓或浮亏状态对交易者心理的考验
信心动摇：连续止损后对策略有效性的怀疑
纪律执行：在市场异常波动时严格执行策略规则的难度

改进建议

面对这些局限性，我建议：

分散投资：不要把所有资金都投入到单一策略中
持续监控：建立策略监控机制，及时发现问题
保持学习：市场在变化，我们的理解也要不断更新
风险为先：无论策略多么优秀，都要把风险控制放在第一位
适度期望：对策略收益保持合理预期，不要指望一夜暴富

总结

最后的提醒

虽然这个改进版本在回测中表现不错，但记住几点：

回测不等于实盘：真实交易中还有滑点、延迟等因素
参数需要定期检查：市场在变化，参数也要相应调整
风险控制永远第一：无论策略多么优秀，都要严格控制仓位和风险
保持学习心态：量化交易是一个不断学习和改进的过程

量化交易从来不是一个完美的解决方案，它只是我们理解和参与市场的一种工具。道氏理论的量化实现让我们对经典理论有了更深的理解，也让我们意识到理论与实践之间的差距。

真正的价值不在于找到一个完美的策略，而在于通过这个过程培养正确的交易思维：关注概率而非确定性，重视风险而非收益，保持谦逊而非自负。

希望这次的探索经验对大家有所帮助。量化交易的魅力就在于可以不断优化和完善，每一次改进都是对市场理解的深化。