leopard-analysis/openspec/changes/archive/2026-01-28-add-macd-strategy/design.md

Context

当前项目使用backtesting库进行量化回测框架，现有策略为SMA双均线交叉策略（strategies/sma_strategy.py）。用户需要新增基于MACD的趋势跟踪策略，适配A股市场特性。

当前状态:

• 回测框架已就绪（backtest.py支持动态加载策略）
• 现有SMA策略作为参考模板
• 策略文件需要遵循固定模式：calculate_indicators()、get_strategy()、Strategy类
• 无风险管理要求，无需实现止损、仓位管理等复杂逻辑

依赖环境:

• Python 3.x
• pandas (已安装)
• backtesting库（已安装）
• ta-lib依赖（已手动安装完成）

Goals / Non-Goals

Goals:

• 创建strategies/macd_strategy.py，实现MACD趋势跟踪策略
• 使用ta-lib库简化MACD和EMA200指标计算
• 实现MACD金叉/死叉 + EMA200趋势过滤的交易信号
• 保持策略文件独立性，无需修改backtest.py
• 支持通过--strategy-file参数加载新策略

Non-Goals:

• 不实现风险管理功能（止损、止盈、仓位管理）
• 不支持多股票组合回测
• 不修改现有SMA策略
• 不实现命令行参数配置（所有参数固定在策略文件中）

Decisions

D1: 指标计算库选择

决策: 使用ta-lib而非原生pandas或pandas-ta

理由:

• ta-lib是技术分析领域的事实标准，性能优异
• C语言实现，计算速度快，适合大量指标计算
• API简洁直观，广泛用于量化交易系统
• 文档完善，社区支持广泛
• 与pandas集成良好（可直接传入Series）

考虑的替代方案:

• 原生pandas: 实现简单但需手写EMA计算，代码冗长
• pandas-ta: API设计现代，但性能不如ta-lib，且安装依赖较多

D2: MACD参数配置

决策: 使用(10, 20, 9)参数组合（平衡型）

理由:

• 快线10比标准12更敏感，适应A股较高波动性
• 慢线20比标准26更快响应，同时保持趋势跟踪稳定性
• 信号线9保持标准，避免信号过于频繁
• 该组合在多数A股市场环境下回测表现稳定
• 10-20的组合在斐波那契数列附近，技术分析流认可度高

参数优化依据:

• A股波动率高：需要相对敏感的快线参数
• T+1交易规则：避免过于激进的参数，减少假信号
• 散户追涨杀跌：结合趋势过滤（EMA200）避免逆势交易
• 平衡策略：兼顾信号及时性和稳定性

D3: 趋势过滤器选择

决策: 使用EMA200作为趋势确认

理由:

• 200日均线被广泛认可为牛熊分界线
• EMA比SMA更平滑，减少假突破
• 与MACD配合：MACD捕捉动量转折，EMA200确认趋势方向
• 机构投资者常用：大资金使用200日线作为战略配置参考
• 在A股市场验证：结合EMA200可显著减少震荡市中的假信号

交易逻辑:

• 买入条件: MACD金叉 AND 价格 > EMA200
• 卖出条件: MACD死叉 OR 价格 < EMA200

D4: 策略行为模式

决策: EMA200双向过滤（跌破EMA200强制卖出）

理由:

• 避免在趋势转向后继续持有
• EMA200跌破通常预示趋势反转，及时止损保护利润
• 比仅入场过滤更严格，但风险控制更好

替代方案（未采用）:

• 仅入场过滤: EMA200仅用于确认买入，卖出仅依赖MACD死叉
  • 优点: 交易次数更多，可能捕捉更多小波段
  • 缺点: 在趋势反转时可能持有过久，回撤较大
• 动态参数: 根据市场波动率动态调整MACD参数
  • 优点: 适应不同市场环境
  • 缺点: 实现复杂，超出当前需求范围

D5: 策略文件结构

决策: 严格遵循现有strategy.py模式

理由:

• 保持代码一致性，便于维护
• 无需修改backtest.py（已验证可动态加载）
• 其他策略可参考相同模式开发

文件模式:

# 必需函数
def calculate_indicators(data):
    """计算所需指标，返回DataFrame"""
    pass

def get_strategy():
    """返回策略类"""
    pass

# 必需类
class MacdTrendStrategy(Strategy):
    """策略类"""

    # 可配置参数（固定）
    fast_period = 10
    slow_period = 20
    signal_period = 9

    def init(self):
        """注册指标到backtesting框架"""
        pass

    def next(self):
        """每个时间步的决策逻辑"""
        pass

D6: 指标计算时机

决策: 在calculate_indicators()中计算所有指标

理由:

• 指标计算与策略逻辑分离，代码清晰
• backtesting框架在加载策略前调用calculate_indicators()
• 数据预处理在策略初始化前完成，提高性能
• 便于回测时查看完整指标数据

替代方案（未采用）:

• 在Strategy.init()中动态计算指标
  • 优点: 数据与策略逻辑更紧密
  • 缺点: 回测时无法提前查看指标，调试困难

Risks / Trade-offs

R1: pandas-ta安装依赖

风险: 用户环境可能未安装pandas-ta

缓解:

• ta-lib已手动安装，无需在依赖管理中重复添加
• 提供清晰的错误提示（如遇ModuleNotFoundError）

R2: 参数固定性

风险: 无法通过命令行调整参数，灵活性降低

缓解:

• 参数基于A股市场研究，具有通用性
• 如需调整，可直接修改策略文件参数值
• 在代码注释中明确参数含义和调整建议

R3: 无风险控制机制

风险: 在强趋势反转时可能出现较大回撤

缓解:

• EMA200趋势过滤已提供一定保护
• 如未来需要风险控制，可在next()方法中添加止损逻辑
• 当前设计满足"不考虑风险管理"的需求

R4: 震荡市假信号

风险: MACD在横盘震荡市中易产生频繁假信号

缓解:

• EMA200趋势过滤可减少震荡市中的交易频率
• 选择相对保守的参数（10-20而非8-17），避免过于敏感
• 研究表明，零轴过滤和趋势过滤可显著降低震荡市损失

R5: 策略滞后性

风险: 基于EMA的指标天然滞后，可能错过趋势初期

缓解:

• 平衡型参数（10-20-9）在及时性和稳定性间取得平衡
• 滞后性是趋势指标的固有特性，无法完全消除
• 如需更及时信号，可考虑更小参数组合（8-17-7）

Migration Plan

无需迁移步骤，新策略文件完全独立，不影响现有功能。

Open Questions

无 - 所有设计决策已明确。