10个月均线择时

原理

这是最容易上手、也最常被拿来入门的趋势跟踪方法。思路只有一句：价格站在长期均线上方，说明大方向向上，就拿着；跌到均线下方，说明趋势转坏，就先离场。

为什么这么朴素的规则会有用？背后有两个现象。第一，股市的大级别下跌往往不是一天完成的。2000 年科网泡沫破裂、2008 年金融危机，指数都是先慢慢跌破长期均线，再用一两年时间跌掉一半。均线规则抓不住最高点，但能在下跌走到中段时把你带出场。第二，市场情绪有惯性：坏消息出来后，投资者通常要好几个月才完全消化，价格的调整也就拖得很长，这给了慢速规则反应的时间。

Faber 在 2007 年的论文里把这件事讲得特别清楚：他用一百多年的美股数据测试，发现这个规则的长期收益和一直持有差不多，但波动和最大回撤小得多，因为它躲开了几次最惨的熊市。代价也很明确：在来回震荡的市场里，它会反复"跌破就卖、涨回又买"，每次都小亏一点；遇到 2020 年那种几周内暴跌又暴涨的行情，它往往卖在低位、买回时已经涨回去了。

所以它的本质不是"多赚钱"，而是用偶尔的小亏换掉罕见的大亏。论文发表后它还灵不灵，正是这页回测要回答的问题。

回测结果

交易规则

1. 标的：SPY（追踪标普 500 的 ETF）。空仓时资金放现金，按 13 周美国国债利率计息。
2. 信号日：每个月最后一个交易日收盘后。
3. 计算：取最近 10 个月的月末收盘价（复权），求平均，得到 10 个月均线。
4. 规则：月末收盘价 高于 均线 → 下个月 100% 持有 SPY；低于 均线 → 下个月 100% 持有现金。
5. 一个月只看一次，月中不管涨跌都不操作。
6. 交易成本：每次买卖按单边 0.1%（手续费加滑点）扣除。
7. 业绩基准：一直持有 SPY 不动。

回测结果解读

回测区间 1993-11-01 至 2026-10-16，结论：仍有效（发表后和最近三年的风险调整收益都仍为正）。

• 这 33 年里，策略约 78% 的月份持有 SPY，其余时间拿现金，一共切换了 46 次。
• 全区间最大回撤 -24.5%，基准是 -55.2%，回撤大约只有基准的一半甚至更少。策略最惨的一段是从 2021年12月 到 2023年02月。
• 论文发表前（2007 年及以前）夏普 0.90，发表后 0.71（同期 SPY 0.64）。发表后的风险调整收益好于基准，回撤大约只有基准的一半甚至更少。
• 论文发表后规则没有被"用坏"：它依然在用较小的回撤换来和持有相近的风险调整收益。
• 两次大熊市的表现差别很大：2008 年策略基本持平（+1.4%），SPY 跌了 36.8%；但 2022 年它反复进出，全年 -20.2%，反而比 SPY 的 -18.2% 还差，策略最深的一次回撤也出现在这一段。

最近三年表现

2023-10-17 至 2026-10-16：策略年化 12.9%，SPY 22.0%；夏普 1.08 对 1.38；最大回撤 -10.0% 对 -18.8%。收益不如基准，风险调整后不如基准，回撤大约只有基准的一半甚至更少。

局限与风险

• 震荡市反复打脸：价格在均线附近来回时会频繁进出，每次都小亏，加上成本更明显。
• V 型行情跟不上：急跌急涨（如 2020 年 3 月）时，往往卖在低处、买回时已经涨回。
• 一个月才看一次：月中暴跌不会离场，最大回撤可能比"想象中"深。
• 参数是经验值：10 个月没有特别的理论依据，换成 8 或 12 个月结果会有差异，别过度挑参数。
• 样本只有 ETF 时代：SPY 1993 年上市，比论文的一百年短得多，熊市样本只有几次。
• 税：频繁卖出在很多国家会产生资本利得税，回测没有计入。

历史回测不代表未来收益，仅供学习研究，不构成投资建议。

完整代码

下载代码包（含回测框架）

# -*- coding: utf-8 -*-
"""
01 · 10个月均线择时（Faber 2007）

规则：每月最后一个交易日收盘后，看 SPY 收盘价是否高于过去 10 个月月末收盘价的平均值。
      高于 → 下一阶段 100% 持有 SPY；低于 → 100% 换成现金（按 13 周国债利率计息）。
运行：python strategy.py      （需要能访问 Yahoo Finance）
输出：result.json、README.md、video/（图表和视频脚本）

历史回测不代表未来收益，仅供学习研究，不构成投资建议。
"""
import os
import sys

HERE = os.path.dirname(os.path.abspath(__file__))
sys.path.insert(0, os.path.join(HERE, "..", "_lib"))
sys.path.insert(0, HERE)

import pandas as pd

from data import DataUnavailable, adj_close
from engine import backtest_weights
import report
from runner import finish

META = {
    "id": "01", "slug": "faber-ma", "name": "10个月均线择时", "category": "趋势与动量",
    "paper": {"authors": "Mebane T. Faber", "year": 2007,
              "title": "A Quantitative Approach to Tactical Asset Allocation",
              "journal": "Journal of Wealth Management", "url": "https://ssrn.com/abstract=962461"},
    "data_level": "A", "universe": "SPY（标普500 ETF），空仓时持有现金（13周国债利率）",
    "rebalance": "月度", "benchmark_name": "买入持有 SPY", "cost_bps": 10,
    "data_source": "Yahoo Finance 日线（复权）",
}
PARAMS = {"asset": "SPY", "sma_months": 10, "cash": "13周国债（^IRX）"}
CAVEATS = [
    "SPY 1993 年才上市，论文用的是 1901 年起的标普指数，本回测只覆盖 ETF 时代。",
    "现金部分按 13 周国债利率计息；夏普比率按网站统一口径（无风险利率=0）计算，会略微高估择时策略。",
    "信号用月末收盘价，假设当天收盘成交；实际操作可能有一天的偏差。",
]


def signals(px, months):
    me = report.month_end_dates(px.index)
    m = px.reindex(me)
    sma = m.rolling(months).mean()
    w = (m > sma).astype(float)
    return w[sma.notna()]


def main():
    try:
        px = adj_close([PARAMS["asset"]], start="1993-01-01")
        cash = report.tbill_daily(px.index)
    except DataUnavailable as e:
        return finish(HERE, META, "10个月均线择时", params=PARAMS,
                      blocked_reason=f"行情数据下载失败：{e}")
    rets = px.pct_change(fill_method=None).iloc[1:]
    targets = signals(px[PARAMS["asset"]], PARAMS["sma_months"]).to_frame(PARAMS["asset"])
    ret, turn = backtest_weights(targets, rets, META["cost_bps"], cash_returns=cash)
    exposure = targets[PARAMS["asset"]].mean()
    return finish(HERE, META, "10个月均线择时", ret, rets[PARAMS["asset"]], turn, PARAMS, CAVEATS,
                  extra_facts={"EXPOSURE": f"{exposure:.0%}",
                               "SWITCHES": int((targets[PARAMS['asset']].diff().abs() > 0).sum()),
                               "YEARS": f"{(targets.index[-1] - targets.index[0]).days / 365.25:.0f}"})


if __name__ == "__main__":
    main()