用双均线做一个简单的行情分析与自动化处理框架

最近在整理一个轻量级的行情处理框架，目标不是做复杂策略，而是把“数据获取 → 指标计算 → 信号输出”这一套流程走通。

为了让结构尽量清晰，我选了一个非常基础的逻辑：双均线交叉。

逻辑简单，方便验证系统是否稳定运行，也方便后续替换成其他指标。

一、先从结构拆分开始

一开始是单文件脚本，后来发现不太好维护，于是改成分层结构：

data_layer.py
indicator_layer.py
strategy_layer.py
execution_layer.py
main.py

这样做的好处是：

• 数据层只负责获取和整理行情

• 指标层只负责计算技术指标

• 策略层只做信号判断

• 执行层负责处理信号（记录或调用接口）

• 主程序负责调度

拆开之后，每一层逻辑都变得简单很多。

二、数据层：稳定比复杂更重要

自动化系统第一步是数据。

示例结构：

import requests
import pandas as pd

def fetch_kline(symbol, interval="1m", limit=100):
    url = "https://api.example.com/market/kline"
    params = {
        "symbol": symbol,
        "interval": interval,
        "limit": limit
    }
    r = requests.get(url, params=params, timeout=5)
    data = r.json()
    return pd.DataFrame(data)

真实运行时需要考虑：

• 请求超时

• 数据为空

• 返回字段异常

• 请求频率限制

在云服务器环境下（例如部署在 ECS 上），建议增加：

• 异常捕获

• 自动重试

• 日志记录

• 数据完整性校验

否则系统长时间运行后容易因为一次异常退出。

三、指标层：均线计算本身并不复杂

均线计算用 pandas 就可以完成：

def add_ma(df):
    df["MA5"] = df["close"].rolling(5).mean()
    df["MA10"] = df["close"].rolling(10).mean()
    return df

双均线本身只是一个验证逻辑的工具。
它的优势是：

• 行为清晰

• 结果可视化直观

• 容易调试

这里的重点不是指标本身，而是验证数据流是否稳定。

四、策略层：判断“交叉”而不是“状态”

很多初学者会直接写：

if ma5 > ma10:
    signal = "UP"

但这只是当前状态，不是交叉。

更严谨的方式是比较当前与上一周期的关系：

def generate_signal(df):
    df["prev_MA5"] = df["MA5"].shift(1)
    df["prev_MA10"] = df["MA10"].shift(1)

    buy = (
        (df["MA5"] > df["MA10"]) &
        (df["prev_MA5"] <= df["prev_MA10"])
    )

    sell = (
        (df["MA5"] < df["MA10"]) &
        (df["prev_MA5"] >= df["prev_MA10"])
    )

    if buy.iloc[-1]:
        return "BUY"
    elif sell.iloc[-1]:
        return "SELL"
    return None

这样只在交叉发生的那一刻触发一次信号。

五、执行层：控制重复触发

如果不做状态管理，信号会在连续几根K线内重复出现。

简单处理方式：

• 增加当前持仓状态变量

• 或将状态写入缓存 / 数据库

• 只有状态变化时才处理信号

示例：

current_position = None

def handle_signal(signal):
    global current_position

    if signal == "BUY" and current_position != "LONG":
        current_position = "LONG"
        print("状态切换为 LONG")

    elif signal == "SELL" and current_position != "SHORT":
        current_position = "SHORT"
        print("状态切换为 SHORT")

如果是长期运行系统，建议不要使用全局变量，而是用持久化方式记录状态。

六、主循环与异常保护

自动化系统的稳定性通常比算法更重要。

主循环建议加异常保护：

import time

while True:
    try:
        df = fetch_kline("EURUSD")
        df = add_ma(df)
        signal = generate_signal(df)
        handle_signal(signal)
    except Exception as e:
        print("异常：", e)

    time.sleep(60)

实际部署时可以结合：

• Docker 容器运行

• 定时任务调度

• 日志系统

• 进程守护工具

七、为什么选择双均线做起点

不是因为它效果最好，而是因为它足够简单。

一个简单逻辑可以帮助验证：

• 数据是否连续

• 系统是否稳定

• 信号是否只触发一次

• 异常是否会导致中断

当这一整套结构稳定后，再替换成其他指标或策略，成本会非常低。

对自动化系统来说，框架稳定远比模型复杂重要。

八、整体结构回顾

这个小框架的核心思路：

1. 数据层保证稳定

2. 指标层只做计算

3. 策略层只做判断

4. 执行层负责状态管理

5. 主程序负责调度

逻辑不复杂，但结构清晰。

对于刚开始搭建行情分析或自动化处理流程的开发者来说，这样一个最小结构比直接堆复杂模型更容易维护。

后续如果扩展：

• 可以增加更多指标模块

• 可以引入回测模块

• 可以增加日志与监控

• 可以接入消息通知系统

底层框架不需要大改。