Python量化策略：MAMA/FAMA 跨资产择时实战

免责声明：本文所有内容‬仅用于交流学习‬，不构成任何投资建议！投资有风险，入市需谨慎！

策略介绍

MAMA（MESA Adaptive Moving Average）由 John Ehlers 在 2001 年发布，依托最大熵谱分析 + 希尔伯特变换识别市场主导周期，区别于 SMA、EMA 固定平滑系数，可随价格相位变化动态调整平滑系数 α，实现急涨急跌快速贴合价格、震荡行情慢速平滑降噪，均线呈现阶梯形态，大幅削弱传统均线滞后与震荡假信号缺陷。指标同步输出 MAMA 主线与 FAMA 跟随线，FAMA 取用 MAMA 一半的自适应 α，走势滞后、平滑度更高，二者构成天然双线交易体系，核心可调参数为快速上限 FastLimit、慢速下限 SlowLimit，原版默认 0.5、0.05。

MAMA/FAMA 交叉策略遵循趋势跟踪逻辑：MAMA 自下向上突破 FAMA 为金叉，开仓做多；MAMA 自上而下跌破 FAMA 为死叉，平多做空，全程无额外过滤条件，依托双线自适应特性自动适配不同周期行情。跨五类资产回测需统一数据口径：股票选取宽基指数、债券用国债指数、商品选取原油 / 黄金主力合约、加密选用 BTC/ETH 日线，统一日线收盘价数据源，划分样本内（训练集）、样本外（测试集）规避未来函数，回测统计年化收益、夏普比率、最大回撤、胜率四大绩效指标，作为优化基准。

贝叶斯优化用于自动寻优 FastLimit 与 SlowLimit，区别网格穷举遍历，通过 TPE 树结构代理模型拟合参数与策略绩效的映射关系，以最大化样本内夏普比率为目标函数，平衡参数空间探索与优质区间深挖，用少量回测迭代锁定最优参数组合。优化采用滚动窗口：每半年更新一次最优参数，用最优参数在后续样本外验证，分别输出五类资产专属最优参数，对比统一原版参数的回测结果，校验策略在股、债、商品、加密全品类的泛化能力，避免参数过拟合单一市场环境。

策略实现

【 扫描文末二维码加入星球获取完整源码 】

源码

构建 MAMA/FAMA 信号

风险调整后的回测引擎

用 Optuna 做贝叶斯优化

回测效果

我们致力于人工智能、量化交易领域前沿研究，分享前沿论文、模型代码、策略实现。如有相关需求，请私信与我们联系。

请加微信“LingDuTech163”，或公众号后台私信“联系方式”。

关注【灵度智能】公众号，获取更多AI资讯。