GOOGL 6成底仓 + 4成浮动仓 RSI 策略回测

一句话结论：策略最终 +100.7%，Buy & Hold +140.7%。少亏了熊市 6 个点，也少赚了牛市 40 个点。拿回撤换踏空，在趋势股上是赔本买卖。

策略设计

核心结果

操作次数： 加仓 36 次 + 减仓 65 次 = 共 101 次操作

逐年资产快照

关键阶段分析

Phase 1：熊市防守（2022 全年）✅ 策略跑赢

2022 年 GOOGL 从 $143 跌至 $85（-41%），是策略最闪耀的阶段：

• 底仓托底，持有 417 股不动
• 浮动仓低位频繁加仓（RSI < 30 触发 15+ 次）：$96、$88、$85 区间大量买入
• 熊市最深处策略净值 $69K vs B&H $61K，少亏 $8,300
• 最大回撤 -37.2% vs -43.6%，少跌约 6 个百分点

策略在这里按设计发挥了应有的作用：下跌时加仓，摊低成本。

Phase 2：反弹收割（2023）✅ 策略略跑赢

2023 年 GOOGL 从 $85 涨回 $140+，策略因低位加了仓，修复速度更快：

• 全年操作 30+ 次（加减各半）
• 到 2023-12 策略 $98.7K vs B&H $96.3K，仍小幅跑赢

Phase 3：牛市踏空（2024–2026）❌ 策略跑输

这是差距拉开的根源。2024 年起 GOOGL 开始持续上涨，RSI 频繁 > 70：

• 减仓次数远多于加仓（65 次 vs 36 次），浮动股数持续缩减
• 2025 年 GOOGL 从 $170 飙至 $390+，浮动仓几乎被清空
• 底仓 417 股稳稳拿着，收益 $144K，但浮动仓错过了大部分涨幅
• $40K 差距几乎全部来自 2025–2026 的踏空

为什么策略在趋势股上天然吃亏

RSI > 70 时，策略认为"高点，该减了"
但趋势股的特征是：RSI 可以长期维持 > 70
越强的股，RSI 越久 > 70，策略减仓越早越多

适合这个策略的标的特征：

• 震荡行情为主，无明显长期趋势
• 宽幅波动但均值回归
• 例子：周期股、宽基指数、商品ETF

不适合的标的（如 GOOGL）：

• 强趋势成长股
• 多头行情持续，RSI 长期偏高
• 每次"高点减仓"都是在降低仓位，错过后续涨幅

策略优化：7种方案对比（2026-08-17 补充）

对比结果

三种减仓逻辑的本质区别

原版 RSI>70   → "涨了几天就减"    → 牛市里几乎每周触发 → 频繁踏空
布林带上轨    → "短期波动偏高就减"  → 稍好，但仍较频繁
**MA50 偏离+20% → "偏离均线够远才减"  → 真正的"相对高点" ← 推荐**
20日涨幅>25%  → "短期涨得太猛才减"  → 抓加速冲顶动作   ← 数据最优

⭐ 推荐策略：RSI 超卖加仓 + MA50 偏离减仓

核心改动：只改减仓触发条件，加仓逻辑不变。
把"RSI>70 就减"换成"价格超过 MA50 的 20% 才减"。

参数设定

为什么选 MA50 偏离 +20%，而不是 +15% 或涨幅>25%

MA50 偏离 20% 的直觉含义： 50日均线是过去2.5个月的平均成本，超过它20%意味着当前价格已经明显透支了近期买入者的预期。这是有均值基准的"相对高点"，比 RSI 的"涨了几天"更有意义。

回测结论（2022-01 → 2026-08）

• 初始 $100,000 → 最终 $246,310（+146.3%）
• Buy & Hold 同期：$240,681（+140.7%）
• 策略跑赢 Buy & Hold $5,629，同时操作仅 43 次（加仓 34 + 减仓 7）
• 最大回撤 -41.9%（熊市防守略弱于原版，但牛市收益大幅补回）

核心教训

减仓触发器的选择决定策略成败。

• RSI>70 衡量的是"近期涨幅动能"，在趋势股里长期偏高，不适合做减仓信号
• MA50 偏离度衡量的是"相对均值的高估程度"，更接近"平均高点"的直觉

改完之后：减仓 65次 → 7次，收益 +100.7% → +146.3%，并跑赢 Buy & Hold。

数据来源

使用的库：yfinance

pip install yfinance
import yfinance as yf
df = yf.Ticker("GOOGL").history(start="2022-01-01", end="2026-08-15")

重要：GOOGL 的 20:1 拆股

2022年7月18日，Alphabet 执行 20:1 股票拆分
拆分前：约 $2,800/股
拆分后：约 $140/股

yfinance 返回的历史数据已自动复权，
所以回测里 2022年1月的价格是 $143（已经是拆后调整价），
不是真实历史的 $2,860。

这不影响涨跌幅计算，但要注意：
从 yfinance 看到的 $83（2022年底部）
= 拆分前的 $1,660，是同一件事。

数据局限性

数据验证方式

如果要核对某天价格是否正确：

1. 打开 finance.yahoo.com → 搜索 GOOGL
2. 点击 Historical Data → 设置日期范围
3. 与脚本输出的 Close 价格对比

或直接用代码验证：

import yfinance as yf
# 查某天的收盘价
df = yf.Ticker("GOOGL").history(start="2022-11-03", end="2022-11-04")
print(df[["Close"]])  # 应显示约 $82.7

脚本复现

依赖：pip install yfinance matplotlib

脚本一：回测计算（打印数据表）

import yfinance as yf
import pandas as pd
import numpy as np

# ─── 参数配置 ───────────────────────────────────────────
TOTAL_CAPITAL  = 100_000.0
BASE_RATIO     = 0.60        # 底仓比例
FLOAT_RATIO    = 0.40        # 浮动仓比例
RSI_BUY        = 30          # RSI 低于此值 → 加仓
RSI_SELL       = 70          # RSI 高于此值 → 减仓
BUY_FRAC       = 0.33        # 每次加仓：用剩余浮动现金的 33%
SELL_FRAC      = 0.40        # 每次减仓：卖出浮动股数的 40%
COOLDOWN       = 5           # 同方向冷却 5 个交易日
START          = "2022-01-03"
END            = "2026-08-15"

# ─── 数据获取 ────────────────────────────────────────────
df = yf.Ticker("GOOGL").history(start="2022-01-01", end=END)
df = df[["Open", "High", "Low", "Close"]].copy()
df.index = df.index.tz_localize(None)

# RSI-14
delta = df["Close"].diff()
gain  = delta.clip(lower=0).rolling(14).mean()
loss  = (-delta.clip(upper=0)).rolling(14).mean()
rs    = gain / loss.replace(0, np.nan)
df["RSI"] = 100 - 100 / (1 + rs)

df = df[df.index >= START]
open_price = df["Close"].iloc[0]

# ─── 初始状态 ────────────────────────────────────────────
base_shares  = (TOTAL_CAPITAL * BASE_RATIO) / open_price   # 底仓，一直持有
float_cash   = (TOTAL_CAPITAL * FLOAT_RATIO) * 0.5         # 浮动现金（初始 20000）
float_shares = (TOTAL_CAPITAL * FLOAT_RATIO) * 0.5 / open_price  # 浮动股（初始 20000 买入）

last_buy_day  = -999
last_sell_day = -999
trades        = []
equity_curve  = []

# ─── 逐日回测 ────────────────────────────────────────────
for i, (date, row) in enumerate(df.iterrows()):
    price = row["Close"]
    rsi   = row["RSI"]
    action = "—"

    if not np.isnan(rsi):
        # 加仓（低点）
        if rsi < RSI_BUY and float_cash > 1.0 and (i - last_buy_day) >= COOLDOWN:
            spend        = float_cash * BUY_FRAC
            float_shares += spend / price
            float_cash   -= spend
            last_buy_day  = i
            action        = "加仓↑"
            trades.append(dict(date=date, action=action, price=price,
                               rsi=rsi, float_cash=float_cash, float_shares=float_shares))

        # 减仓（高点）
        elif rsi > RSI_SELL and float_shares > 0.0001 and (i - last_sell_day) >= COOLDOWN:
            sold          = float_shares * SELL_FRAC
            float_cash   += sold * price
            float_shares -= sold
            last_sell_day = i
            action        = "减仓↓"
            trades.append(dict(date=date, action=action, price=price,
                               rsi=rsi, float_cash=float_cash, float_shares=float_shares))

    total_equity = (base_shares + float_shares) * price + float_cash
    equity_curve.append(dict(date=date, price=price, rsi=rsi,
                             total_equity=total_equity, action=action))

eq = pd.DataFrame(equity_curve).set_index("date")
tr = pd.DataFrame(trades) if trades else pd.DataFrame()

# ─── 结果输出 ────────────────────────────────────────────
final_price  = df["Close"].iloc[-1]
final_equity = (base_shares + float_shares) * final_price + float_cash
total_return = (final_equity - TOTAL_CAPITAL) / TOTAL_CAPITAL * 100
bnh_equity   = TOTAL_CAPITAL / open_price * final_price
bnh_return   = (bnh_equity - TOTAL_CAPITAL) / TOTAL_CAPITAL * 100

roll_max = eq["total_equity"].cummax()
max_dd   = ((eq["total_equity"] - roll_max) / roll_max * 100).min()
bnh_series  = TOTAL_CAPITAL / open_price * df["Close"]
bnh_max_dd  = ((bnh_series - bnh_series.cummax()) / bnh_series.cummax() * 100).min()

print(f"策略最终资产 : ${final_equity:,.2f}  ({total_return:+.1f}%)")
print(f"B&H 最终资产 : ${bnh_equity:,.2f}  ({bnh_return:+.1f}%)")
print(f"策略最大回撤 : {max_dd:.1f}%   B&H: {bnh_max_dd:.1f}%")
print(f"浮动仓操作   : 加仓 {(tr['action']=='加仓↑').sum()} 次 | 减仓 {(tr['action']=='减仓↓').sum()} 次")

# 逐年快照
checkpoints = ["2022-01-03","2022-06-30","2022-12-30",
               "2023-06-30","2023-12-29","2024-06-28",
               "2024-12-31","2025-06-30","2025-12-31","2026-08-14"]
for cp in checkpoints:
    rows = eq[eq.index >= cp]
    if rows.empty: continue
    r = rows.iloc[0]
    bv = TOTAL_CAPITAL / open_price * r["price"]
    print(f"{rows.index[0].date()}  策略 ${r['total_equity']:>10,.0f}  B&H ${bv:>10,.0f}")

脚本二：可视化图表（三图）

import yfinance as yf
import pandas as pd
import numpy as np
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import matplotlib.ticker as mtick

plt.rcParams["font.family"] = ["PingFang SC", "Heiti TC", "Arial Unicode MS", "DejaVu Sans"]
plt.rcParams["axes.unicode_minus"] = False

# ── 参数与脚本一保持一致 ──────────────────────────────────
TOTAL_CAPITAL  = 100_000.0
BASE_RATIO, FLOAT_RATIO = 0.60, 0.40
RSI_BUY, RSI_SELL       = 30, 70
BUY_FRAC, SELL_FRAC     = 0.33, 0.40
COOLDOWN = 5

df = yf.Ticker("GOOGL").history(start="2022-01-01", end="2026-08-15")
df = df[["Open","High","Low","Close"]].copy()
df.index = df.index.tz_localize(None)

delta = df["Close"].diff()
gain  = delta.clip(lower=0).rolling(14).mean()
loss  = (-delta.clip(upper=0)).rolling(14).mean()
df["RSI"] = 100 - 100 / (1 + gain / loss.replace(0, np.nan))
df = df[df.index >= "2022-01-03"]
open_price = df["Close"].iloc[0]

base_shares   = (TOTAL_CAPITAL * BASE_RATIO) / open_price
float_cash    = (TOTAL_CAPITAL * FLOAT_RATIO) * 0.5
float_shares  = (TOTAL_CAPITAL * FLOAT_RATIO) * 0.5 / open_price
last_buy_day  = last_sell_day = -999
buy_dates, buy_prices, sell_dates, sell_prices = [], [], [], []
equity_curve  = []

for i, (date, row) in enumerate(df.iterrows()):
    price, rsi = row["Close"], row["RSI"]
    if not np.isnan(rsi):
        if rsi < RSI_BUY and float_cash > 1.0 and (i - last_buy_day) >= COOLDOWN:
            float_shares += float_cash * BUY_FRAC / price
            float_cash   *= (1 - BUY_FRAC)
            last_buy_day  = i
            buy_dates.append(date); buy_prices.append(price)
        elif rsi > RSI_SELL and float_shares > 0.0001 and (i - last_sell_day) >= COOLDOWN:
            float_cash   += float_shares * SELL_FRAC * price
            float_shares *= (1 - SELL_FRAC)
            last_sell_day = i
            sell_dates.append(date); sell_prices.append(price)
    equity_curve.append((date, (base_shares + float_shares) * price + float_cash))

eq_df  = pd.DataFrame(equity_curve, columns=["date","equity"]).set_index("date")
bnh_df = (TOTAL_CAPITAL / open_price * df["Close"]).rename("bnh")

# ── 配色 ──────────────────────────────────────────────────
BLUE, GREEN, ORANGE, RED, PURPLE = "#58a6ff","#3fb950","#f0883e","#f85149","#bc8cff"
GRAY, BG, PANEL, BORDER = "#8b949e","#0d1117","#161b22","#30363d"

fig, axes = plt.subplots(3, 1, figsize=(14, 14),
                          gridspec_kw={"height_ratios": [3, 2, 1]})
fig.patch.set_facecolor(BG)
for ax in axes:
    ax.set_facecolor(PANEL)
    for sp in ax.spines.values(): sp.set_color(BORDER)
    ax.tick_params(colors=GRAY)

# Panel 1：资产曲线
ax1 = axes[0]
ax1.plot(eq_df.index, eq_df["equity"], color=BLUE,   lw=2,   label="策略（6底4浮）")
ax1.plot(bnh_df.index, bnh_df,         color=ORANGE, lw=1.5, label="Buy & Hold", alpha=0.8)
ax1.axhline(TOTAL_CAPITAL, color=GRAY, lw=0.8, ls="--", label="本金 $100K")
ax1.fill_between(eq_df.index, TOTAL_CAPITAL, eq_df["equity"],
                 where=eq_df["equity"] >= TOTAL_CAPITAL, alpha=0.12, color=GREEN)
ax1.fill_between(eq_df.index, TOTAL_CAPITAL, eq_df["equity"],
                 where=eq_df["equity"] < TOTAL_CAPITAL, alpha=0.12, color=RED)
ax1.set_title("GOOGL｜6成底仓 + 4成浮动仓回测（2022-01 → 2026-08，起始 $100,000）",
              color="white", fontsize=13, pad=10, fontweight="bold")
ax1.set_ylabel("账户总资产", color=GRAY, fontsize=11)
ax1.yaxis.set_major_formatter(mtick.FuncFormatter(lambda x, _: f"${x/1000:.0f}K"))
leg = ax1.legend(framealpha=0.3, facecolor="#1c2128", fontsize=10)
for t in leg.get_texts(): t.set_color("white")
ax1.grid(axis="y", color=BORDER, lw=0.5)
final_eq, final_bnh = eq_df["equity"].iloc[-1], bnh_df.iloc[-1]
ax1.annotate(f"  策略 ${final_eq/1000:.1f}K (+{(final_eq/TOTAL_CAPITAL-1)*100:.1f}%)",
             xy=(eq_df.index[-1], final_eq), fontsize=10, color=BLUE, fontweight="bold")
ax1.annotate(f"  B&H ${final_bnh/1000:.1f}K (+{(final_bnh/TOTAL_CAPITAL-1)*100:.1f}%)",
             xy=(bnh_df.index[-1], final_bnh), fontsize=10, color=ORANGE, fontweight="bold")

# Panel 2：股价 + 交易点
ax2 = axes[1]
ax2.plot(df.index, df["Close"], color=GRAY, lw=1, label="GOOGL 收盘价")
ax2.scatter(buy_dates,  buy_prices,  color=GREEN, s=35, marker="^",
            label=f"加仓 ({len(buy_dates)}次)", edgecolors="#0d1117", linewidths=0.5)
ax2.scatter(sell_dates, sell_prices, color=RED,   s=35, marker="v",
            label=f"减仓 ({len(sell_dates)}次)", edgecolors="#0d1117", linewidths=0.5)
ax2.set_ylabel("GOOGL 股价 ($)", color=GRAY, fontsize=11)
ax2.yaxis.set_major_formatter(mtick.FuncFormatter(lambda x, _: f"${x:.0f}"))
leg2 = ax2.legend(framealpha=0.3, facecolor="#1c2128", fontsize=10, ncol=3)
for t in leg2.get_texts(): t.set_color("white")
ax2.grid(axis="y", color=BORDER, lw=0.5)

# Panel 3：RSI
ax3 = axes[2]
ax3.plot(df.index, df["RSI"], color=PURPLE, lw=1, label="RSI(14)")
ax3.axhline(70, color=RED,   lw=0.8, ls="--", label="超买 70 → 减仓")
ax3.axhline(30, color=GREEN, lw=0.8, ls="--", label="超卖 30 → 加仓")
ax3.fill_between(df.index, 70, df["RSI"].clip(upper=100), where=df["RSI"]>70, alpha=0.15, color=RED)
ax3.fill_between(df.index, df["RSI"].clip(lower=0), 30,  where=df["RSI"]<30, alpha=0.15, color=GREEN)
ax3.set_ylim(0, 100)
ax3.set_ylabel("RSI", color=GRAY, fontsize=11)
leg3 = ax3.legend(framealpha=0.3, facecolor="#1c2128", fontsize=9, ncol=3)
for t in leg3.get_texts(): t.set_color("white")
ax3.grid(axis="y", color=BORDER, lw=0.5)

fig.tight_layout(h_pad=2.5)
fig.savefig("googl_strategy_backtest.png", dpi=150, bbox_inches="tight", facecolor=BG)
print("图表已保存：googl_strategy_backtest.png")

See Also

• wiki/投资/core/决策框架/仓位管理-加仓与减仓.md — 加减仓的定性判断框架（信号 + 心理陷阱）
• wiki/投资/个人账户/持仓/GOOGL-Alphabet.md — 实际 GOOGL 持仓记录
• wiki/投资/core/心理/踏空痛苦与情绪驱动交易.md — 减仓后踏空的心理处理
• wiki/投资/震荡行情应对策略.md — 适合浮动仓策略的市场环境
• wiki/投资/core/关键指标/MACD背离-顶背离与底背离.md — 背离作为加仓信号的实证分析（底背离有效，顶背离在趋势股失效）

Sources

• 原始对话：raw/投资/GOOGL-6底4浮RSI策略回测对话-20260817.md
• 数据来源：yfinance GOOGL 历史收盘价（2022-01-03 ~ 2026-08-14）
• 回测日期：2026-08-17