简介：这份文档面向对量化投资与Python股票分析感兴趣的投资者，聚焦网格交易策略中网格大小固定的痛点，讲解如何让网格随市场波动自动调整。内容围绕两条主线展开：一是以收盘价、最高价和最低价的标准差衡量波动程度，波动剧烈时放大网格、平缓时缩小网格；二是将买入与卖出网格差异化设置，并与KDJ指标中的RSV值挂钩，上升趋势中买入网格变小、卖出网格变大，下降趋势则相反，从而减少过早满仓或空仓的风险。文中还给出初始网格0.5元、RSV为0.85时买入网格0.15元、卖出网格0.85元的具体算例，便于对照理解。资源包为1个docx文档，约165KB，轻量易读，适合作为策略思路参考与量化入门学习材料。目前已有6372人学习下载，可帮助读者理解自适应网格的构建逻辑，并将其迁移到自己的Python股票分析实践中。

1. 固定网格为什么会在单边行情里翻车

做网格交易的人大多有过这种体验：震荡市里每天挂单成交，账户曲线稳步向上，感觉自己找到了提款机；可一旦行情走出单边趋势，要么早早把筹码卖光看着股价继续涨，要么一路补仓补到满仓被套。问题不在网格策略本身，而在于网格大小是写死的。这份资源给出的方案，就是让网格大小跟着波动率和趋势自动调整，用标准差控制整体网格宽度，用 RSV 值拆分买入网格和卖出网格。它适合已经懂网格基本逻辑、会用 Python 跑回测、想解决极端行情下过早满仓或空仓问题的从业者。整套思路不复杂，但落地时有几个参数边界必须搞清楚，否则调出来的网格还不如固定值。

2. 自适应网格的两层逻辑：标准差定宽度，RSV 定买卖不对称

2.1 用标准差衡量波动烈度，决定网格总宽度

固定网格最根本的毛病，是把市场波动当成常数。实际上，一只股票在不同阶段的日均振幅可能差好几倍。资源里的做法是取近一段时期收盘价、最高价、最低价的标准差作为波动烈度的代理变量，标准差大就放大网格，标准差小就收窄网格。这和布林带的思想同源——布林带宽度随价格波动伸缩，网格宽度也应该如此。

具体实现上，我一般会取最近 N 个交易日的最高价、最低价、收盘价三列，分别算标准差再合成一个综合波动值，或者直接用典型价格（(H+L+C)/3）的标准差。资源没有限定 N 的取值，从实操角度看，N 太小会让网格频繁跳变，N 太大又反应迟钝，20 到 60 个交易日是比较常见的区间。下面这段代码演示如何从日线数据算出波动系数，并映射成基础网格宽度：

import numpy as np import pandas as pd def calc_base_grid(df, window=30, base_grid=0.5, vol_ref=None): """ df: 含 high/low/close 列的日线数据，按日期升序 window: 滚动窗口长度，常用 20~60 base_grid: 基准网格宽度（元），波动处于参考水平时的网格大小 vol_ref: 参考波动率，默认取全样本标准差的中位数 """ typical = (df['high'] + df['low'] + df['close']) / 3.0 # 滚动标准差，反映近期波动烈度 roll_std = typical.rolling(window=window, min_periods=window).std() if vol_ref is None: vol_ref = roll_std.median() # 用中位数做基准，避免极端值拉偏 # 网格宽度与波动率成正比，并做上下限约束 grid = base_grid * (roll_std / vol_ref) grid = grid.clip(lower=base_grid * 0.3, upper=base_grid * 3.0) return grid

这段代码的关键在三个参数。window决定网格对波动的敏感度，30 日左右能兼顾响应速度和稳定性；vol_ref是基准波动水平，用全样本中位数而不是均值，是因为极端行情会把均值拉高，导致常态下网格被压得过窄；clip的上下限是血泪经验——不设约束的话，遇到财报或突发事件，标准差瞬间放大，网格可能被拉到基准值的五六倍，挂单价格直接飞出合理区间。上限 3 倍、下限 0.3 倍是我常用的保守设置，具体品种可以微调。

提示：标准差算的是绝对价格波动，高价股和低价股不可直接比较。如果要做多标的统一参数，先把价格序列做归一化，或者改用收益率标准差再乘回价格。

2.2 RSV 拆分买卖网格，让母仓随趋势浮动

光有总宽度还不够。资源里第二个方法是把买入网格和卖出网格拆开，两者之和等于第一步算出的基础网格，但各自大小由 RSV 值决定。RSV 的公式是（收盘价 - 最低价）/（最高价 - 最低价），取值在 0 到 1 之间。上涨趋势中收盘价贴近最高价，RSV 趋近 1；下跌趋势中收盘价贴近最低价，RSV 趋近 0。

映射规则是：买入网格 = 总宽度 × (1 - RSV)，卖出网格 = 总宽度 × RSV。RSV 高说明趋势偏多，买入网格变小、卖出网格变大，策略变得易买难卖，母仓能跟着趋势往上走；RSV 低则反过来，卖出网格变小、买入网格变大，避免在下跌中过早满仓。资源里举的例子是总宽度 1 元、RSV 0.85 时，买入网格 0.15 元、卖出网格 0.85 元。

def split_grid(base_grid, rsv, min_ratio=0.1): """ base_grid: 2.1 算出的基础网格宽度 rsv: 当前 RSV 值，0~1 min_ratio: 单侧网格最小占比，防止一侧被压到几乎为零 """ rsv = np.clip(rsv, min_ratio, 1 - min_ratio) # 约束 RSV，避免极端值 buy_grid = base_grid * (1 - rsv) sell_grid = base_grid * rsv return buy_grid, sell_grid

这里有个容易被忽略的坑：RSV 原始值可能正好是 0 或 1，比如一字涨停或跌停时，最高价等于最低价，分母为零。代码里用clip把 RSV 约束在 0.1 到 0.9 之间，保证任何一侧网格都不会小到无法成交。min_ratio取 0.1 意味着单侧网格至少占总宽度的 10%，这个值太小会让挂单密集到手续费吃掉利润，太大又失去了不对称的意义。另外 RSV 本身是 KDJ 指标的中间量，计算时通常用 9 日窗口，资源没有明确窗口长度，我一般沿用 9 日，和 KDJ 的习惯保持一致，便于对照。

2.3 把两层逻辑串成一条可执行的挂单链

单独看两个公式都简单，真正落地是把它们串起来：每个交易日收盘后，先算滚动标准差得到基础网格，再算当日 RSV 拆出买卖网格，然后以当前价为锚，向下按买入网格挂买单、向上按卖出网格挂卖单。下面是一个最小可运行的挂单价格生成函数：

def gen_grid_orders(price, base_grid, rsv, levels=5): """ price: 当前锚定价（常用最新收盘价或母仓成本价） levels: 上下各挂几档 """ buy_grid, sell_grid = split_grid(base_grid, rsv) buys = [round(price - buy_grid * i, 2) for i in range(1, levels + 1)] sells = [round(price + sell_grid * i, 2) for i in range(1, levels + 1)] return {'buy': buys, 'sell': sells} # 示例：基础网格 1 元，RSV 0.85，当前价 11 元 print(gen_grid_orders(11.0, 1.0, 0.85)) # 买入档约 10.85/10.70/...，卖出档约 11.85/12.70/...

注意买入档间距是 0.15 元、卖出档间距是 0.85 元，这正是资源例子里“跌一毛五买、涨八毛五卖”的由来。levels控制挂单深度，档数越多资金占用越大，一般 3 到 5 档够用。价格取整到分是 A 股报价习惯，其他市场按最小变动价位调整。这套链条每天只需跑一次，盘后生成次日挂单，不需要盘中高频计算，对散户的算力和精力都友好。

3. 参数标定与回测验证：别拿默认值直接上实盘

3.1 三个核心参数的标定顺序

自适应网格看着参数不多，但window、base_grid、vol_ref三者互相牵制，乱调一通很容易过拟合。我的习惯是按固定顺序标定：先定base_grid，再定window，最后校准vol_ref。

base_grid应该和标的的日常波动匹配。一个粗略的起点是取近一年日均振幅的一半左右，比如某标的日均振幅 2%、价格 10 元，日波动约 0.2 元，基础网格可以从 0.2 到 0.3 元起步。设得太大，震荡市里几天不成交；设得太小，手续费和滑点吃掉利润。window影响网格调整的灵敏度，可以用回测扫描 20、30、40、60 几个值，看哪个在样本外表现稳定。vol_ref决定常态下网格是放大还是收窄，用样本中位数是稳妥选择，但如果标的经历过结构性变化（比如从高波动变成低波动），应该用近一年的中位数而不是全历史。

3.2 回测里必须看的两个指标

回测不能只看总收益。自适应网格的价值在于控制极端行情下的回撤，所以除了收益率，必须单独统计最大回撤和满仓/空仓持续时间。我一般会构造三段行情做分段回测：一段单边上涨、一段单边下跌、一段宽幅震荡，分别看策略在三段里的表现。固定网格在单边段往往出现“上涨段早早空仓、下跌段早早满仓”，自适应网格如果参数合理，满仓和空仓的天数应该明显缩短。

def backtest_segments(df, grid_func, init_cash=500000, init_pos_ratio=0.4): """ 简化回测框架：按日生成挂单，用次日高低价判断成交 grid_func: 输入当日数据，返回 (buy_grid, sell_grid) """ cash = init_cash pos = init_cash * init_pos_ratio / df['close'].iloc[0] equity_curve = [] for i in range(1, len(df)): row = df.iloc[i] prev_close = df['close'].iloc[i - 1] buy_g, sell_g = grid_func(df.iloc[:i]) # 最低价触及买入档则买入，最高价触及卖出档则卖出 if row['low'] <= prev_close - buy_g and cash > 0: buy_amt = min(cash, init_cash * 0.1) pos += buy_amt / (prev_close - buy_g) cash -= buy_amt if row['high'] >= prev_close + sell_g and pos > 0: sell_shares = pos * 0.1 cash += sell_shares * (prev_close + sell_g) pos -= sell_shares equity_curve.append(cash + pos * row['close']) return equity_curve

这个框架刻意做得很粗，目的是快速对比不同参数下的相对表现，不是精确复现成交。真实回测要考虑涨跌停无法成交、停牌、滑点和手续费，这些细节会显著改变结果。分段回测时，把三段数据分别喂进去，看权益曲线在单边段的最大回撤，比看总收益更有参考价值。如果自适应版本在单边下跌段的回撤反而比固定网格大，多半是min_ratio设得太小或者window太长，导致网格没及时放大。

3.3 从回测到模拟盘的过渡

回测跑通不代表能上实盘。参数在历史数据上表现好，可能只是拟合了那段行情的波动特征。稳妥的做法是先用模拟盘跑一到两个月，每天记录生成的挂单和实际成交，重点观察两件事：一是网格宽度在波动突变时有没有及时调整，二是买卖不对称在趋势转换点是否造成连续单边成交。模拟盘期间不要改参数，跑完再统一评估。这一步很多人跳过，结果实盘第一周就遇到参数不适配的行情，后悔药没处买。

4. 避坑与排查：五个真实会翻车的地方

4.1 标准差窗口内数据不足导致网格异常

现象：新上市标的或数据缺失的标的，前几十个交易日网格宽度忽大忽小，挂单价格离谱。原因：滚动标准差在窗口未满时返回 NaN 或基于极少样本计算，波动估计极不稳定。解决：rolling里设min_periods=window，窗口未满时不生成挂单，或者用固定网格兜底，等数据够了再切换自适应模式。

4.2 RSV 分母为零引发除零错误

现象：一字板或极端行情下程序报错或 RSV 变成 inf。原因：最高价等于最低价时，RSV 公式分母为零。解决：计算前判断high - low是否小于一个极小值，是则沿用前一日的 RSV，或者在split_grid里先做clip约束。资源正文没提这个边界，但实盘一定会遇到。

4.3 网格频繁跳变导致挂单反复撤改

现象：每天生成的挂单价格和前一天差很多，盘中撤单改单频繁，滑点成本上升。原因：window太短或vol_ref用了均值，波动估计噪声大。解决：拉长窗口到 30 日以上，vol_ref改用中位数，并对基础网格做平滑处理，比如取近三日网格的移动平均再使用。

4.4 买卖不对称在趋势反转点造成连续亏损

现象：上涨趋势中卖出网格很大、买入网格很小，趋势突然反转下跌时，策略几乎不买，等 RSV 降下来才开始接，错过了低位；或者反过来在下跌转上涨时过早卖光。原因：RSV 是滞后指标，趋势反转时它反应慢半拍。解决：给 RSV 加一个短周期均线做平滑，或者设置趋势过滤条件，比如价格跌破 20 日均线时强制把 RSV 往 0.5 拉，减弱不对称程度。

4.5 资金分配与网格档数不匹配导致满仓过早

现象：明明设了自适应网格，下跌段还是很快满仓。原因：挂单档数levels太多、每档资金占比太大，网格放大带来的缓冲被档数抵消。解决：总仓位上限先定死（比如母仓 40%、加仓资金 60%），再反推每档资金和档数，确保最坏情况下（连续触及所有买入档）也不会打光子弹。这一步是资金管理，和网格算法本身无关，但两者必须一起算。

5. 进阶技巧：把 RSV 平滑和波动分位结合，减少参数敏感度

参数调多了会发现一个尴尬：window和min_ratio稍微一动，回测结果就变脸，说明策略对参数太敏感。我后来习惯做两处改进，能明显降低这种敏感度。

第一处是给 RSV 加平滑。原始 RSV 每天跳，拆出来的买卖网格也跟着跳，挂单不稳定。用 RSV 的 3 日或 5 日移动平均代替当日值，趋势判断更稳，代价是反应慢一两天。对于日频调仓的网格策略，这个代价可以接受。

def smooth_rsv(df, n=9, smooth=3): low_n = df['low'].rolling(n).min() high_n = df['high'].rolling(n).max() rsv = (df['close'] - low_n) / (high_n - low_n) rsv = rsv.replace([np.inf, -np.inf], np.nan).ffill() return rsv.rolling(smooth).mean()

第二处是把波动率从绝对值改成历史分位。标准差算出来是个绝对数，不同标的、不同时期不可比，而波动率的历史分位（比如当前滚动标准差在过去两年里排第几）天然归一化到 0 到 1，映射网格宽度时更直观：分位 0.8 说明当前波动高于历史 80% 的时间，网格放大到基准的 1.5 倍左右；分位 0.2 则收窄。这样vol_ref这个参数就不需要了，少一个要调的旋钮。

这两处改完之后，我在模拟盘上对比过，同样的行情段，参数在合理区间内变动时，权益曲线的差异明显收窄，不再出现“窗口从 30 改成 35 结果天差地别”的情况。从那以后我每次标定这类自适应参数，都强制先做平滑和归一化，再谈调参，否则调出来的数字看着漂亮，换一段行情就原形毕露。希望这套拆解能帮到你，少走几段我踩过的弯路。

本文还有配套的精品资源，点击获取