基于AKShare的MFI量化交易策略实战解析

1. 从零开始：为什么选择AKShare和MFI指标？

如果你刚开始接触量化交易，面对一堆数据接口和复杂的指标，是不是有点无从下手？我刚开始的时候也一样，光是选数据源就纠结了好久。后来我发现，对于国内市场的初学者来说，AKShare 真的是一个宝藏工具。它完全免费，数据源稳定，覆盖了A股、港股、期货、基金等几乎所有你能想到的国内金融数据，而且接口调用方式非常“Pythonic”，对新手极其友好。你不用再去折腾各种付费API或者自己爬数据，省下来的时间和精力，可以更专注于策略逻辑本身。

那为什么是 MFI指标 呢？很多朋友可能更熟悉RSI（相对强弱指数）。MFI可以看作是RSI的“亲兄弟”，但它更“聪明”一点。RSI只考虑价格变化，而MFI在计算时，把成交量也加了进去。你可以把它理解为一个“带成交量的RSI”。这个设计让它能更好地反映资金流入流出的真实情况。想象一下，价格上涨但成交量萎缩，这可能只是虚高；而价格上涨伴随着成交量放大，则说明有真金白银在推动。MFI就是试图捕捉这种“钱”的动向，所以它也叫“资金流量指标”。

用AKShare获取数据，再用MFI来构建策略，这个组合特别适合新手入门。一方面，数据获取的门槛被降到了最低；另一方面，MFI的逻辑直观，不像一些复杂的机器学习模型那样是个黑箱。你能清楚地知道每一个买卖信号是怎么产生的，这对于建立对量化交易的“手感”和信心非常重要。我自己就是从这类简单的价量指标策略开始，一步步踩坑、优化，才慢慢深入到更复杂的领域。接下来，我就带你手把手走一遍完整的流程。

2. 实战第一步：搭建你的Python量化环境

工欲善其事，必先利其器。一个干净、稳定的开发环境是成功的第一步。我强烈建议你使用 Anaconda 来管理Python环境，它能很好地解决不同项目之间包版本冲突的噩梦。

首先，我们去Anaconda官网下载并安装最新版本。安装完成后，打开你的终端（Windows叫Anaconda Prompt）来创建一个专属的量化环境：

conda create -n quant_env python=3.9
conda activate quant_env

这里我指定了Python 3.9，这是一个在兼容性和稳定性上比较平衡的版本。环境名字叫 quant_env，你可以按自己喜欢来命名。激活环境后，我们开始安装核心的“三件套”：

pip install pandas numpy matplotlib

这三个是数据分析与可视化的基石。pandas 用来处理表格数据，numpy 负责数值计算，matplotlib 则是画图神器。接下来安装今天的主角：

pip install akshare
pip install TA-Lib

安装 akshare 通常很顺利。但 TA-Lib 可能会是个小坎，因为它底层有C库依赖。如果直接用 pip install TA-Lib 失败了，别慌。在Windows上，可以去这个非官方网站下载对应你Python版本和系统位数的 .whl 文件，比如 TA_Lib‑0.4.24‑cp39‑cp39‑win_amd64.whl，然后在文件所在目录执行 pip install 文件名.whl。Mac用户可以用 brew install ta-lib 先安装库，再 pip install TA-Lib。Linux用户一般用系统包管理器安装 ta-lib 开发包即可。

最后，我习惯再装一个 jupyter lab，它比传统的 jupyter notebook 界面更现代，操作也更方便，非常适合做交互式的数据分析和策略研究。

pip install jupyterlab

安装完成后，在终端输入 jupyter lab，浏览器就会自动打开一个清爽的工作界面。我们在里面新建一个Python笔记本，就可以开始我们的探索了。记得在代码开头，把必要的包都导入进来，这是我们的标准起手式：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import akshare as ak
import talib as ta
import warnings
warnings.filterwarnings('ignore') # 暂时忽略一些警告信息，让输出更干净

# 设置 matplotlib 支持中文显示，不然图表里的中文会变成方框
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

3. 用AKShare轻松获取A股行情数据

数据是量化交易的“粮食”。以前获取数据特别麻烦，要么花钱买，要么自己写爬虫，还要担心数据格式不统一、源不稳定。AKShare的出现，可以说把这个问题简化了90%。它把各大财经网站的数据接口封装成了统一的函数，我们只需要关心自己要什么数据，调用对应的函数就行。

比如，我们要获取上证指数（代码 sh000001）从2016年至今的日线数据，只需要一行代码：

# 获取上证指数日线数据
df_index = ak.stock_zh_a_daily(symbol="sh000001", start_date="2016-01-01", end_date="2023-12-31", adjust="qfq")
print(df_index.head())

看看返回的 DataFrame，你会看到 date, open, high, low, close, volume 这些熟悉的字段，数据非常规整。参数 adjust="qfq" 表示获取的是前复权数据，这非常重要，它能保证价格在除权除息后依然有连续性，回测结果才真实可信。

除了大盘指数，获取个股数据也一样简单。比如你想分析贵州茅台：

# 获取贵州茅台（股票代码600519）的日线数据
df_stock = ak.stock_zh_a_daily(symbol="sz000858", start_date="2020-01-01", adjust="qfq")

这里注意，AKShare里A股的代码符号，沪市是 sh 开头，深市是 sz 开头。有时候我们想批量获取多只股票的数据，比如沪深300成分股，AKShare也提供了支持。你可以先获取成分股列表，再循环调用接口。但这里有个小技巧，批量获取时最好在每次请求间加个短暂延时，避免给数据源服务器造成太大压力，这也是一个负责任的开发者应有的习惯。

# 示例：获取沪深300成分股列表（这里只是个思路示例）
# stock_hs300_constituent = ak.index_stock_cons_csindex(symbol="000300")
# 实际批量获取时，建议使用循环并加入 time.sleep(0.5)

拿到数据后，我们通常要做一些预处理。最基本的是把 date 列设置为索引，并按照时间排序，这样后续按时间序列计算才会正确。

df_index['date'] = pd.to_datetime(df_index['date'])
df_index.set_index('date', inplace=True)
df_index.sort_index(inplace=True) # 确保按日期升序排列

然后，我们计算一下每日的收益率，这在回测中会频繁用到：

df_index['ret'] = df_index['close'].pct_change() # 今日收盘价相对于昨日收盘价的涨跌幅

数据准备好了，就像食材已经洗净切好，接下来就要开始烹饪——计算我们的核心指标MFI了。

4. 深入理解MFI指标的计算与市场含义

MFI，全称 Money Flow Index，资金流量指数。光看名字有点抽象，我们把它拆开揉碎了讲。它的核心思想是：通过结合价格和成交量，来判断资金是流入还是流出某个标的。

它的计算步骤可以分解为以下几步，我结合代码和比喻来解释：

1. 计算典型价格（Typical Price）：这不是简单的收盘价，而是（最高价+最低价+收盘价）/ 3。你可以把它看作当天交易价格的一个“平均重心”。

   typical_price = (high + low + close) / 3
   

2. 计算原始货币流（Raw Money Flow）：用典型价格乘以当天的成交量。典型价格 * 成交量。这很好理解，价格代表单价，成交量代表数量，两者相乘就是一个粗略的“成交金额”概念。

   raw_money_flow = typical_price * volume
   

3. 区分正负货币流：这是MFI的精华所在。它比较今天和昨天的原始货币流。
   • 如果今天的原始货币流 > 昨天的，那么今天的钱流就被记为 正货币流（Positive Money Flow）。这代表有资金在积极买入推动。
   • 反之，则记为 负货币流（Negative Money Flow）。代表资金在流出或买入意愿不强。
4. 计算货币比率（Money Ratio）：在设定的周期内（默认14天），将所有的正货币流求和，所有的负货币流也求和，然后计算两者的比值。MR = (14期正货币流总和) / (14期负货币流总和)。
5. 计算MFI值：最后通过一个公式将货币比率转化为0到100之间振荡的指数。MFI = 100 - [100 / (1 + MR)]。

这个公式的结果就是，MFI值会在0到100之间波动。它被广泛应用的法则有两条：

• 超买超卖：通常认为MFI > 80时，市场处于超买状态，价格上涨可能过度，有回调风险；MFI < 20时，市场处于超卖状态，价格可能被低估，有反弹机会。
• 背离：当价格创出新高，但MFI指标没有同步创出新高（顶背离），这可能是上涨动力不足的预警信号；反之，价格创新低而MFI未创新低（底背离），则可能预示着下跌动能衰竭。

听起来是不是和RSI很像？关键区别就在于成交量。我举个例子：假设股价连续小幅上涨，但成交量逐日萎缩。RSI可能因为价格上涨而进入高位，发出超买信号。但MFI会因为成交量这个“权重”因子很小，而使得货币流增长缓慢，可能就不会进入超买区。MFI认为，没有成交量配合的上涨是“虚”的，这通常能过滤掉一些假突破。

在Python中，我们不需要自己从头实现这个计算过程，TA-Lib库已经提供了高度优化的函数。我们拿到数据后，直接调用即可：

# 假设 df 是已经预处理好的DataFrame，包含 high, low, close, volume 列
high = df['high'].values
low = df['low'].values
close = df['close'].values
volume = df['volume'].values

# 计算14日周期的MFI
df['mfi'] = ta.MFI(high, low, close, volume, timeperiod=14)

计算完成后，我们可以把价格走势和MFI指标画在一起看看，直观感受一下：

fig, axes = plt.subplots(2, 1, figsize=(16, 10), sharex=True)
axes[0].plot(df.index, df['close'], label='收盘价', color='royalblue', linewidth=1.5)
axes[0].set_title('上证指数收盘价走势', fontsize=15)
axes[0].legend()
axes[0].grid(True, linestyle='--', alpha=0.5)

axes[1].plot(df.index, df['mfi'], label='MFI(14)', color='darkorange', linewidth=1.5)
axes[1].axhline(y=80, color='r', linestyle='--', alpha=0.7, label='超买线 (80)')
axes[1].axhline(y=20, color='g', linestyle='--', alpha=0.7, label='超卖线 (20)')
axes[1].fill_between(df.index, 20, 80, color='lightgray', alpha=0.3)
axes[1].set_title('MFI资金流量指数', fontsize=15)
axes[1].legend()
axes[1].grid(True, linestyle='--', alpha=0.5)
plt.tight_layout()
plt.show()

从图上，你就能清晰地看到MFI如何在0-100区间波动，以及在触及20和80线时，价格往往可能发生转折。但这只是视觉上的观察，要把它变成可交易的策略，我们还需要明确的买卖规则。

5. 构建你的第一个MFI交易策略信号

看懂了指标，接下来就是制定规则。最简单的MFI策略就是基于它的超买超卖特性。但这里有个细节需要注意：我们是在指标穿越阈值时交易，而不是在指标处于阈值之外时一直持有。

一个经典的入门级规则是这样的：

• 买入信号：当MFI从下方（小于20）向上突破20线时，我们认为市场可能从超卖区域恢复，在收盘时买入。
• 卖出信号：当MFI从上方（大于80）向下跌破80线时，我们认为市场可能从超买区域回落，在收盘时卖出。

为什么要在“穿越”的瞬间行动？因为如果等MFI回到20-80区间中部再行动，可能会错过很大一段行情。这个“金叉死叉”式的思路在技术指标应用中非常普遍。

我们用代码来实现这个信号标记：

# 初始化信号列
df['signal'] = 0

# 循环判断，从第15个数据开始（因为MFI需要前14个数据计算）
for i in range(14, len(df)):
    # 当前MFI大于20，且前一日MFI小于20，产生买入信号(1)
    if df['mfi'].iloc[i] > 20 and df['mfi'].iloc[i-1] <= 20:
        df.loc[df.index[i], 'signal'] = 1
    # 当前MFI小于80，且前一日MFI大于等于80，产生卖出信号(-1)，我们这里用0代表空仓
    elif df['mfi'].iloc[i] < 80 and df['mfi'].iloc[i-1] >= 80:
        df.loc[df.index[i], 'signal'] = 0
    # 其他情况，信号保持不变（使用前向填充）
    else:
        df.loc[df.index[i], 'signal'] = df['signal'].iloc[i-1]

# 第一天没有前一天的信号，我们假设初始状态为空仓（0）
df['signal'].iloc[:14] = 0

这里我用了 signal 为1代表持有，0代表空仓。注意，我们标记的信号是收盘时产生的，实际交易发生在下一个交易日开盘。所以，我们需要根据信号来计算每天的仓位。

# 当天收盘产生的信号，用于决定第二天的仓位。所以将信号列整体向下移动一行。
df['position'] = df['signal'].shift(1)
# 对NaN值进行前向填充，意味着一旦开仓，在收到卖出信号前将一直持有。
df['position'].fillna(method='ffill', inplace=True)
# 同样，初始仓位设为0
df['position'].iloc[0] = 0

现在，我们可以把买卖信号在价格图上标注出来，看看它大概抓到了哪些转折点。

plt.figure(figsize=(16, 8))
plt.plot(df.index, df['close'], label='收盘价', alpha=0.7, linewidth=1)

# 找出买入和卖出的时间点
buy_signals = df[df['signal'].diff() == 1]  # 信号从0变为1的时点
sell_signals = df[df['signal'].diff() == -1] # 信号从1变为0的时点

plt.scatter(buy_signals.index, buy_signals['close'], color='red', marker='^', s=100, label='买入信号', zorder=5)
plt.scatter(sell_signals.index, sell_signals['close'], color='green', marker='v', s=100, label='卖出信号', zorder=5)

plt.title('MFI策略买卖信号示意图', fontsize=16)
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)
plt.show()

图上那些红色的向上箭头和绿色的向下箭头，就是策略自动生成的买卖点。看起来它成功避开了几段明显的下跌（比如2018年），也在上涨初期发出了买入信号。但这只是“看起来不错”，我们需要用严谨的回测来验证它的真实盈利能力。

6. 策略回测与绩效分析：你的策略真的赚钱吗？

策略回测是量化交易的“试金石”。一个想法在纸上画出来再美，不经过历史数据的检验，都是空中楼阁。回测的核心思想是：假设我们严格按照策略信号在过去进行交易，最终会得到怎样的收益曲线和风险指标？

我们从最简单的“净值曲线”开始计算。假设初始资金为1元，每天根据仓位计算资产变化：

• 如果当天仓位为1（满仓），那么当天净值增长率 = 股票收益率。
• 如果当天仓位为0（空仓），那么当天净值增长率 = 0（假设闲置资金无收益，更复杂的模型可以考虑现金利息）。

# 计算策略每日收益率：仓位 * 股票收益率
df['strategy_ret'] = df['position'] * df['ret']

# 计算策略净值曲线和基准（一直持有）净值曲线
df['strategy_net'] = (1 + df['strategy_ret']).cumprod()
df['benchmark_net'] = (1 + df['ret']).cumprod()

# 画出对比图
plt.figure(figsize=(15, 7))
plt.plot(df.index, df['strategy_net'], label='MFI策略净值', color='darkred', linewidth=2)
plt.plot(df.index, df['benchmark_net'], label='基准（买入持有）净值', color='steelblue', linewidth=2, alpha=0.7)
plt.title('MFI策略 vs 买入持有策略 净值对比', fontsize=16)
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)
plt.ylabel('净值')
plt.show()

光看净值曲线还不够，我们需要几个关键指标来量化策略的好坏。我通常最关注这几个：

1. 累计收益率：策略从开始到结束的总收益。
2. 年化收益率：把总收益折算到每年，方便比较不同时间长度的策略。
3. 最大回撤：策略净值从最高点到之后最低点的最大跌幅。这个指标非常重要，它衡量了你可能承受的最大亏损，直接关系到你的心态能否扛得住。
4. 夏普比率：衡量承担每单位风险所获得的超额回报。简单说，就是收益和风险的“性价比”。通常大于1算不错。
5. Alpha & Beta：Alpha代表超越市场基准的收益（选股能力），Beta代表策略相对于市场的波动性（系统风险）。

下面是一个计算这些指标的通用函数，你可以把它收藏起来，以后回测任何策略都能用：

def evaluate_strategy(df):
    """评估策略表现"""
    # 计算总收益率和年化收益率（假设一年250个交易日）
    total_return = df[['strategy_net', 'benchmark_net']].iloc[-1] - 1
    days = len(df)
    annual_return = (1 + total_return) ** (250 / days) - 1

    # 计算最大回撤
    # 计算累计最大值
    roll_max = df[['strategy_net', 'benchmark_net']].cummax()
    # 计算当前净值距离历史最高点的回撤
    drawdown = (df[['strategy_net', 'benchmark_net']] - roll_max) / roll_max
    max_drawdown = drawdown.min() # 最大回撤是负数，取最小值

    # 计算夏普比率 (假设无风险利率为3%)
    risk_free_rate = 0.03
    # 策略日度超额收益率
    excess_ret = df['strategy_ret'] - risk_free_rate/250
    sharpe_ratio = np.sqrt(250) * excess_ret.mean() / excess_ret.std()

    # 计算Alpha和Beta
    # 策略和基准的日收益率序列
    strategy_ret_series = df['strategy_ret']
    benchmark_ret_series = df['ret']
    # 计算协方差矩阵
    cov_matrix = np.cov(strategy_ret_series, benchmark_ret_series)
    beta = cov_matrix[0, 1] / cov_matrix[1, 1]
    alpha = annual_return['strategy_net'] - annual_return['benchmark_net'] * beta

    # 整理结果
    result = {
        '累计收益率_策略': f"{total_return['strategy_net']:.2%}",
        '累计收益率_基准': f"{total_return['benchmark_net']:.2%}",
        '年化收益率_策略': f"{annual_return['strategy_net']:.2%}",
        '年化收益率_基准': f"{annual_return['benchmark_net']:.2%}",
        '最大回撤_策略': f"{max_drawdown['strategy_net']:.2%}",
        '最大回撤_基准': f"{max_drawdown['benchmark_net']:.2%}",
        '夏普比率': f"{sharpe_ratio:.2f}",
        'Alpha': f"{alpha:.2%}",
        'Beta': f"{beta:.2f}"
    }
    return pd.Series(result)

# 调用函数查看结果
performance = evaluate_strategy(df)
print(performance.to_string())

把这些数字和图表放在一起看，你对这个策略的表现就有了一个立体、客观的认识。比如，你可能会发现策略年化收益率比基准低，但最大回撤也小很多，夏普比率更高。这意味着策略用更小的波动和回撤，获得了相对不错的风险调整后收益，对于厌恶风险的投资者来说，这可能就是一个好策略。

7. 策略优化与参数调优：让策略更适应市场

用默认的20和80阈值跑了一遍，结果可能不错，也可能一般。但这就结束了吗？当然不。任何一个策略都需要进行参数优化，但优化不是漫无目的地穷举，而是有逻辑地寻找更稳健的参数组合。

MFI策略主要有两个可调参数：超卖阈值（L） 和 超买阈值（H）。默认是20和80。我们可以尝试不同的组合，看看哪个在历史数据上表现更优。但这里我必须强调一个重要的原则：防止过拟合。你不能为了追求历史最高收益而把参数调得极其敏感，这样策略在未来很可能失效。

一个常用的方法是参数网格搜索。我们设定一个合理的范围，比如超卖阈值从10到30，超买阈值从70到90，步长为5，遍历所有组合进行回测。

def backtest_mfi_params(df, L_list, H_list):
    """测试不同的MFI阈值参数组合"""
    results = []
    for L in L_list:
        for H in H_list:
            if L >= H: # 超卖线必须低于超买线
                continue
            # 重新计算信号和仓位（复用之前的逻辑，但用变量L, H）
            temp_df = df.copy()
            temp_df['signal'] = 0
            for i in range(14, len(temp_df)):
                if temp_df['mfi'].iloc[i] > L and temp_df['mfi'].iloc[i-1] <= L:
                    temp_df.loc[temp_df.index[i], 'signal'] = 1
                elif temp_df['mfi'].iloc[i] < H and temp_df['mfi'].iloc[i-1] >= H:
                    temp_df.loc[temp_df.index[i], 'signal'] = 0
                else:
                    temp_df.loc[temp_df.index[i], 'signal'] = temp_df['signal'].iloc[i-1]
            temp_df['position'] = temp_df['signal'].shift(1).ffill().fillna(0)
            temp_df['strategy_ret'] = temp_df['position'] * temp_df['ret']
            temp_df['strategy_net'] = (1 + temp_df['strategy_ret']).cumprod()

            # 计算关键指标
            total_ret = temp_df['strategy_net'].iloc[-1] - 1
            annual_ret = (1 + total_ret) ** (250/len(temp_df)) - 1
            roll_max = temp_df['strategy_net'].cummax()
            drawdown = (temp_df['strategy_net'] - roll_max) / roll_max
            max_dd = drawdown.min()

            results.append({
                'L': L,
                'H': H,
                '总收益': total_ret,
                '年化收益': annual_ret,
                '最大回撤': max_dd,
                '收益回撤比': annual_ret / abs(max_dd) if max_dd != 0 else None # 一个综合衡量指标
            })
    return pd.DataFrame(results)

# 定义参数范围
L_range = [15, 20, 25, 30]
H_range = [70, 75, 80, 85, 90]

# 运行回测
param_results = backtest_mfi_params(df, L_range, H_range)
# 按年化收益或收益回撤比排序查看
print(param_results.sort_values(by='年化收益', ascending=False).head(10))

通过这个表格，你可能会发现 (L=25, H=85) 的组合比默认的 (20, 80) 年化收益更高，或者回撤更小。但是，千万不要直接选择历史收益最高的那个！ 更稳健的做法是，观察多个表现较好的参数组合，它们可能集中在某个区域（比如L在20-25，H在80-85），那么这个区域可能就是相对稳健的参数区间。你可以选择这个区间中部的参数，或者用这些较优参数分别跑一下不同时间段（比如牛市、熊市、震荡市）的表现，看看哪个参数组合在不同市场环境下都还算稳定。

8. 进阶思考：MFI策略的局限性与改进方向

走到这一步，你已经完成了一个完整量化策略从数据到回测的闭环。但作为一个有经验的开发者，我必须告诉你，这个简单的MFI策略离一个真正能投入实战的策略还有距离。认识到它的局限性，才是你进步的起点。

首先，这个策略有几个明显的弱点：

1. 滞后性：所有基于价格和成交量计算的指标都有滞后性。MFI的金叉死叉信号出现时，行情可能已经走了一段。
2. 震荡市亏损：在价格没有趋势、来回震荡的行情里，MFI会在超买超卖线附近频繁发出买卖信号，导致“左右挨打”，产生连续的微小亏损，俗称“滑点损耗”。
3. 参数敏感性：我们刚才优化了参数，但市场风格会变。过去十年有效的参数，未来不一定有效。
4. 忽略交易成本：我们的回测假设买卖没有手续费、没有冲击成本，这在现实中是不可能的。频繁交易会迅速侵蚀利润。

那么，有哪些可以尝试的改进方向呢？

1. 增加过滤器：不要单独使用MFI。可以结合趋势指标，比如只有当价格在200日均线之上（牛市环境）时，才执行MFI的超卖买入信号；在均线之下时，只执行超买卖出信号甚至不操作。这可以避免在下跌趋势中盲目抄底。
2. 优化出场规则：卖出不一定非要等MFI下穿80。可以结合跟踪止盈，比如从买入后的最高点回落7%就卖出，这样能更好地抓住趋势。
3. 仓位管理：不要总是全仓进出。可以根据MFI值离开阈值的“深度”来动态调整仓位。比如MFI跌到10时，仓位可以加到80%；MFI刚上穿20时，只建仓30%。这属于金字塔加仓/减仓的思路。
4. 多时间框架确认：看日线MFI信号时，也参考周线MFI的趋势。如果周线MFI也在低位向上，那么日线的买入信号可靠性更高。
5. 引入其他指标进行确认：比如用成交量加权平均价（VWAP）、平均趋向指数（ADX）等来确认趋势强度，避免在无趋势时交易。

把这些思路用代码实现，就是对你编程和逻辑能力的很好锻炼。例如，增加一个200日均线过滤：

df['ma200'] = df['close'].rolling(window=200).mean()
df['trend'] = df['close'] > df['ma200'] # 判断是否处于上升趋势

# 修改信号生成逻辑：只在上升趋势中做多，下降趋势中只平仓不开仓
for i in range(200, len(df)): # 注意，因为用了200日均线，起始索引要调整
    if df['trend'].iloc[i]: # 上升趋势
        if df['mfi'].iloc[i] > 20 and df['mfi'].iloc[i-1] <= 20:
            df.loc[df.index[i], 'signal'] = 1
        elif df['mfi'].iloc[i] < 80 and df['mfi'].iloc[i-1] >= 80:
            df.loc[df.index[i], 'signal'] = 0
    else: # 下降趋势，只清仓，不开仓
        if df['mfi'].iloc[i] < 80 and df['mfi'].iloc[i-1] >= 80:
            df.loc[df.index[i], 'signal'] = 0
        # 即使出现买入信号，也不操作，信号维持原样

量化交易是一个不断迭代和优化的过程。今天这个基于AKShare和MFI的策略，为你提供了一个坚实的起点和完整的分析框架。最重要的是，你学会了如何获取数据、计算指标、构建规则、回测评估以及思考改进。接下来，你可以用这个框架去测试更多的指标（比如MACD、KDJ、布林带），或者尝试不同的资产（个股、ETF、期货），甚至开始学习如何将策略自动化。记住，在实盘之前，一定要用足够长的历史数据、考虑交易成本、并在模拟环境中充分测试。这条路很长，但每一步都算数，从这一个简单的策略开始，慢慢构建属于你自己的交易系统吧。