技 术分析是一种预测股票未来价格走势的方法。1它基于一个核心假设：市场参与者的行为和心理模式会不断重复。技术分析师通过研究历史的价格和成交量数据，来寻找可以帮助他们预测未来的模式，就像气象学家通过观察过去的天气数据来预测未来的天气一样。2
一些常见且有代表性的技术指标包括：
-
RSI (相对强弱指数)： 衡量价格上涨或下跌的力度。3
布林带 (Bollinger Bands)： 在移动平均线上下设置两条带状线，用于判断价格的波动范围。4
MACD (移动平均线收敛/发散指标)： 通过比较短期和长期移动平均线来判断价格趋势的变化。5
使用 CLV 构建 Alpha 模型
CLV（收盘位置值） 是一个非常简单但有用的技术指标。它告诉你当天的收盘价在全天的价格范围内处于什么位置。这个指标能帮助你洞察在收盘前，市场情绪是看涨还是看跌。
CLV 的计算方法 🎯
CLV 的值介于 -1 到 1 之间。
公式： CLV=((收盘价−最低价)−(最高价−收盘价))/(最高价−最低价)
- 当 CLV 接近 1 时，意味着收盘价非常接近当天的最高价。这通常表示当天多头力量（买方）非常强劲，在收盘时仍然占据主导地位。
- 当 CLV 接近 -1 时，意味着收盘价非常接近当天的最低价。这通常表示当天空头力量（卖方）非常强劲，在收盘时仍然在打压价格。
CLV 的 Alpha 策略💡
因为 CLV 衡量的是一天的价格变化，它非常适合用来构建反转（Reversion） 策略，也就是我们之前讲过的“物极必反”思想。
一个常见的 CLV 反转策略是：
- 当 CLV 很低（接近 -1）时 → 意味着当天大跌，预测第二天会反弹，所以做多（买入）。
- 当 CLV 很高（接近 1）时 → 意味着当天大涨，预测第二天会回调，所以做空（卖出）。
结合 CLV 和成交量 🔍
单独使用 CLV 已经是一个不错的策略，但如果将它与**成交量（volume）**结合起来，信号会变得更有意义。例如，你可以假设一个高 CLV（接近 1）且成交量巨大的股票，其上涨趋势更为可信，而一个高 CLV 但成交量很小的股票则可能是一个虚假的信号。通过结合使用这两个指标，你可以更好地过滤掉噪声，找到更可靠的交易信号。
什么是动量效应？🔍
动量效应是金融市场中一个常见的现象：涨的股票倾向于继续涨，跌的股票倾向于继续跌。这就像一个正在奔跑的物体，它会因为惯性而继续向前冲。许多学术研究都 证实了这个效应的存在。
动量效应的特点 ⏰
动量效应的强度会随着时间周期的不同而变化：
- 短期（小于 1 个月）： 在这个时间段内，反转效应更强。这意味着，涨得太快的股票可能会回调，跌得太狠的股票可能会反弹。
- 中期（1 季度到 1 年）： 在这个时间段内，传统的动量效应最为明显。这是最适合捕捉动量趋势的时间窗。
- 长期（超过 12 个月）： 动量效应会逐渐减弱。
如何在 BRAIN 中实现动量效应？👨💻
最简单的动量策略是计算股票在过去一段时间内的涨幅。例如，如果你想计算过去一年的涨幅，可以这样来做：
- 公式：
ts_delta(close, 250) / ts_delay(close, 250)ts_delta(close, 250)：计算 250 个交易日（大约一年）前到现在收盘价的变化量。ts_delay(close, 250)：获取 250 个交易日前的收盘价。- 整个公式计算的是过去一年的回报率。
然而，这个简单的公式可能不会产生好的 Alpha 结果。 为什么呢？因为过去一年的回报率包含了最近一个月内的短期回报率，而在这个短期内，反转效应可能比动量效应更强。这会导致你的模型信号变得混乱。
优化动量策略的方法 💫
为了更清晰地捕捉中期动量效应，你可以使用以下两种方法来优化你的 Alpha 模型：
- 应用延迟（Apply Delay）：
- 思想： 既然短期内反转效应很强，我们就把最近一个月的信号排除在外。
- 实现： 你可以在计算完一年的回报率后，再施加一个延迟操作符。例如，
ts_delay(ts_delta(close, 250) / ts_delay(close, 250), 10)这个公式会计算过去一年（250 天）的回报率，但会忽略最近 10 天的数据。这能有效排除短期反转效应的干扰，让你更专注于中期动量。
- 统计上涨天数（Count Up-Days）：
- 思想： 动量不仅体现在最终的涨幅上，也体现在上涨天数的多少上。一只股票在一年内上涨的天数越多，说明其动量越强。
- 实现： 你可以使用
ts_sum(returns > 0 ? 1 : 0, 250)这个公式。returns > 0：这是一个逻辑判断，如果当天的回报率大于 0（即股价上涨），结果为真。? 1 : 0：这是一个条件操作符。如果returns > 0为真，则返回 1；否则返回 0。ts_sum(..., 250)：对过去 250 个交易日的结果求和。