2 篇博文 含有标签「动量」

PV 数据包含了股票的价格和成交量信息，这些都是预测股价最核心、最基本的数据。你可以把它们想象成股票的“体温计”和“心跳监测仪”，反映了市场的最基本动态。

---

股票价格与成交量数据​

• 价格数据：
  • 开盘价（Open）： 一天中第一笔交易的价格。
  • 收盘价（Close）： 一天中最后一笔交易的价格。
  • 最高价（High）： 一天中的最高成交价。
  • 最低价（Low）： 一天中的最低成交价。
  • 这些价格点共同构成了我们熟悉的K线图（candlestick chart），直观地展示了股票一天的走势。
• 成交量（Volume）：
  • 成交量表示当天买卖的股票总数量。
  • 高成交量通常意味着市场关注度高、交易活跃。
  • 你可以使用 adv20（20 日平均成交量）这样的数据字段，或者用 ts_mean(volume, N) 来计算任意天数的平均成交量。
• VWAP（成交量加权平均价）：
  • 概念： VWAP 是一种更精确地衡量股票日均价的方法。它考虑到每一笔成交量，而不是简单地计算价格平均值。
  • 作用： 有时，收盘价可能只代表最后几笔交易的价格，如果这些交易量很小，就不能反映当天的真实价格水平。而 VWAP 将交易量大的价格赋予更高的权重，因此能更好地代表一天的平均价格。

---

两种核心 Alpha 思想​

大多数使用 PV 数据的 Alpha 策略都基于以下两种核心思想：

1. 动量（Momentum）：
   • 核心理念： 强者恒强，弱者恒弱。
   • 理论： 认为过去表现好的股票（比如涨了几个月）未来会继续表现良好，而表现差的股票会继续下跌。
   • 时间周期： 动量效应通常在较长的时间周期（几个月或更久）内比较明显。
2. 反转（Reversion）：
   • 核心理念： 物极必反，回归平均。
   • 理论： 认为如果一只股票在短期内涨得太快，它可能会回调；如果跌得太深，它可能会反弹。
   • 时间周期： 反转效应通常在较短的时间周期（几天或几周）内比较明显。
   • 我们之前创建的 rank(-returns) 就是一个简单的反转 Alpha，因为它假设回报率会反转。

---

用 VWAP 尝试一个反转 Alpha​

现在，让我们把所学的知识结合起来，尝试一个更有趣的反转策略。

• 策略思想： 比较收盘价（close）*和*VWAP。
  • 如果收盘价远高于 VWAP，说明股票在收盘前有大量买入，价格被拉高了。根据反转理论，这只股票明天可能会下跌。
  • 如果收盘价远低于 VWAP，说明股票在收盘前有大量卖出，价格被压低了。根据反转理论，这只股票明天可能会反弹。
• 实现方式：
  • 我们可以使用 vwap/close 这个表达式。
  • 当 vwap/close 的值大于 1 时，说明 VWAP 高于收盘价，模型会做多（看涨），期望价格反弹。
  • 当 vwap/close 的值小于 1 时，说明 VWAP 低于收盘价，模型会做空（看跌），期望价格下跌。
• 模拟结果与优化：
  • 当你模拟这个策略时，可能会发现**夏普比率（Sharpe）很高，但换手率（Turnover）**也很高，超出了可提交的标准（通常要求低于 70%）。
  • 这是因为这个策略每天都会可能产生大量的买卖信号。
  • 如何解决？ 你可以利用我们之前学过的**衰减（Decay）**设置，或者使用 trade_when 等操作符，来减少交易频率，从而降低换手率。这是一个在实际操作中常见的优化挑战。

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：

1. 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。
2. 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。