技术指标简介

技术指标简介与分类哲学

小象实战讲义 · 初阶量化交易：策略编写及系统搭建 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

在传统主观交易向现代量化交易转型的过程中，技术指标（Technical Indicators） 是构建择时信号系统最常见的数理工具。从数学与信号处理的本质来看，技术指标既不是预测未来的”水晶球”，也不是神秘的玄学，而是对原始行情数据（价、量、时、空、持仓量）进行特定数学变换后的衍生数值序列或数字滤波器。

本讲系统梳理从底层行情数据到最终交易执行的四步决策链条；深入解析技术指标的四大经典家族（均线型、趋势型、摆动型、能量型）的物理内涵与适用市场环境；并引入量价分析的经典基石——威科夫三大定律（供需关系、因果关系、努力与结果），指导量化开发者如何科学组合多维指标，避免同质化特征过拟合。

💡 核心导读

• 量化交易决策的四步时序链条： $$\text{原始数据 (价/量/时/空/仓)} \xrightarrow{\quad 数学变换 \quad} \text{技术指标序列} \xrightarrow{\quad 逻辑判定 \quad} \text{买卖触发信号} \xrightarrow{\quad 组合路由 \quad} \text{实盘订单执行}$$
• 四大技术指标家族的本质与适用场景：
  1. 均线型（MA, EXPMA, BBI）：反映特定周期内的平均持仓成本，提供趋势基准；
  2. 趋势型（MACD, SAR, ASI, DMI）：适用于单边趋势行情，检测趋势的启动、发展与反转；
  3. 摆动型（KDJ, RSI, BOLL, WR）：适用于箱体震荡行情，度量超买超卖与均值回归；
  4. 能量型（OBV, VOL, VR）：度量成交动能，验证”量在价先、量价配合”的持续性。
• 多指标特征工程的核心禁忌：
  • 严禁同质化堆叠：切忌在模型中同时堆入 80 条不同周期的均线或 10 种同构趋势指标；
  • 跨类别正交选取：多指标合成或机器学习特征提取时，必须从趋势、摆动、能量与均线家族中均衡选取低相关性特征。
• 威科夫量价三定律（Wyckoff Laws）：
  • 供需关系（Supply vs Demand）：买盘与卖盘供求失衡是价格位移的唯一直接动力；
  • 因果关系（Cause vs Effect）：趋势形成前的横盘准备期决定了后市波动幅度（“横有多长，竖有多高”）；
  • 努力与结果（Effort vs Result）：成交量剧增而价格止步不前（放量滞涨），暗示潜在变盘与主力派发。

┌─────────────────────────────────────────────────────────────┐
│                    技术指标四大分类体系与应用                    │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌───────────────┬─────────────┴─────────────┬───────────────┐
 ▼               ▼                           ▼               ▼
┌─────────────┐ ┌─────────────┐             ┌─────────────┐ ┌─────────────┐
│ 均线型 (MA) │ │ 趋势型(MACD)│             │ 摆动型(RSI) │ │ 能量型(OBV) │
├─────────────┤ ├─────────────┤             ├─────────────┤ ├─────────────┤
│ • 平均成本  │ │ • 单边趋势  │             │ • 震荡超买卖│ │ • 量在价先  │
│ • 动态支撑  │ │ • 启动与转折│             │ • 均值回归  │ │ • 动能验证  │
└─────────────┘ └─────────────┘             └─────────────┘ └─────────────┘

一、量化交易决策的四步流程

在量化系统中，从数据接入到订单成交遵循严密的流水线处理：

① 基础数据层 ── 价(Close/High/Low)、量(Volume)、时(Timestamp)、空(振幅)、仓(Open Interest)
② 特征指标层 ── 通过数学公式或滑动窗口计算衍生数值序列 (如 12 日 EMA、20 日布林通道)
③ 信号判定层 ── 设定边沿触发条件 (如 MACD 黄金交叉、RSI 上穿 20 阈值、BOLL 下轨突破)
④ 执行路由层 ── 输出买卖动作 (买开、卖开、买平、卖平)，经头寸与风控模块校验后报单

二、威科夫量价三大定律与背离识别

1. 供需关系（Supply vs Demand）

• 股票与衍生品本质是流动性筹码。当买盘意愿（需求）显著超越卖盘挂单（供应）时，买方必须主动向上扫单才能成交，推动价格上升；反之，供应过剩则迫使卖方下砸出货引发下跌。

2. 因果关系（Cause vs Effect）

• 价格的重大趋势运动在爆发前通常需要充分的筹码沉淀与换手吸筹（“准备阶段”）。横盘震荡蓄势越充分（因），后续单边趋势的持续动能越强（果）。

3. 努力与结果（Effort vs Result）

• 成交量（Volume）代表市场资金投入的努力，价格涨跌幅代表最终呈现的结果；
• 放量滞涨（Effort without Result）：如果在上升趋势末期，成交量出现成倍激增（努力极大），但收盘价涨幅却趋近于零（结果微弱），表明买方力量被天量潜在抛盘全数吸收，是典型的变盘预警信号。

📝 动手练一练

下面我们用 Python 编写一段代码，实现威科夫量价定律中**“努力与结果（放量滞涨）“的量化检测器**，结合成交量异动与价格涨跌幅，自动识别潜在的量价背离变盘点：

import pandas as pd
import numpy as np

def demonstrate_wyckoff_effort_vs_result():
    """
    演示威科夫量价三定律之'努力与结果 (Effort vs Result)'量化检测:
    1. 计算价格涨跌幅与成交量环比增幅
    2. 计算能量型指标 OBV (能量潮)
    3. 量化识别'高位放量滞涨 (买方努力极大但价格涨幅衰竭)'的潜在变盘信号
    """
    np.random.seed(42)
    dates = pd.date_range("2023-01-01", periods=6, freq="D")
    
    # 模拟价格与成交量: 前期温和放量上涨，最后阶段成交量暴增但价格涨幅停滞
    closes = np.array([10.0, 10.5, 11.2, 11.8, 11.9, 11.95])
    volumes = np.array([10000, 12000, 15000, 18000, 35000, 42000])  # 成交量大幅激增
    
    df = pd.DataFrame({'Close': closes, 'Volume': volumes}, index=dates)
    df['Price_Change_Pct'] = df['Close'].pct_change() * 100.0
    df['Volume_Change_Pct'] = df['Volume'].pct_change() * 100.0
    
    # 计算能量型指标: OBV (On Balance Volume)
    obv = [0]
    for i in range(1, len(df)):
        if df['Close'].iloc[i] > df['Close'].iloc[i-1]:
            obv.append(obv[-1] + df['Volume'].iloc[i])
        elif df['Close'].iloc[i] < df['Close'].iloc[i-1]:
            obv.append(obv[-1] - df['Volume'].iloc[i])
        else:
            obv.append(obv[-1])
    df['OBV'] = obv
    
    # 量化判定'努力与结果背离': 成交量环比增幅 > 50% 且 价格涨幅 < 1.0%
    df['Effort_No_Result'] = (df['Volume_Change_Pct'] > 50.0) & (df['Price_Change_Pct'] < 1.0)
    
    print("================ 威科夫量价背离: 努力与结果检测 ================")
    print(df[['Close', 'Price_Change_Pct', 'Volume', 'Volume_Change_Pct', 'OBV', 'Effort_No_Result']])
    print("----------------------------------------------------------------")
    stagnant_dates = df[df['Effort_No_Result']].index.strftime('%Y-%m-%d').tolist()
    print(f"检测到'高位放量滞涨 (努力与结果背离)'日期: {stagnant_dates}")
    print("量化启示: 成交量暴增而价格涨不动，暗示供应涌出与主力派发，需提前做好风控！")
    print("================================================================")

if __name__ == "__main__":
    demonstrate_wyckoff_effort_vs_result()

运行结果输出：

================ 威科夫量价背离: 努力与结果检测 ================
            Close  Price_Change_Pct  Volume  Volume_Change_Pct     OBV  Effort_No_Result
2023-01-01  10.00               NaN   10000                NaN       0             False
2023-01-02  10.50          5.000000   12000          20.000000   12000             False
2023-01-03  11.20          6.666667   15000          25.000000   27000             False
2023-01-04  11.80          5.357143   18000          20.000000   45000             False
2023-01-05  11.90          0.847458   35000          94.444444   80000              True
2023-01-06  11.95          0.420168   42000          20.000000  122000             False
----------------------------------------------------------------
检测到'高位放量滞涨 (努力与结果背离)'日期: ['2023-01-05']
量化启示: 成交量暴增而价格涨不动，暗示供应涌出与主力派发，需提前做好风控！
================================================================

本章小结

1. 理性看待技术指标：指标是对基础行情的数学变换与特征提取，其有效性建立在投资者情绪与供需博弈的逻辑之上。
2. 多维度低相关组合：构建多因子信号系统时，严禁同质化堆叠单一指标，必须在均线、趋势、摆动与能量四大家族间均衡分布。
3. 掌握威科夫三大关系：供需失衡驱动价格、准备过程孕育趋势、努力结果衡量背离，三者是量化择时因子的核心底层逻辑。

📋 行动清单 (Action Checklist)

• 运行本讲放量滞涨检测代码，调整 Volume_Change_Pct 与 Price_Change_Pct 阈值，观察背离敏感度；
• 列出自己最常使用的 3 个技术指标，分析它们分别属于哪一分类家族，是否存在同质化；
• 阅读下一讲内容，掌握指数加权移动平均（EMA）在 MACD 指标中的数学推导公式。

— 小象教研组