量化策略开发，高质量社群，交易思路分享等相关内容

『正文』

大家好，今天我们分享异质化LM系列——CTA第13篇，本篇策略内容也是LM异质化社群的最终章。

2022年7月31日之后，我们的异质化社群将到期，策略内容以及社群还会对外，具体详情请私信客服、慕总或我本人（我相信大家都知道我是谁）。

该篇内容我们融合了LM11的去噪音重构K线算法，和融合LM11收盘价单调性和周期均线的标准化结构形态量化，以及形态量化后的周期动量构造，共三个步骤。

一、策略逻辑与内容

首先我们按照LM11中的Heikin Ashi重构K线方法对原始K线进行去噪过滤，如下图所示:

在这里我不过多赘述原理和理论，感兴趣的可以翻看我们之前的LM系列第11篇文章——LM11丨重构K线构建择时交易策略。

第二步，我们根据重构的K线行情数据进行形态量化。在这里我们并不是量化什么矩形、楔形、上升三角、下降三角、头肩顶底等这些K线形态，我们的角度是从“趋”的切入点出发，去量化趋势形态。

价格的趋势，有两方面的含义：“趋”代表价格运动的方向，而“势” 则表明价格波动的强弱。一般从价格走势图上，价格运动方向比较容易描述，但从量化的角度“势”不是那么容易刻画，本篇我们先讨论“趋”。如下图所示：

下图的 K 线图，总共 11 根 K 线，假定图中第一根 K 线的收盘价与前一根不在图中的 K 线收盘价相比较是上涨的，那么基于收盘价单调性进行简化，收盘价变化可以记为（涨、涨、跌、涨、跌、涨、涨、跌、涨、跌、跌），用 1 与-1 表示状态变化向量为（1，1，-1，1，-1，1，1，-1， 1，-1，-1），因此价格的位移向量为（0，1，2，1，2，1，2，3，2，3， 2，1），注意位移向量比状态变化向量多一个初始单元 0，表示位移的起点从零开始。下图第一幅图为价格的实际走势，第二幅图是基于收盘价单调性的标准化结构图。

从这个例子看出，基于收盘价单调性标准化结构图，基本上和实际 K 线图比较相似，反映了价格的上涨和下跌的状态变化，但不足之处，对于上涨和下跌的幅度刻画得不够充分，相比较真实 K 线图，简化图更偏震荡。这个例子说明，如果只使用收盘价的单调性，标准化后走势会放大实际走势的震荡幅度，从而不能有效反映实际走势的趋势强度。

为了解决这个问题，一个自然而然的想法则是在对实际走势标准化过程中，考虑趋势的方向这个维度，均线是对趋势方向一个比较好的量化指标。因此我们引入 N周期均线，那么状态变化向量定义为：如果当前收盘价大于或等于 N 周期均线价格，则为 1；如果当前收盘价严格小于 5N周期均线价格，则为-1。

如下图所示：

上图K 线图中 5 周期均线，实际用到了第一根 K 线之前的另外 5 根 K 线的收盘价数据。状态变化向量为（1，1，1，1，1，1，1，-1，-1，-1， -1），而位移向量为（0，1，2，3，4，5，6，7，6，5，4，3）。从基于 5 周期均线的标准化结构图可以看出，基本上反映了实际走势图的趋势状态，左侧呈现单边上扬而右侧单边下跌，但较实际图形趋势更强，这就是 5 周期均线定义的美中不足之处，过于强化了趋势，而淡化了实际价格在均线之上或之下的涨跌波动变化，换言之，趋势粉饰过多，而震荡考量不足。

基于以上定义和缺点，我们融合收盘价单调性和 5 周期均线的标准化结构图，如下图所示：

也就是说，但我们处在均线以上是一种状态，然后在均向上这个状态前提下，还有基于收盘价单调性的测量与位移计算。如下图所示：

我们创建好形态量化分析数据结果后，我们根据形态量化出来的关于“趋”的数据进行动量周期分析。如下图所示：

看过“Pro_05丨基于波动率因子的择时分析”这篇文章的朋友应该不陌生。

二、策略可视化

T long

当然我们在下跌过程中也会多少出现周期动量抄底的信号出现，但是这并没有让这个策略变为一个抄底策略，本质还是一个反转动量策略。

T short

三、绩效

T 组合

我们来看一下与LM10中国债组合绩效情况

LM10国债组合

LM13与LM10国债组合

该策略在国债期货与LM10形成强烈的互补结构，其中较为明显的是就是从2020年上半年的分水岭为标志线。（疫情+银行参与主体）

总结：

1、该策略出场是常规的CTA出场逻辑，并没有异质化，这里可以修改

2、出场方面我测试了Krange与松鼠的trackout两种出场模式，从测试数据结果看，还是往上加的形式更为优秀。

3、该策略以国债为针对性开发，其他品种也有测试，但是由于时间问题，我没有将这些品种放上来，会员朋友可以自行看部署好的工作区。

4、针对此策略，还有更为深入迭代空间，后面我会组织“国债组”，我会提供给大家国债策略逻辑框架，专门针对国债进行CTA策略开发。届时我会在7月中旬的直播中进一步详解。

由于各平台差异，回测绩效以TBQ版本为准！！！

本策略仅作学习交流使用，实盘交易盈亏投资者个人负责。

LM13丨形态量化-动量周期分析相关推荐

量化交易——传统技术分析随机震荡指标STO的原理及实现
随机震荡指标STO(KD) 与MACD类似的是,STO同样地使用了两条曲线来表示,不同的是STO的曲线范围限制在0到100之间.在设计的过程当中,其不仅要研究其收市价,同时还要包括近期所出现过的最高价 ...
python训练营免费领取-21天训练营丨Python量化投资打卡第五期！学完押金全返！...
原标题:21天训练营丨Python量化投资打卡第五期!学完押金全返! 关注我们,后台毕业以后,你想找一份什么工作? 钱多的也许你有点儿不好意思承认但是确确实实地感觉到: 我很羡慕互联网行业和 ...
基于深度学习模型的麻蕉疾病自动识别（增加形态计量和几何分析）
Automatic Identification of Abaca Bunchy Top Disease using Deep Learning Models 1.摘要解读用DSLR和移动相机拍摄了 ...
如何基于用户生命周期分析，寻找新的增长点
点击查看分析服务是如何基于用户全生命周期的分析管理,帮助各类应用寻找新的增长点运营增长困境如何破局我们知道,便捷生活.电商.游戏.娱乐影音.新闻阅读等垂类应用,几乎所有应用都面临着很大的用户增长的 ...
怎样进行股票量化对冲策略分析？
股票量化对冲策略的分析需要从各方面去深入了解,就比如说明确量化和对冲的概念,可以先下载OA系统中"量化对冲产品基础知识的学习,也要知道量化对冲产品在构建股票多头的同时,也构建期货空头.在市 ...
量化交易——传统技术分析布林通道BollingerBands的原理及实现
布林通道布林通道线是根据统计学的标准差来计算的,其具体可由上中下三条曲线展示.其中上下两线分别代表上升压力线和下降支撑线,故而可以根据K线图是否突破布林曲线来判断较好的买卖节点.三条曲线计算方法如下 ...
关于用户生命周期分析的总结
文章目录 1.必须要清楚的几个知识 2.在用户生命周期的分类过程中,通常会有哪些误区? 3.一些常用的生命周期划分方法 4. 如何进行有效的提升用户体验 1.必须要清楚的几个知识什么是用户生命周期? ...
量化交易——传统技术分析能量潮指标OBV的原理及实现
能量潮指标OBV 股市分析中有四个要素,分别是价.量.时.空.其中OBV便是从成交量作为分析的突破口.它反映的是在股市起伏波动时相关的市场人气变化,可以用来判断股市是否处于有较强的想上冲的牛市中还是即 ...
【技术分享篇】Linux内核——手把手带你实现一个Linux内核文件系统丨Linux内核源码分析
手把手带你实现一个Linux内核文件系统 1. 内核文件系统架构分析 2. 行行珠玑,代码实现 [技术分享篇]Linux内核--手把手带你实现一个Linux内核文件系统丨Linux内核源码分析更多L ...

LM13丨形态量化-动量周期分析

一、策略逻辑与内容

二、策略可视化

三、绩效

总结：

LM13丨形态量化-动量周期分析相关推荐

最新文章

热门文章