浅谈如何区分趋势和震荡行情：实战方法与代码详解
在金融市场中，行情判断的能力直接决定了策略的盈利能力。盈利的关键并不在顺风行情中赚得更多，而是在逆风行情中亏得更少。由于市场极端行情往往不会回头，许多投资者在面对突发行情时容易陷入幻想，从而加剧亏损。
策略并非万能，每种策略都有其适用性。例如：
趋势策略在单边行情中表现优异，但在震荡行情中可能因为频繁止损而亏损；
震荡策略在趋势行情中容易因单边持仓导致损失。
因此，判断行情类型（趋势或震荡）至关重要，这直接决定了策略选择的有效性和盈利能力。
行情判断方法：从主观到量化
传统上，许多交易者通过经验和直觉来判断行情，这种主观性判断容易受到情绪和偏见的干扰，存在很大的不确定性。为了解决这一问题，量化方法应运而生。通过引入统计学和数学模型，我们可以更客观地分析市场特征。
以下将介绍三种常用的量化方法：
CMI（Choppy Market Index）
ADX（Average Directional Index）
时间序列分析法
CMI（Choppy Market Index）
CMI 是一种衡量市场波动性和趋势性的指标，能直观地显示市场状态。
其公式为：
其中：
CMI 的特点：
CMI 值较高时，表示市场有较强的趋势性；
CMI 值较低时，表示市场处于震荡状态。
为了更清楚地理解其运作，我们实现了以下代码：
def cmi_calculate(data, window_size, cmi_threshold):
"""
计算 Choppy Market Index (CMI) 并判断市场状态
"""
# 获取数据
high_prices = data['High'].values
low_prices = data['Low'].values
close_prices = data['Close'].values
cmi_values = [None] * len(data)
point_states = ['Unknown'] * len(data)
# 滑动窗口计算 CMI
for i in range(window_size, len(data)):
high_window = high_prices[i - window_size + 1:i + 1]
low_window = low_prices[i - window_size + 1:i + 1]
close_window = close_prices[i - window_size + 1:i + 1]
hh = high_window.max()
ll = low_window.min()
cmi = abs((close_window[-1] - close_window[0]) / (hh - ll)) * 100 if hh != ll else 0
cmi_values[i] = cmi
# 根据阈值分类
point_states[i] = 'Trend' if cmi > cmi_threshold else 'Oscillation'
return cmi_values, point_states
ADX（Average Directional Index）
CMI 能直观地分类市场状态，而 ADX 则专注于衡量趋势的强度，适用于更复杂的市场分析。
其计算公式为：
其中：
ADX 的特点：
ADX 值高于某阈值（如 25）时，表明市场存在明显趋势；
ADX 值较低时，表明市场震荡。
以下是 ADX 的实现代码：
def adx_calculate(data, window_size=20, adx_threshold=25):
"""
计算 ADX 并判断市场状态
"""
# 使用 TA-Lib 进行 ADX 计算
adx = talib.ADX(data['High'].values, data['Low'].values, data['Close'].values, timeperiod=window_size)
# 根据阈值判断市场状态
point_states = ['Trend' if adx[i] > adx_threshold else 'Oscillation' for i in range(len(adx))]
return adx, point_states
时间序列分析法
如果希望通过统计分析进一步提高判断的精度，可以使用时间序列方法。这种方法的核心是检测价格序列的平稳性和自相关性：
ADF（Augmented Dickey-Fuller Test）
检验时间序列是否存在单位根（非平稳）。
非平稳序列通常代表趋势市场。
ACF（Autocorrelation Function）
检测序列的自相关性。
趋势序列通常自相关性较强。
以下是代码实现：
from statsmodels.tsa.stattools import adfuller, acf
def analyze_market_states(data, window_size=20, threshold_adf=0.05, threshold_acf1=0.6, threshold_acf2=0.4):
"""
通过 ADF 和 ACF 区分市场状态
"""
def adf_test(series):
result = adfuller(series)
return result[1]
def acf_test(series):
acf_values = acf(series, nlags=2)
return acf_values[1] > threshold_acf1 and acf_values[2] > threshold_acf2
point_states = ['Unknown'] * len(data)
for i in range(len(data) - window_size + 1):
window = data[i:i + window_size]
p_value = adf_test(window)
if p_value > threshold_adf and acf_test(window):
point_states[i + window_size // 2] = 'Trend'
else:
point_states[i + window_size // 2] = 'Oscillation'
return point_states
三种方法对比与结论
以 2024 年棕榈油期货行情为例，在优宽量化平台，我们对比了 CMI、ADX 和时间序列分析三种方法的效果：
CMI：
优点：简单直观，适合快速判断。
缺点：对极端行情较为敏感。
ADX：
优点：衡量趋势强度，适用范围广。
缺点：滞后性较强。
时间序列分析：
优点：统计精度高，抗干扰性强。
缺点：计算复杂，对数据要求较高。
结论：
时间序列分析在分类效果上优于 CMI 和 ADX，但在高频交易中可能因计算开销较大而受限。对于实际应用，应结合不同市场和策略需求选择方法。
注：这里仅仅是针对于固定参数，我们可以使用不同的参数组合进行更多品种，更多行情的设置。
优化与扩展
调参与去噪：
针对不同品种和行情优化参数。
使用平滑技术降低数据噪声。
复杂方法：
引入深度学习模型（如 LSTM）捕捉非线性特征。
使用聚类算法识别隐含市场状态。
通过不断优化模型和结合多种方法，可以在复杂的市场中提高判断准确性，为策略执行提供可靠支持。
转载自：优宽量化社区
作者：ianzeng123