第5章：技术分析因子

在金融市场领域，投资者和交易员寻求通过各种分析方法获得优势以做出明智决策。在这些方法中，技术分析作为一种基于过去市场数据（主要是价格和成交量）预测未来市场走势的强大工具脱颖而出。本章深入探讨技术分析的复杂世界，探索其基本概念、有效性的基本原理，以及在其应用中发挥关键作用的各种因子。

技术分析的核心前提是：市场价格反映了所有已知信息，并且价格走势的模式会随时间重复出现。这种分析形式通常与基本面分析形成对比，后者侧重于基于经济和金融因素评估证券的内在价值。技术分析师（有时称为图表分析师）依靠图表和其他工具来识别可能预示未来活动的模式和趋势。

5.1 技术分析的本质

几十年来，技术分析一直是金融实践中不可或缺的一部分，并且仍然被投机性投资者广泛使用。

5.1.1 相关出版物

与技术分析相关的出版物既有面向实践者的详尽指南，也有对该方法有效性的批判性检验。Murphy（1999）的《金融市场技术分析》是该领域的综合指南，提供了对交易方法和应用的全面概述。其广度涵盖了图表类型、趋势识别和技术指标使用等基础概念，使其成为新手和经验丰富的交易者的基础资源。

与Murphy的实践方法相辅相成，Aronson（2006）在《基于证据的技术分析》中提供了一个批判性的、以实证为导向的视角。Aronson通过科学方法的视角严格审视了各种技术分析策略，专注于统计推断以验证交易信号。他的工作对常常不加批判地接受技术分析技术的做法起到了平衡作用，要求在交易应用中采用更基于证据的方法。

虽然上述著作关注技术分析的机制和合法性，但Malkiel（1973）的开创性著作《漫步华尔街》对这种实践提供了更怀疑的视角。Malkiel反对基于过去数据的股票走势可预测性，认为股票价格根据随机游走演化，因此无法通过技术分析或任何其他方法可靠地预测。尽管持批判态度，该书仍对关于市场效率以及包括技术分析在内的各种交易策略可行性的辩论做出了贡献。

Schwager（1989）的《市场奇才》系列丛书通过对成功交易员的访谈集提供了轶事证据。这些叙述揭示了技术分析以及其他工具如何在市场专家的交易策略中发挥作用。Schwager的工作不仅记录了交易成功，还探讨了交易的心理和方法论方面，为读者提供了对技术分析和风险管理实际应用的见解。

在《技术分析的演进：从巴比伦泥板到彭博终端》中，Lo和Hasanhodzic（2010）对技术分析的发展提供了全面的历史记录。他们的研究从巴比伦人的古老技术开始，追溯了基于图表的分析几个世纪以来的演变，突出了每个时代的智力进步如何塑造了交易员和分析师使用的方法。作者考察了技术分析为反映当时市场条件和技术而进行的调整，这一方面对其持续相关性至关重要。他们讨论了荷兰和日本交易员对技术分析的早期贡献，包括蜡烛图的发展，并详细阐述了Charles Dow工作的影响，为今天所知的道氏理论奠定了基础。Lo和Hasanhodzic的书强调，技术分析不仅仅是一套启发式交易规则；它代表了市场心理学和行为经济学的复杂相互作用。这一观点与Lo（2017）的“适应性市场假说”一致，表明技术分析的韧性和适应性可归因于其整合心理学见解和响应不断变化的市场动态的能力。作为技术分析文献的一部分，Lo和Hasanhodzic的工作提供了学术和实践者辩论中常常缺失的历史背景。

安德鲁·W·洛与适应性市场假说

安德鲁·文川·洛是一位有影响力的经济学家和金融学者，以其在有效市场假说和适应性市场假说等方面的工作而闻名。他是麻省理工学院斯隆管理学院的教授和麻省理工学院金融工程实验室主任。他的研究跨越多个领域，包括金融工程、计算金融、行为经济学和风险管理。

洛教授对金融理论和实践做出了若干重要贡献，包括：

适应性市场假说（AMH）：洛提出AMH作为传统有效市场假说（EMH）的替代方案。EMH假设金融市场总是完全有效的，价格完全反映所有可得信息。AMH表明，市场效率不是一个静态条件，而是可以随时间变化，这是不同市场参与者相互作用的结果，每个参与者都使用启发式或简单的经验法则来适应投资环境的变化。AMH将进化生物学的原理整合到金融市场的研究中，并承认人类行为对市场动态的影响。
金融工程与定量分析：洛是金融工程领域的先驱，开发了用于分析金融市场的新统计工具和模型。他为交易和投资的算法和量化策略的发展做出了贡献。
对冲基金复制：洛对对冲基金进行了广泛研究，包括创建可复制的策略，无需直接投资于对冲基金即可模仿其回报。
非标准风险度量：他致力于替代风险度量，以更好地捕捉对冲基金和其他另类投资中的风险，超越波动性和贝塔等传统度量。
癌症研究资助：近年来，洛将其金融专业知识应用于资助药物开发的挑战，特别是癌症。他提出了使用“癌症超级基金”的方法，通过发行由多样化药物开发组合支持的债券和股票，为早期药物研究筹集大量资金。

洛教授的工作高度跨学科，借鉴心理学、经济学、人工智能和生物学来理解驱动市场行为的机制，并为金融风险管理开发实用工具。他发表了大量文章，出现在顶级学术期刊上，同时也是一位成功的作家，著作面向学术和普通读者。

他获得了无数学术荣誉和奖项，并担任几家学术期刊的编委。洛的教学和研究对经济学家和金融专业人士理解和处理金融市场的方式产生了重大影响。

总而言之，这些出版物将技术分析描绘成一个拥有丰富方法论的领域，从系统化的、基于证据的方法到启发式的、基于经验的做法。文献强调了关于技术分析的持续讨论，以及在金融市场交易的更广泛背景下对其原理、应用和局限性进行细致理解的需要。

5.1.2 注意事项

许多交易员，特别是新手，最初从技术分析的角度接触市场，希望辨别上涨和下跌股票的价格和成交量轨迹中的模式。他们的目标是识别可能暗示未来资产价格走势（上涨或下跌）概率结果的共同特征。这种方法有点类似于占星术的信仰，即日食被视为不幸事件的前兆。这些技术模式被感知的有效性常常被一种称为“选择性回忆”或“确认偏误”的认知现象放大，这是行为金融学中探讨的一个概念。这种偏误导致个体记住成功的预测而忽略不成功的预测，这一主题将在第8章详细阐述。此外，总结这些模式所采用的方法论可能导致过拟合，类似于某些深度学习模型，这主要是因为许多技术指标在使用时没有深入理解驱动这些趋势的根本原因或投资者在趋势后的反应。

尽管图表分析师倾向于赋予这些模式特定含义，将其归类为看涨或看跌信号，但许多声称的模式缺乏逻辑基础或严格的实证支持。因此，由于其固有的主观性，技术分析尚未达到基本面分析等更传统方法论所达到的学术严谨性和接受度水平。

从科学上验证技术分析的挑战主要源于两个方面。首先，模式本身可能有缺陷，因为它们不能保证长期盈利。例如，虽然处于上升轨迹的股票可能表现出相似的特征，但符合这些技术指标的更大比例的股票可能不会增长甚至可能暴跌。如果投资者构建一个包含符合这些指标的股票的投资组合，尽管某些股票价值上涨，整体表现可能仍是负的。此外，虽然一种策略在正常条件下可能有效，但极端的市场波动可能导致重大损失，可能抹去长期收益。

在讨论技术指标时，必须承认，虽然许多指标可以有效地应用，并且有些指标确实已被广泛使用并经证明长期可靠，但应更加强调这些指标的适用性和有用性。必须科学地评估和分析收益的来源，并理解这些指标所反映的市场逻辑。

5.1.3 技术分析的关键组成部分

技术分析依赖于几个关键组成部分来预测未来市场走势。最受认可的图表形态之一是头肩形态，被认为是潜在趋势反转的可靠指标。这种形态的特征是一个顶峰（头部），两侧是两个稍低的顶峰（肩部），理想情况下在相似的成交量水平上形成。随后跌破颈线（连接两个肩部后低点的支撑位）可被视为从看涨市场转向看跌市场的确认。这种形态以及其他形式的图表分析，由各种技术指标（如RSI和移动平均线）补充，帮助交易员衡量动量和趋势强度。支撑位和阻力位起着至关重要的作用，标志着由于集中的需求或供应，价格走势可能停滞或反转的阈值。成交量是技术分析的另一个基石，为价格走势背后的信心提供了额外的线索。总的来说，这些要素为交易员提供了导航金融市场、解读市场心理学和做出战略性交易决策的工具包。

技术分析的最初阶段以采用图表方法为标志，包括点图、线图和条形图。这些工具的主要目的是从海量市场数据中直观地提取趋势和模式。在众多被识别的模式中，有一些因其可靠性和出现频率而获得突出地位：

头肩形态：当股票价格先上涨至一个顶峰，然后回撤至前一上涨运动的基部时，形成第一个“肩部”，基部也称为“颈线”。然后价格攀升至初始顶峰之上形成“头部”，随后回落至原始基部水平。最后再次上涨至第一个顶峰的水平，随后下跌，完成形态（即第二个“肩部”）。图5.1展示了头肩形态。它以其预测从看涨趋势向看跌趋势转变的能力而闻名。

相反，倒头肩形态表示相反的过程，价格先下跌至一个低谷，反弹，然后跌破初始低谷形成一个更深的低谷，再此上涨。随后出现第三个比第二个浅的低谷，之后是显著的上行运动，使倒头肩成为预测从看跌向看涨趋势反转的可靠指标。图5.2展示了倒头肩形态。
扩散顶是一种扩散顶部形态，意味着股票价格经历几次小幅反转，随后大幅下跌。这是一个看跌形态。相比之下，扩散底是扩散顶的反向，股票价格经历几次小幅反转，随后大幅上涨，因此是看涨信号。图5.3展示了这两种形态。
三角形形态以其延续性特征而闻名，呈现上升、下降或对称的形状。当上方的趋势线与下方的趋势线在右侧的顶点相交时形成。上方的趋势线由连接高点形成，而下方的趋势线由连接低点形成。当三角形在上涨（下跌）方向伴随大成交量突破时，可以看到看涨（看跌）信号。图5.4展示了三种三角形形态，即上升三角形、下降三角形和对称三角形。
矩形形态代表上升趋势或下降趋势内的整理时期，暗示当前趋势的延续。看涨（看跌）矩形由突破整理区间的上方（下方）确认，表明上升趋势（下降趋势）可能恢复。图5.5展示了上升趋势和下降趋势的矩形形态。
双重顶或双重底形态是市场情绪反转的有力指标。双重顶（底）是股票价格两次连续达到高（低）价，两次高（低）点之间有适度下跌（上涨）后的极度看跌（看涨）形态。一旦价格跌破（或涨破）等于前两个高（低）点之间最低（高）点的支撑（阻力）位，即被确认。图5.6展示了双重顶和双重底形态。
移动平均线在平滑短期价格波动以揭示潜在趋势方面发挥着关键作用。移动平均线的概念催生了各种趋势跟踪策略，包括广泛使用的移动平均线交叉技术。

上述股票技术形态已被交易员广泛采用，源于通过经验建立的规则，其中许多甚至在计算机出现之前就已制定。因此，它们主要基于图表中的视觉形状和结构。随着更强大的计算资源和复杂技术的出现，再加上数据质量的提高，我们现在能够对这些传统规则进行实证检验，以评估这些初步经验是否仍然对资产收益具有预测能力。

然而，计算这些形态并不简单，因为它们不像我们之前讨论的许多因子那样具有固定的时间窗口。例如，一个头肩形态可能在20个交易日内形成，也可能需要长达200个交易日才能形成。这需要对资产价格趋势采用时间缩放方法。常见的方法涉及使用不同的时间窗口进行缩放，并采用数学技术进行模式识别。

此外，随着基于深度学习的图像识别算法的成熟，这些算法在识别技术指标方面的应用未来具有良好潜力。

第三阶段标志着技术分析可量化的意义，即技术指标的发展。在1950年代和1960年代，技术分析师开始使用历史价格（包括日内价格）和成交量开发技术指标。相对强弱指数（RSI）、移动平均收敛散度（MACD）和随机震荡器是经典而又著名的指标示例。这些指标有助于识别超买和超卖状况以及潜在的趋势反转。我们将在第5.2节进行全面讨论。

通过量化技术指标，基于计算机的技术也是技术分析的自然延伸。如前所述，技术模式对于关键点的位置（如头肩或倒头肩形态中的肩部）可能是相当主观的。这些点也是形成三角形和矩形等的趋势线。由于股票价格可能带有许多尖峰的噪声，计算机算法更难识别这些点。试图弥合技术分析与量化金融之间差距的一项工作是Lo、Mamaysky和Wang（2000）。在他们的工作中，作者尝试通过非参数核回归来平滑价格噪声。之后，技术模式可以很容易地用平滑后的序列自动化。在一项涵盖1962年至1996年对上述每种技术模式进行的长时期实证研究中，作者发现10种模式中有7种的条件收益（在模式识别后）与无条件收益显著不同。使用纳斯达克作为样本的实证结果为技术指标提供了实质性的支持。

技术分析的关键演进是它与因子投资的整合。随着人们越来越认识到将技术分析与基本面分析相结合的重要性，结合两种方法的量化方法得到了发展。本章的目标是分析技术指标作为因子的有效性。

本章组织如下：第5.2节阐述四类技术指标，即动量指标、成交量指标、趋势指标和波动性指标。第5.3节讨论趋势因子的最新进展。第5.4节总结。

5.2 技术指标

“动量”一词在学术界和业界都非常流行。在第1章中，我们讨论了一些共识资产定价模型，其中动量因子是Carhart（1997）四因子模型（FF3+MOM）引入的关键因子。在那个背景下，动量因子指的是过去十二个月（通常不包括最近一个月）赢家与输家之间的收益差。

从业界的角度来看，动量指的是强劲的价格表现，可以通过3个月、6个月和12个月等时间范围的相对回报来衡量。在技术分析中，动量是一类反映持续趋势的指标。这可以通过某种价格移动平均线和/或辅以成交量分析来捕捉。在本章中，我们在技术分析的背景下讨论动量，即动量指标。

除了利用历史价格数据的动量指标外，成交量指标用成交量数据补充价格数据，以获得更清晰的市场方向。趋势指标应用不同时间范围的价格变动来识别短期、中期和长期趋势。波动性指标衡量特定窗口内价格变动的离散程度或范围。

5.2.1 动量指标

动量指标是技术分析的关键组成部分。动量指标有很多。我们以一非穷尽的方式介绍几个作为因子。

超级震荡器（AO）

由著名交易员比尔·威廉姆斯引入，AO是通过两个简单移动平均线（SMA）之间的差值计算的，通常是34日SMA和5日SMA的中位价格，其中中位数仅仅是日内高点和低点的平均值。假设直到第 (n) 天的滞后证券价格为 (P_t, \ldots, P_{t-n+1})，则 (\text{SMA}_t(n)) 由下式给出： [ \text{SMA}t(n) = \frac{P_t + \ldots + P{t-n+1}}{n} \quad (5.1) ]

注意，一旦观察到 (P_{t+1})，我们可以更新 (\text{SMA}{t+1}(n+1))： [ \text{SMA}{t+1}(n+1) = \frac{P_{t+1} + P_t + \ldots + P_{t-n+1}}{n+1} = \frac{(P_{t+1} - \text{SMA}_t(n)) + \text{SMA}t(n) + P_t + \ldots + P{t-n+1}}{n+1} = \text{SMA}t(n) + \frac{P{t+1} - \text{SMA}_t(n)}{n+1} \quad (5.2) ]

方程(5.2)显示了当我们得到新的数据点 (P_{t+1}) 时更新 (\text{SMA}_{t+1}(n+1)) 的递推公式。它只是之前的 (\text{SMA}_t(n)) 加上由新数据与之前SMA之间的差值（冲击）调整的量，权重为 (1/(n+1))。在SMA框架中，冲击与其他数据点具有相同的权重。

比尔·威廉姆斯与交易分形

比尔·威廉姆斯是一位著名的交易员、教育家和作家，对技术分析和交易心理学领域做出了重大贡献。他生于1932年，以将混沌理论应用于金融市场并创建了今天仍被交易员广泛使用的若干技术指标而闻名。

威廉姆斯通过结合他对心理学的理解、对混沌理论的研究以及实际交易经验，发展出了他独特的方法。他认为传统的技术分析方法没有充分考虑到金融市场看似随机和混沌的本质。相反，他提出市场的运动是自然结构的结果，可以通过分析分形和混沌理论来理解。

比尔·威廉姆斯引入的关键概念之一是“交易分形”，这是一种在市场内以不同尺度重复自身的模式。交易中的分形是一种自然现象，以重复模式的形式出现，可用于预测潜在的市场反转。

比尔·威廉姆斯创建了几个流行的技术分析指标，包括：鳄鱼指标、超级震荡器、加速震荡器、市场促进指数。威廉姆斯的指标常被一起使用，以提供市场状况的全面图景，并帮助交易员做出更明智的决策。他撰写了多本书，包括《交易混沌》和《新交易维度》，概述了他的交易哲学和方法。

比尔·威廉姆斯对技术分析的贡献留下了持久的遗产，他的指标和理论仍在交易课程中教授，并被世界各地的交易员用于分析和解释市场行为。

百分比价格震荡器（PPO）

PPO是两个指数移动平均线（EMA）之间的差值，通常是12日EMA和26日EMA，除以26日EMA。EMA公式为： [ \text{EMA}_{t+1}(n+1) = \text{EMA}t(n) + \left( \frac{2}{n+1} \right) \times (P{t+1} - \text{EMA}_t(n)) \quad (5.3) ]

与SMA相比，EMA用两倍的冲击来更新最新估计。由于EMA只能递归计算，(\text{EMA}_0) 可以设置为 (P_0) 或 (P_0, \ldots, P_t) 的平均值来启动递归。

相对强弱指数（RSI）

由威尔斯·怀尔德于1978年开发，RSI衡量指定回溯期（通常为9日或14日）内最近涨幅与跌幅的幅度。公式为： [ \text{RSI} = 100 - \frac{100}{1 + \frac{\text{平均涨幅}}{\text{平均跌幅}}} \quad (5.4) ] 其中平均涨幅/跌幅是指定回溯期内的平均正/负回报。

J·威尔斯·怀尔德

J·威尔斯·怀尔德是技术分析领域有影响力的人物，以开发几种流行的技术指标而闻名，许多交易员将这些指标纳入他们的市场分析和交易策略。怀尔德是机械工程师出身，这影响了他系统化的交易方法和指标的开发。

怀尔德的职业生涯始于房地产，之后进入商品市场。他对金融市场的兴趣促使他创建了精确的交易系统和方法论。他开发的指标以其数学严谨性和在各种市场条件下的有效性而著称。

威尔斯·怀尔德开发的一些关键技术指标包括：相对强弱指数（RSI）、平均真实范围（ATR）、抛物线SAR（停损转向）、方向运动指数（DMI）。怀尔德在1978年出版的开创性著作《新概念技术交易系统》中详细介绍了这些指标和他的交易系统。这本书不仅是他指标的汇编，也是怀尔德交易哲学以及交易中纪律和风险管理重要性的阐述。

威尔斯·怀尔德的工作对技术分析产生了深远而持久的影响。他系统化的量化交易方法在当时是革命性的，并且在今天仍然高度相关。他的指标嵌入在大多数技术分析软件中，并被全球交易员普遍使用，这证明了他在交易世界的遗产。

随机震荡器（SO）

由乔治·莱恩开发，SO衡量当前收盘价相对于回溯期（通常为14天）高低区间的相对位置。公式为： [ \text{SO} = (\text{当前收盘价} - \text{最低价}) / (\text{最高价} - \text{最低价}) \quad (5.5) ] 其中最高价是回溯期内的最高日内价格，最低价是回溯期内的最低日内价格。

乔治·C·莱恩

乔治·C·莱恩是一位证券交易员、作家、教育家，也是随机震荡器的创造者，该指标已成为技术分析领域的核心工具之一。

莱恩在1950年代后期开发了随机震荡器。该指标通过比较证券的收盘价与其在一定时期内的价格范围来衡量价格变动的动量。该指标背后的思想基于莱恩的观察：随着价格上涨，收盘价往往更接近价格范围的上端；相反，随着价格下跌，收盘价往往接近价格范围的下端。

随机震荡器绘制在0到100的刻度上，由两条线组成：%K线，衡量当前价格水平相对于设定周期内高低区间的水平；以及%D线，是%K线的移动平均线。传统上，读数高于80被视为超买，而读数低于20被视为超卖。

乔治·莱恩的随机震荡器不仅用于预测资产价格的转折点，还用于确认趋势和指示潜在的进出点。它已成为图表分析的主要内容，常与其他形式的技术分析结合使用，以提高对市场行为预测的准确性。

除了著名的随机震荡器，莱恩还通过他的教学和研讨会为技术分析领域做出了贡献，帮助交易员理解市场心理学的重要性以及使用技术指标做出明智交易决策的方法。他的工作在技术分析界留下了持久的印记，为交易员提供了驾驭市场趋势和动量复杂性的工具。

真实强度指数（TSI）

由威廉·布劳开发，TSI是对价格变化的双重平滑，基于两个EMA，通常为13日和25日： [ \text{TSI} = \frac{\text{双重平滑的 } PC}{\text{双重平滑的绝对 } PC} \quad (5.6) ] 其中 (PC) 是价格变化，即当前价格减去先前价格；第一次平滑的 (PC) 是 (PC) 的25周期EMA；双重平滑的 (PC) 是第一次平滑 (PC) 的13周期EMA。绝对 (PC) 是 (PC) 的绝对值。第一次平滑的绝对 (PC) 是绝对 (PC) 的25日EMA。双重平滑的绝对 (PC) 是第一次平滑绝对 (PC) 的13周期EMA。

威廉·布劳

威廉·布劳是一位备受推崇的技术分析师和交易员，通过创建各种创新指标和撰写富有洞察力的文献，为技术分析领域做出了重大贡献。虽然布劳可能不像他的同时代人如J·威尔斯·怀尔德或乔治·莱恩那样广为人知，但他的工作因其深度和实际适用性而受到技术分析师的高度评价。

布劳的关键贡献之一是开发了随机动量指数（SMI），这是对乔治·莱恩经典随机震荡器的改进。布劳的SMI旨在提供更精细、更准确的市场动量表示。它通过引入一个以零为中心的范围来区别于传统的随机震荡器，这有助于减少波动性和错误信号的可能性。

除了SMI，布劳还设计了其他几个技术指标，包括双重平滑随机（DSS）和真实强度指数（TSI）。DSS是一种旨在消除传统随机指标固有波动的震荡器，提供更平滑、更可靠的信号。TSI是一种结合价格变动和波动性的动量震荡器；它旨在通过确定价格变动的方向和幅度来识别趋势。

威廉·布劳的著作《动量、方向与散度》是一本全面介绍他的技术指标和交易理论的资源。该书于1995年作为“Wiley交易员交流”系列的一部分出版，以其对复杂概念的清晰解释和为交易员提供的实用策略而受到高度评价。

布劳的工作，特别是他对动量和平滑技术的关注，以提高技术指标的响应性和准确性，对交易策略的发展产生了影响，并且至今仍被交易员和分析师引用。他的指标通常包含在技术分析软件中，并继续作为交易系统的一部分用于分析和解释市场行为。

终极震荡器（UO）

由拉里·威廉姆斯开发，UO捕捉跨越三个不同时间范围（通常为7日、14日和28日）的动量。购买力定义为： [ \text{BP}_t = \text{close}t - \min(\text{low}t, \text{close}{t-1}) ] 真实范围定义为： [ \text{TR}t = \max(\text{high}t, \text{close}{t-1}) - \min(\text{low}t, \text{close}{t-1}) ] 定义 (A_l = \frac{\sum{s=t-l}^t \text{BP}s}{\sum{s=t-l}^t \text{TR}s})，则UO定义为： [ \text{UO} = (4A_7 + 2A{14} + A{28}) / 7 \quad (5.7) ]

拉里·威廉姆斯

拉里·威廉姆斯是金融市场交易领域的杰出人物，以商品和股票交易员、作家和教育家的工作而闻名。他生于1942年10月6日，职业生涯漫长而卓越，因其交易业绩以及各种交易指标和概念的发展而获得认可。

威廉姆斯在赢得1987年罗宾斯交易公司期货交易世界杯锦标赛后首次在交易界引起关注。他在为期12个月的比赛中将10,000美元变成了超过110万美元（11,376%的回报），这一成就极大地促进了他作为交易员的声誉。

他开发了几个广泛使用的指标和交易工具，包括：威廉姆斯%R、终极震荡器、威廉姆斯累积/分布。拉里·威廉姆斯还撰写了多本关于交易的书籍，并通过课程和研讨会为交易员提供教育。他一些著名的书籍包括《我去年如何通过商品交易赚取一百万美元》、《短期交易的长期秘密》和《选择即时大幅获利股票的秘诀》。

除了他的指标和书籍，威廉姆斯还以他关于经济周期和季节性趋势对市场价格影响的理论而闻名。他对历史市场模式进行了研究，并开发了“威廉姆斯%范围”和“周期预测”指标以利用这些模式。

他的女儿米歇尔·威廉姆斯在参加与父亲相同的期货交易比赛中并赢得了1997年的冠军后引起了公众关注，她使用的是父亲教授的方法。

在他的整个职业生涯中，拉里·威廉姆斯一直是一位极具影响力的交易员，他对技术分析和交易教育领域的贡献留下了持久的遗产。他的交易方法和指标在寻求理解和利用市场趋势和周期的交易员中仍然很受欢迎。

5.2.2 成交量指标

成交量指标用成交量数据补充价格运动。同样，我们以一非穷尽的方式介绍几个作为因子。

蔡金资金流（CMF）

由马克·蔡金开发，CMF是预定期限内（通常为20日）资金流量的平均值。资金流量乘数定义为： [ \text{MFM} = \frac{[(\text{close} - \text{low}) - (\text{high} - \text{close})]}{\text{high} - \text{low}} \quad (5.8) ] 然后乘以成交量得到资金流量（MFV）。然后通过将20天的MFV之和除以同期的成交量之和来计算20日CMF。

马克·蔡金

马克·蔡金是一位经验丰富的股市专业人士，也是几个广泛使用的技术分析工具的创造者。凭借超过50年的行业经验，蔡金的工作对技术分析领域，特别是成交量指标领域，产生了重大影响。

蔡金的关键贡献之一是蔡金资金流（CMF）指标，它结合了价格和成交量来衡量给定时期内的买卖压力。CMF通过纳入收盘价应反映买方还是卖方控制市场这一概念，为分析增加了价值。该指标围绕零线波动，正值表示买压（累积），负值表示卖压（分配）。

蔡金开发的另一个重要工具是蔡金震荡器，它通过与移动平均收敛散度（MACD）方法配对来改进累积/分布线。蔡金震荡器计算累积/分布线的3日和10日指数移动平均线之差，从而提供对买卖压力背后动量的洞察。

马克·蔡金还创立了蔡金分析公司，这是一家基于他的专有指标提供工具和市场洞察的股票研究和分析公司。该公司的分析平台旨在通过提供一套指标和模型（如蔡金力量计量器）来帮助投资者做出更明智的交易决策。蔡金力量计量器是一个量化模型，结合了各种因素，包括财务指标、盈利表现、价格成交量活动以及专家意见，为股票提供总体评级。

蔡金的工作特别值得注意，因为它帮助弥合了基本面分析和技术分析之间的差距。通过将成交量和累积/分布分析与价格运动相结合，他的指标提供了更全面的市场动态视图，这对短期交易员和长期投资者都有价值。

他对该领域的贡献使蔡金在技术分析中成为一个受人尊敬的名字，他的工具继续被寻求理解市场情绪和识别潜在趋势的交易员和投资者使用。

资金流量指数（MFI）

由吉恩·邝和阿夫鲁姆·苏达克开发，MFI在计算上类似于RSI，但它衡量的是正资金流相对于负资金流的强度，而不是价格，期限通常为14日。

每日典型价格由下式得出： [ \text{TP} = (\text{high} + \text{low} + \text{close}) / 3 \quad (5.9) ] 原始资金流（RMF）定义为TP乘以成交量。资金流量比（MFR）定义为14日正RMF除以14日负RMF，其中正（负）资金流意味着前一日典型价格的变化为正（负）。资金流量指数定义为： [ \text{MFI} = 100 - \frac{100}{1 + \text{MFR}} \quad (5.10) ]

力量指数（FI）

由亚历山大·埃尔德开发，1日力量指数是价格变化（相对于前一日）乘以当前成交量。一段时间内（通常为13日）的力量指数就是1日力量指数的13日EMA。

亚历山大·埃尔德博士

亚历山大·埃尔德博士是交易界有影响力的人物，以其在交易心理学和技术分析方面的专业知识而受到认可。他出生于俄罗斯，在爱沙尼亚度过了早年，之后在一艘苏联船上担任医生时叛逃到美国。他的旅程最终将他带到纽约市，在那里他成为一名专业交易员。

他对该领域最显著的贡献之一是他的著作《以交易为生》，于1993年首次出版。这部作品已成为交易员必读的经典读物之一，涵盖了心理学、纪律、交易策略和资金管理等众多关键交易方面。值得注意的是，《以交易为生》还向交易员介绍了各种技术分析方法和交易指标。

在埃尔德开发的技术工具中，有力指数，该指标结合价格变动和成交量来衡量市场趋势背后的买卖压力。力量指数对于识别潜在反转特别有用，并可用于确认趋势强度，因为它有助于识别每个市场变动的力量。

埃尔德的工作强调了了解自己对于在交易中取得成功的重要性，承认个人心理可能对财务决策产生重大影响。他还写了其他书，包括《走进我的交易室》和《新以交易为生》，后者是他原版经典的更新和扩展版，提供了新的见解并反映了市场和技术的变化。

除了写作，埃尔德博士还以交易教育家的角色而闻名。他举办课程和工作坊，在全球会议上演讲，并经营一家为交易员提供教育材料的公司。他的全面方法和对交易心理学方面的强调使他的教学对各个经验水平的交易员都具有不可估量的价值。

5.2.3 趋势指标

趋势指标与动量指标非常相似，但结合了不同时间范围的平均值。我们介绍几个常用的指标。

确知指标（KST）

由马丁·普林开发，KST就是四个收益SMA的加权平均值：

R1：10日收益的SMA（10）
R2：15日收益的SMA（10）
R3：20日收益的SMA（10）
R4：30日收益的SMA（15） [ \text{KST} = R1 + R2 \times 2 + R3 \times 3 + R4 \times 4 \quad (5.11) ]

马丁·J·普林

马丁·J·普林是技术分析领域的杰出人物，以他对该主题的广泛研究和出版作品而闻名。拥有数十年的职业生涯，普林对金融市场中技术分析的理解和应用做出了重大贡献。

普林最有影响力的作品可能是他的《技术分析精解》，被广泛认为是该学科的权威指南。该书首次出版于1980年代，已多次更新以纳入该领域的新发展，并且仍然是新手和经验丰富的交易员希望加深市场分析技术知识的必读文本。

在《技术分析精解》中，普林涵盖了广泛的主题，包括技术分析的基本原理、图表形态、指标以及市场运动背后的心理学。他的综合方法旨在为读者提供解释市场趋势和做出明智交易决策所需的工具。

除了著书，普林还制作了关于技术分析和市场心理学各个方面的教育课程、视频材料和文章。他以其将复杂概念以易于各层次交易员理解的方式解释的能力而闻名。

普林对技术分析的显著贡献之一是他在市场动量方面的工作以及各种指标的开发，如价格动量震荡器（PMO）和确知指标（KST）震荡器。这些工具旨在帮助交易员识别市场中的动量转变，这可能是趋势变化的前兆。

在他的整个职业生涯中，马丁·普林一直是技术分析领域备受尊敬的教育家和思想领袖。他的教导和工具为无数交易员提供了必要的分析技能，以驾驭金融市场的复杂性。

移动平均收敛散度（MACD）

由杰拉尔德·阿佩尔开发，MACD线定义为价格的12日EMA减去价格的26日EMA。信号线定义为MACD线的9日EMA。MACD与信号线之差（MACD-sig）若为正（负）值，则是看涨（看跌）信号。

杰拉尔德·阿佩尔

杰拉尔德·阿佩尔是技术分析领域极具影响力的人物，尤以创造了当今最流行的技术指标之一——移动平均收敛散度（MACD）而闻名。阿佩尔在1970年代后期引入MACD，彻底改变了交易员和分析师评估市场动量和趋势的方式。

MACD是一个趋势跟踪动量指标，显示证券价格的两条移动平均线之间的关系。通常，它通过从12周期EMA中减去26周期EMA来计算。相减的结果是MACD线。MACD的9日EMA，称为“信号线”，然后绘制在MACD线上方，可以作为买卖信号的触发点。交易员还可以观察MACD与价格之间的背离或收敛，以及MACD线与信号线之间的交叉，来指导交易决策。

除了MACD，阿佩尔还撰写或合著了多本关于投资和市场分析的书籍，分享了他解释市场的见解和方法。他的书籍涵盖了广泛的主题，从技术分析基础知识到更高级的交易策略和系统。

除了写作，杰拉尔德·阿佩尔还参与了资金管理。他创立了Signalert公司，这是一家投资咨询公司，管理客户资金并提供财务指导，强调技术分析和保守的投资策略。

阿佩尔的工作延伸到市场研究和投资系统，他开发了各种被全球技术分析师使用的工具和指标。他的贡献使他在投资界成为一个受人尊敬的名字，他的方法被广泛用于交易和市场分析。

商品通道指数（CCI）

由唐纳德·兰伯特开发，CCI衡量当前收盘价相对于指定时期（通常为20日）平均价格水平的相对位置。CCI定义为： [ \text{CCI}_t = \frac{\text{TP}_t - \text{SMA}_t(20)}{0.015 \times \text{MD}_t} \quad (5.12) ] 其中MD是TP的平均偏差： [ \text{MD}t = \frac{\sum{i=t-20}^{t} |\text{TP}_i - \text{SMA}_t(20)|}{20} \quad (5.13) ]

唐纳德·兰伯特

唐纳德·兰伯特是商品通道指数（CCI）的创造者，这是一个多用途的技术分析指标，用于识别新趋势或警告极端状况。兰伯特在1980年10月的《商品杂志》（现称《期货杂志》）上介绍了CCI。

CCI最初是为识别商品的周期性转折而开发的，但后来已应用于各种其他投资工具，如股票、指数和外汇。该指标旨在衡量证券价格与其统计平均值的差异。高值表明价格与平均价格相比异常高，而低值表明价格异常低。

CCI的计算涉及几个步骤。首先确定每个周期的典型价格，即高、低和收盘价的平均值。然后将典型价格与典型价格的移动平均线进行比较，并将差异与移动平均线的平均偏差进行比较。这个最终值就是CCI，通常显示为一个在零线上下波动的震荡器。

兰伯特将常数设为0.015，以确保大约70%至80%的CCI值落在-100和+100之间。这种缩放赋予了CCI其特有的震荡外观。交易员使用这些水平来识别超买和超卖状况。例如，CCI读数超过+100可能表明资产正在进入超买区域，而读数低于-100可能表明资产已变得超卖。

虽然兰伯特的CCI仍然是技术交易员中受欢迎的工具，但与技术分析领域的其他知名人物相比，关于兰伯特本人的公开传记信息并不多。他的主要遗产在于全球交易员持续使用CCI来指导他们的交易决策。

5.2.4 波动性指标

与试图预测看涨或看跌信号的先前指标不同，成交量指标处理风险方面。我们在下面介绍几个常用的。

质量指数（MI）

由唐纳德·多尔西开发，MI使用高低价范围基于范围扩张来识别趋势反转。首先基于高低价差的9日EMA计算单次EMA。然后从单次EMA的9日EMA计算双重EMA。EMA比率定义为单次EMA除以双重EMA的比率。然后质量指数计算为25日EMA比率之和。

唐纳德·多尔西

唐纳德·多尔西是一位技术分析师，以开发质量指数而闻名，该指标用于技术分析领域，基于时间范围内的范围扩张来预测趋势反转。质量指数基于这样一个概念：当高价和低价之间的范围扩大时，价格趋势反转很可能发生。

该指标不预测价格趋势的方向，而是预测趋势反转发生的可能性。多尔西提出，当质量指数超过某个水平（通常设为27）然后回落到较低阈值（通常设为26.5）以下时，可以预期反转。这种现象被称为“反转凸起”。

质量指数的计算方法是：首先确定高低价之间范围的9周期EMA，然后计算该EMA的9周期EMA，最后将第一个EMA除以第二个EMA。将这些值在特定周期数（通常为25）内求和就形成了质量指数。

多尔西关于质量指数的工作试图通过关注作为价格趋势方向潜在变化信号的范围扩张，来精炼波动性在技术分析中的使用。他对质量指数的研究和开发通过为交易员和分析师提供另一种市场评估工具，为更广泛的技术分析领域做出了贡献。

除了质量指数，关于唐纳德·多尔西更广泛的职业生涯以及他可能对技术分析或金融领域做出的其他贡献，公开信息有限。他的具体背景细节不像技术分析领域其他一些人物那样有详细记录。尽管如此，质量指数仍然是技术分析师工具箱的一部分，特别是对于那些专门识别潜在趋势反转的人。

平均真实范围（ATR）

由威尔斯·怀尔德开发，ATR旨在识别来自缺口和限价变动的波动性，这些是单纯的高低价范围无法捕捉的。真实范围（TR）由以下三者的最大值计算：

当前最高价减去当前最低价
当前最高价减去前收盘价的绝对值
当前最低价减去前收盘价的绝对值 ATR则是14日日度TR的滚动平均。

溃疡指数（UI）

由彼得·马丁和拜伦·麦肯开发，UI基于指定回溯期内的回撤来衡量波动性。百分比回撤定义为当前收盘价除以14日最高收盘价，然后减一。百分比回撤被平方并在14日内平均，其平方根定义为溃疡指数。

彼得·马丁与拜伦·麦肯

彼得·马丁和拜伦·麦肯因开发溃疡指数而为金融领域做出了贡献。溃疡指数是一种股市风险度量或投资指标，旨在衡量持有股票或市场指数的下行风险或“压力”。

溃疡指数由彼得·马丁和拜伦·麦肯在他们1989年的著作《富达基金投资者指南》中提出。溃疡指数的主要目标是衡量价格从先前高点的回撤深度和持续时间。与关注波动性或标准差的其他风险度量不同，溃疡指数特别考虑到投资者往往更关心实际发生的损失，而不是发生在达到的最高值之上的价格波动（这将被视为未实现收益）。

“溃疡”一词被用作隐喻，描述当投资价值下跌并在一段时间内保持在峰值以下时投资者经历的情感困扰或“揪心”感觉。溃疡指数的计算方法是取百分比回撤（或从峰值的回撤）并将结果平方以赋予较大回撤更大的权重。然后，在一定时期内（通常为14天）平均这些平方值，并取该平均值的平方根，从而产生该指数。

溃疡指数已被许多投资者用作评估共同基金、股票和其他投资工具风险的工具。它帮助投资者不仅了解投资价格可能下跌多少，还了解可能需要多长时间才能恢复到先前的高点——这两者都是投资决策中的关键因素。

彼得·马丁和拜伦·麦肯开发的溃疡指数为投资者可以用以衡量市场风险并对其投资组合做出更明智决策的指标集合增添了一个重要工具。

5.3 高级趋势因子

到目前为止，我们已经讨论了涉及多个移动平均线的简单趋势因子，如KST、MACD和CCI。鉴于观察到短期反转、中期动量和长期反转等现象在美国股票市场中并存，在一个更严谨的环境中，Han、Zhou和Zhu（2016）通过利用不同时间窗口的移动平均价格信息，同时将这些短期、中期和长期趋势或反转形式化为一个高级趋势因子。

与SMA类似，滞后 (L) 在 (t) 月最后一个交易日的移动平均线 (A_{j,t,L}) 定义为： [ A_{j,t,L} = \frac{P_{j,d-L+1}^t + P_{j,d-L+2}^t + \ldots + P_{j,d-1}^t + P_{j,d}^t}{L} \quad (5.14) ] 其中 (P_{j,d}^t) 是股票 (j) 在 (t) 月最后一个交易日 (d) 的收盘价，(L) 是滞后长度。为确保MA信号的平稳性，(A_{j,t,L}) 通过该月最后一个交易日的收盘价进行归一化： [ \tilde{A}{j,t,L} = \frac{A{j,t,L}}{P_{j,d}^t} \quad (5.15) ]

(\tilde{A}_{j,t,L}) 信号用于横截面预测月度预期股票收益。该过程涉及两个步骤：

i. 对于每个月份 (t)，运行股票 (j) 收益对观测到的 (\tilde{A}{j,t-1,L}) 信号的横截面回归，以获得系数 (\beta{L_i,t}) 的时间序列： [ r_{j,t} = \alpha_0 + \sum_i \beta_{L_i,t} \tilde{A}{j,t-1,L_i} + \varepsilon{j,t}, \quad j = 1, \ldots, n \quad (5.16) ] 其中 (n) 是股票数量，使用的 (L_i) 为 3、5、10、20、50、100、200、400、600、800、1000天。

ii. 第 (t+1) 月的预期收益估计为： [ E_t[r_{j,t+1}] = \sum_i \left( E_t[\beta_{L_i,t+1}] \tilde{A}{j,t,L_i} \right) \quad (5.17) ] 其中 (E_t[\beta{L_i,t+1}] = \frac{1}{12} \sum_{m=1}^{12} \beta_{L_i,t+1-m})，即过去12个月趋势信号估计载荷的平均值。

每只股票在 (t+1) 月的预期收益 (E_t[r_{j,t+1}]) 随后被直接用作因子。上述过程可以简要概括如下。

计算高级趋势因子的过程首先识别每只股票在不同时间尺度上的移动平均线；这些移动平均线被视为与股票收益相关的指标，横截面回归产生它们在每个时期的系数。利用滚动窗口方法，计算每个移动平均线指标在该时间范围内的平均系数，动态捕捉哪个水平的移动平均线对预测下一期股票收益最有效。在这方面，贝塔的方向表明动量或反转，而贝塔的大小表明预测的强度。最终，使用平均系数和指标的最新值来预测下一期的股票收益。

实证上，该研究在每个月底构建按预期收益排序的顶部五分之一组股票的多头组合和底部五分之一组的空头组合。多空组合之间的表现差异反映了趋势因子的盈利能力。基于1930年至2014年的实证数据，趋势因子表现出平均月度收益1.30%（t统计量超过15.0），显著超过传统的动量和反转因子。

此外，该因子在动量崩溃期间也表现出卓越的表现（Daniel and Moskowitz 2016）。这可归因于该因子与传统的动量和反转因子之间的低相关性。由于该方法通过滚动回归动态地将投资组合暴露于不同水平的移动平均线指标，可以想象，在回测期间，它更多暴露于长期和短期反转因子，而非中期动量因子。

为了定量比较新趋势因子与传统的动量和反转因子，Han、Zhou和Zhu（2016）采用了Huberman和Kandel（1987）的均值-方差跨度检验。结果表明，新趋势因子捕捉了传统动量和反转因子无法解释的股票收益横截面。这意味着趋势因子产生的超额收益不能仅仅通过将投资组合暴露于那些传统的动量和反转因子来实现。

为了减轻对其方法可能过拟合的担忧，作者指出，用于构建趋势因子的移动平均窗口不是优化的结果，并且有合理的商业逻辑支持。其次，通过将回测期划分为十年并观察趋势因子在这些区间内的表现，显然该因子的回报非常稳健。这种稳健性表明该因子不太可能是数据挖掘的产物。此外，作为样本外测试，Han、Zhou和Zhu（2016）检查了趋势因子在其他七国集团（法国、英国、德国、意大利、加拿大和日本）股票市场中的有效性。在所有国家都观察到趋势因子显著的超额收益，除德国外所有国家的月度CAPM-α都超过1%。尽管趋势因子在这些市场的表现不如在美国市场那么显著，但这样的结果支持了趋势因子不是数据挖掘产物的观点。

最后，在相关的后续研究中，Liu、Zhou和Zhu（即将出版）将这个趋势因子应用于中国股市。此外，考虑到中国和美国投资者结构的差异，在构建因子时，他们不仅考虑了价格的移动平均线，还考虑了成交量的移动平均线。该因子在中国股市实现了1.43%的平均月度超额收益（t统计量超过6.0）。此外，利用这个因子，他们增强了Liu、Stambaugh和Yuan（2019）针对中国的三因子模型，形成了一个能够解释中国股市60个常见异象的四因子模型。

5.4 结论

在本章中，我们介绍了作为因子的技术指标。我们以非穷尽的方式讨论了四类技术指标：动量指标、成交量指标、趋势指标和波动性指标。关于趋势因子，我们重点介绍了文献中关于如何从各种移动平均线中提取信息的最新工作。

技术形态指标是量化因子投资中相对简单的入门话题。编码和计算这些因子的过程相对简单，而且由于收益的主要来源是供需失衡，其回报并不是特别高。

从统计检验的角度来看，将这些因子的预测能力视为显著是比较容易的。尽管如此，希望读者能更深入地思考各种技术因子如何影响资产的供需关系、如何影响投资者对资产的看法以及如何反映资产本身的一些内在特征。更好地理解这些因子背后的原理，再加上对市场动态更全面的把握，可以对这些因子进行合理的调整和修改。这可以更准确地表达人们希望捕捉的资产的基本属性。

此外，将技术指标与其他具有更合理金融市场逻辑的变量相结合是一个有前景且有潜在成果的研究途径。技术指标主要捕捉由投资者驱动的微观层面逻辑。更广泛的市场环境的波动，或者非常规信息对不同资产的影响，都可能影响基于正常市场逻辑开发的技术因子的表现。因此，考虑市场逻辑如何影响技术因子的表现，无疑将在这些因子的开发和改进应用中发挥重要作用。

参考文献

Aronson, D. (2006). 基于证据的技术分析：将科学方法和统计推断应用于交易信号. John Wiley & Sons.

Carhart, M. M. (1997). 关于共同基金业绩的持续性. Journal of Finance 52(1), 57–82.

Daniel, K. and T. J. Moskowitz (2016). 动量崩溃. Journal of Financial Economics 122(2), 221–247.

Han, Y., G. Zhou, and Y. Zhu (2016). 趋势因子：使用投资期限信息有经济收益吗？ Journal of Financial Economics 122(2), 352–375.

Huberman G. and S. Kandel (1987). 均值-方差跨度. Journal of Finance 42(4), 873–888.

Liu, J., R. F. Stambaugh, and Y. Yuan (2019). 中国的规模与价值. Journal of Financial Economics 134(1), 48–69.

Liu, Y., G. Zhou, and Y. Zhu (即将出版). 中国趋势因子：大型个人交易的作用. Review of Asset Pricing Studies.

Lo, A. W. (2017). 适应性市场：思维速度的金融演化. Princeton University Press.

Lo, A. W. and J. Hasanhodzic (2010). 技术分析的演进：从巴比伦泥板到彭博终端. Bloomberg Press.

Lo, A. W., H. Mamaysky, and J. Wang (2000). 技术分析的基础：计算算法、统计推断与实证实现. Journal of Finance 55(4), 1705–1765.

Malkiel, B. G. (1973). 漫步华尔街：成功投资的时间考验策略. W. W. Norton & Company.

Murphy, J. J. (1999). 金融市场技术分析：交易方法与应用的全面指南. New York Institute of Finance.

Schwager, J. D. (1989). 市场奇才：顶级交易员访谈录. New York: Harper & Row.