第 04 课：技术指标的真实角色

核心观点：指标不是"买卖信号"，而是特征工程。

"金叉必涨"的幻灭

小李是一个股票新手。他在网上学到了一个"必胜法则"：MACD 金叉买入，死叉卖出。

他兴奋地写了一个程序，回测过去 10 年的数据。结果：胜率 52%，年化收益 -8%。

"怎么可能？金叉明明是上涨信号啊！"

他又试了 RSI 超卖买入、布林带下轨买入、均线多头排列买入……每一个"经典信号"，单独使用时胜率都在 50% 附近徘徊，扣掉手续费后全部亏损。

问题出在哪里？

小李犯了一个常见错误：把技术指标当成买卖信号。

真相是：

1. 指标是滞后的：MACD 金叉时，价格已经涨了一段
2. 指标是简化的：一个数字无法概括复杂的市场状态
3. 指标是被利用的：当所有人都在看同一个信号，信号就失效了

那技术指标到底有什么用？

答案是：特征工程。指标不是用来直接交易的，而是用来描述市场状态的。当你把 MACD、RSI、布林带等几十个指标组合在一起，作为机器学习模型的输入特征，它们才能发挥真正的价值。

这一课的目标：让你理解技术指标的本质，学会正确使用它们。

4.1 指标的本质

指标 = 数学变换

所有技术指标，本质上都是对价格和成交量的数学变换：

核心洞察：指标不会创造新信息，只是换一种方式呈现已有信息。

滞后性是固有属性

任何基于历史数据计算的指标，都必然是滞后的：

价格已经发生变化
        ↓
    计算指标
        ↓
   指标发出信号
        ↓
    你采取行动
        ↓
  此时价格可能已经反转

启示：不要指望指标能"预测"未来，它们只能描述"现在"和"过去"。

信息压缩与损失

把几百天的价格数据，压缩成一个数字（比如 RSI=65），必然会损失大量信息：

• 价格的分布形态？丢失了
• 成交量的变化模式？丢失了
• 盘中的波动特征？丢失了

这就是为什么单一指标无法有效指导交易——信息太少了。

4.2 趋势类指标

MA / EMA：平滑与滞后的权衡

移动平均线 (MA)：过去 N 天收盘价的简单平均。

MA(5) = (P₁ + P₂ + P₃ + P₄ + P₅) / 5

指数移动平均线 (EMA)：给近期价格更高的权重。

EMA = 今日价格 × α + 昨日EMA × (1-α)
其中 α = 2 / (N+1)

核心权衡：参数越小 → 越灵敏 → 越多噪音；参数越大 → 越稳定 → 越滞后。

MACD：趋势与动量

MACD 是最常用的趋势指标之一，由三部分组成：

DIFF (快线) = EMA₁₂ - EMA₂₆
DEA (信号线) = EMA₉(DIFF)
柱状图 = 2 × (DIFF - DEA)  ← 中国软件惯例

注意：2× 系数是国内软件（同花顺、通达信）的惯例。国际标准（TradingView、MetaTrader）使用 DIFF - DEA，无 2× 系数。使用不同平台时请注意差异。

直观理解：

• DIFF：短期趋势与长期趋势的差距
• DEA：DIFF 的平滑版本
• 柱状图：趋势加速/减速的程度

背离分析

背离是技术分析中最重要的概念之一：

顶背离示意：
价格:  100 → 110 → 120 → 125 → 130（新高）
MACD:   10 →  15 →  18 →  16 →  14（未新高）
                              ↑
                         动能衰竭信号

重要警告：

• 背离只是"可能"的信号，不是"确定"的信号
• 单独使用背离交易，胜率通常只有 55-60%
• 需要结合其他指标和市场结构验证

4.3 振荡类指标

RSI：相对强弱

RSI 衡量近期涨跌的相对强度：

RS = 平均上涨幅度 / 平均下跌幅度
RSI = 100 - 100/(1+RS)

RSI 的范围是 0-100：

RSI 的真实用法：

• 不要单独依赖 70/30 作为买卖信号
• RSI 的趋势更重要：RSI 从 30 上升 vs RSI 一直在 60-70 震荡
• RSI 背离同样有效：价格新高但 RSI 未新高 = 顶背离

布林带 (Bollinger Bands)

布林带由三条线组成：

中轨 = MA₂₀（20日移动平均线）
上轨 = MA₂₀ + 2σ（均值 + 2倍标准差）
下轨 = MA₂₀ - 2σ（均值 - 2倍标准差）

统计含义：在正态分布假设下，价格有 95% 的概率在上下轨之间。

关键洞察：布林带在震荡市是"回归"信号，在趋势市是"突破"信号——你需要先判断市场状态。

4.4 波动率指标

历史波动率

历史波动率 = 过去 N 天收益率的标准差 × √252（年化）

示例计算：
日收益率标准差 = 2%
年化波动率 = 2% × √252 ≈ 31.7%

ATR（Average True Range）

ATR 衡量"真实波动幅度"，考虑了跳空缺口：

True Range = max(
    当日最高 - 当日最低,
    |当日最高 - 昨日收盘|,
    |当日最低 - 昨日收盘|
)
ATR = True Range 的 N 日平均

ATR 的实战用途：

• 止损设置：止损距离 = 入场价 ± 2×ATR
• 仓位管理：波动率高时减仓，波动率低时可适当加仓
• 突破确认：突破幅度 > 1×ATR 更可能是真突破

4.5 策略评价指标

这些指标用于评估策略表现，而非交易信号：

Sharpe Ratio（夏普比率）

Sharpe Ratio = (Rₚ - Rᶠ) / σₚ

Rₚ = 投资组合收益率
Rᶠ = 无风险利率（如国债收益率）
σₚ = 收益的标准差

直观理解：每承担 1 单位风险，能获得多少超额收益。

其他风险指标

示例：

• 策略年化收益 20%，最大回撤 40% → Calmar = 0.5（一般）
• 策略年化收益 15%，最大回撤 10% → Calmar = 1.5（优秀）

4.6 指标组合：从信号到特征

为什么单一指标无效？

实证研究表明，单一技术指标的预测能力非常有限：

说明：以上数据为示意性参考，实际表现因市场、时间段、参数设置和交易成本假设而异。

原因：

1. 市场参与者都在看同一个信号 → 信号被提前消化
2. 不同市场状态需要不同解读 → 单一规则无法适应
3. 指标信息不完整 → 需要多维度验证

指标作为特征的正确用法

传统用法（错误）：
RSI < 30 → 买入

正确用法（特征工程）：
特征向量 = [
    RSI,
    RSI 变化率,
    MACD_DIFF,
    MACD_柱状图变化率,
    布林带位置（价格在带中的相对位置）,
    ATR（波动率）,
    成交量变化率,
    ...更多特征
]
→ 输入机器学习模型 → 输出：买入/卖出/持有 + 置信度

多智能体视角：

• Trend Agent：关注 MACD、均线、ATR
• Mean Reversion Agent：关注 RSI、布林带、偏离度
• Regime Agent：关注波动率变化、相关性变化
• Risk Agent：关注 VaR、最大回撤、Sharpe 变化

💻 代码实现（可选）

如果你想动手实践，这里提供计算指标的示例代码：

import pandas as pd
import numpy as np

def calculate_indicators(df):
    """
    计算常用技术指标
    df 需要包含: open, high, low, close, volume 列
    """
    # EMA
    df['EMA12'] = df['close'].ewm(span=12).mean()
    df['EMA26'] = df['close'].ewm(span=26).mean()

    # MACD
    df['MACD_DIFF'] = df['EMA12'] - df['EMA26']
    df['MACD_DEA'] = df['MACD_DIFF'].ewm(span=9).mean()
    df['MACD_Histogram'] = 2 * (df['MACD_DIFF'] - df['MACD_DEA'])

    # RSI（处理除零情况）
    delta = df['close'].diff()
    gain = delta.where(delta > 0, 0).rolling(14).mean()
    loss = (-delta.where(delta < 0, 0)).rolling(14).mean()
    rs = gain / loss.replace(0, np.nan)  # 避免除零
    df['RSI'] = 100 - 100 / (1 + rs)
    df['RSI'] = df['RSI'].fillna(100)  # 连续上涨时 RSI=100

    # Bollinger Bands
    df['BB_Middle'] = df['close'].rolling(20).mean()
    df['BB_Std'] = df['close'].rolling(20).std()
    df['BB_Upper'] = df['BB_Middle'] + 2 * df['BB_Std']
    df['BB_Lower'] = df['BB_Middle'] - 2 * df['BB_Std']
    df['BB_Position'] = (df['close'] - df['BB_Lower']) / (df['BB_Upper'] - df['BB_Lower'])

    # ATR
    high_low = df['high'] - df['low']
    high_close = (df['high'] - df['close'].shift()).abs()
    low_close = (df['low'] - df['close'].shift()).abs()
    tr = pd.concat([high_low, high_close, low_close], axis=1).max(axis=1)
    df['ATR'] = tr.rolling(14).mean()

    return df

def calculate_sharpe_ratio(returns, risk_free_rate=0.04, periods_per_year=252):
    """
    计算夏普比率

    注意: risk_free_rate 应根据当前市场调整
    - 2020-2021: ~0%（接近零利率）
    - 2024-2025: ~4-5%（美联储加息后）
    """
    excess_returns = returns - risk_free_rate / periods_per_year
    return np.sqrt(periods_per_year) * excess_returns.mean() / returns.std()

本课交付物

完成本课后，你将获得：

1. 对技术指标的正确认知 - 知道指标是"特征"而非"信号"
2. 常用指标的计算方法 - 理解 MACD、RSI、布林带、ATR 的本质
3. 策略评价能力 - 能用 Sharpe、Sortino、Calmar 等指标评估策略
4. 多维度思考框架 - 知道不同指标适合不同的市场状态和 Agent

本课要点回顾

• 理解技术指标的本质：对价格/成交量的数学变换，不创造新信息
• 掌握趋势类指标（MACD）和振荡类指标（RSI、布林带）的用法
• 理解背离分析的原理和局限性
• 学会使用 Sharpe Ratio 等指标评估策略表现
• 认识到单一指标的局限性，理解指标组合作为特征的价值

延伸阅读

• 背景知识：Alpha 与 Beta - 策略收益分解
• 背景知识：历史著名量化事故 - 过度依赖指标的代价

下一课预告

第 05 课：经典策略范式

趋势跟随、均值回归、网格交易、配对交易……这些经典策略各有什么特点？适合什么市场？有什么陷阱？下一课我们逐一拆解。