技术指标专题报告（三）：VIDYA可变指数动态均线

研究与投资咨询部 格林大华量化研究 联系电话：0371-56518942 专题报告 2022年9月9日 技术指标专题报告（三）：VIDYA可变指数动态均线 摘要 移动均线是简单实用的技术指标，但是有明显的缺陷，短期均线反应迅速，但容易受到价格突变的影响；长期均线更加平滑，但曲线有明显的滞后延迟。自适应移动均线就是为了克服这两个缺点，当市场趋势明显时，它可以变得快速灵敏；当市场横盘震荡时，它又能变得稳定可靠。 指标构造的原理是首先识别当前偏向趋势行情还是震荡行情，再将识别结果一步一步传导给平滑系数，平滑系数决定了曲线的平滑程度，数值越大曲线越接近短期均线，数值越小曲线越接近长期均线，实现在短期均线和长期均线之间的切换，以求在灵敏度和平滑性之间寻找动态平衡。最后，指标每日根据当前行情形态动态调整平滑系数，实现自适应的智能切换均线。 文章介绍了第三种自适应移动均线——VIDYA的构造原理、参数特性、回测结果。基于多空能量的相对强度构造平滑系数，通过收盘价上穿下穿指标建立交易信号，指标回测经过调优后取得了很好的收益和回撤，将理论上的优点在实际中得到了兑现。 一.CMO，Chande动量振荡器 CMO全称ChandeMomentumOscillator，由TusharChande在TASC期刊1995年10月刊的文章《IdentifyingPowerfulBreakoutsEarly》中提出，用来衡量多空力量的强弱，作为行情趋向顺势或反转的参考依据。 观察每个交易日的涨跌情况，上涨时，上涨幅度记为正值价格增量，下跌时，下跌幅度的绝对值记为负值价格增量，周期为N时，计算周期内正值/负值价格增量之和。 PDI=最近N日内所有正值价格增量的加总 MDI=最近N日内所有负值价格增量的加总(1) P代表plus，PDI也记为+DI，衡量了向上走强的能量大小，M代表minus，MDI也记为-DI，衡量了向下势弱的能量大小。 图1PDI(14)和MDI(14)图2CMO(14) 如图1所示，左轴为PDI和MDI数值，两者有时呈现此消彼长的态势，符合我们通常的认知，有时会有出现相近趋势，说明多空力量绝对水平都在加码，致使指数波动较大。因此，需要在PDI和MDI的基础上构造CMO指标，衡量多空力量的相对水平。 CMO=(PDI-MDI)/(PDI+MDI) =PDI/(PDI+MDI)-MDI/(PDI+MDI)(2) CMO代表了上攻和下探两种动量博弈的结果，PDI/(PDI+MDI)可以视为多头力量 的占比，MDI/(PDI+MDI)可以视为空头力量的占比，两者之差可以视为多空力量的相对强弱。 如图2所示，左轴为CMO数值，当CMO处于零轴下方时，空头力量占据上风，有继续下探的可能，当CMO处于零轴上方时，多头力量扭转局势，有触底反弹的趋势。我们以CMO(14)和CMO(20)测试2016年1月1日至2022年8月29日在沪深 300指数日线数据的买点卖点，在穿越零轴的基础上增加安全垫，即上穿0.05时买入， 下穿-0.05时卖出，只做多不做空，对应右侧交易者谨慎的投资风格。 其次测试非对称的买点卖点，即上穿0.1时买入，下穿-0.05时卖出，对应卖出时果断，买入时谨慎的投资风格。 最后测试前置的买点卖点，即上穿-0.1时买入，下穿0.1时卖出，有穿越零轴的迹象，但尚未穿越零轴前抢先交易，对应左侧交易者积极的投资风格。 参数组合 累计收益率 最大回撤 交易次数 胜率 cmo_14_005005 -31.51% -36.54% 69 33.33% cmo_14_00501 -43.61% -47.08% 62 25.81% cmo_14_0101_rev 118.40% -12.46% 54 57.41% cmo_20_005005 -3.94% -23.05% 46 36.96% cmo_20_00501 -28.83% -33.66% 37 29.73% cmo_20_0101_rev 44.68% -14.86% 34 61.76% 表1CMO指标回测结果 如表1所示，_rev前置交易信号的回测结果从收益、回撤、胜率三方面全面优于其他两种交易信号。说明CMO穿越零轴时，多空力量的主导地位已经先行易主，CMO指标由于周期长度，有一定的滞后性，这点与移动均线的特性是一致的。为了克服滞后性，需要在CMO指标接近零轴而未穿越之时，视为交易信号已经发出，果断出击。 在参数选择上，cmo_14_相比cmo_20_更为灵敏和快速，因此风险更大，收益也更高。在非对称性上，_00501参数相较于_005005参数表现不佳，并不是非对称性的交易信号不合理，主要由于前述滞后性，使得上穿0.05时买入优于上穿0.1时买入。 图3CMO(14)回测收益曲线图4CMO(14)价格走势曲线 如图4所示，CMO(14)显示出多空力量在短周期上来看多次交换主导地位，CMO曲线波动较大，如图3所示，在指数下跌的过程中，多头力量也试图反攻，但未能扭转趋势，CMO收益曲线也未能幸免回撤，但是回撤幅度小于指数，在指数上涨的过程中，CMO收益曲线还是把握住了大多数机会，因此整体收益得以保障。 二.ADX，平均方向性运动指标 ADX，全称AverageDirectionalMovementIndex，对CMO再进行一次移动平均，平滑CMO曲线。 ADX=最近M日CMO的加总/M(3) ADX的周期参数M可以与CMO的周期参数N取不同值，通过调整M和N的数值取得不同的灵敏和平滑效果。通常N大于M，即计算CMO的时间窗口长于ADX平滑的时间窗口，意味着CMO提供的灵敏度较为重要，ADX提供的平滑性只作为修正。 图2CMO(14)图5ADX(14,6) 参数组合 累计收益率 最大回撤 交易次数 胜率 adx_10_5_0101 -40.93% -47.10% 46 30.43% adx_10_5_0101_rev 51.26% -20.58% 46 47.83% adx_10_5_0202_rev 78.80% -12.60% 38 60.53% adx_14_6_0101 -42.23% -51.13% 31 25.81% adx_14_6_0101_rev 31.40% -18.44% 31 51.61% adx_14_6_0202_rev 99.85% -14.00% 23 73.91% 对比图2和图5，图5中ADX曲线即为图2中CMO曲线平滑后的效果，我们沿用CMO指标的回测方法，参数选择更加灵敏的ADX(10,5)，以抵抗ADX对CMO的平滑效果。 表2ADX指标回测结果 如表2所示，安全垫的方式依然亏损，说明ADX依然存在滞后性。前置交易信号的2组参数对比之下，即上穿-0.2时买入，下穿0.2时卖出，在收益、回撤、胜率全面优于参数-0.1和0.1。究其原因，ADX是对CMO的再次平滑，滞后性更明显，需要更加提早的交易信号，同时由于稳定性也有所提升，因此更激进的风格并没有带来太多风险。 ADX相比于CMO，实际上是用稳定性的改进换取灵敏度的退步，稳定性使得胜率有所提高，但是回撤并没有明显改善，灵敏度的退步使得交易信号整体来说有所迟钝，平均下来每笔交易的收益略有降低。 可见，ADX并没有明显改进CMO，只是通过选择更加灵敏的周期参数，来抵御指标本身的滞后性，与CMO各有特点。 图6ADX(14,6)回测收益曲线图7ADX(14,6)价格走势曲线 如图7所示，ADX(14,6)相较CMO(14)更加平滑，交易次数降低了一半左右，如图6所示，空仓持现的水平直线更加明显，空仓时虽然躲过了下跌，但是也错过了反弹初期的机会，损失了一部分收益。 以上的ADX指标构成了DMI指标中ADX线的雏形，DMI中对于PDI和MDI的定义有所修正，并在ADX线的基础上增加了ADXR线。 三.VIDYA，可变指数动态均线 VIDYA全称VariableIndexDynamicAverage，由TusharChande在TASC期刊1992年3月刊的文章《AdaptingMovingAveragesToMarketVolatility》中提出，是自适应均线的一种，对普通移动均线短期噪声、长期滞后的问题进行优化，当市场趋势明显时，它可以变得快速灵敏；当市场横盘震荡时，它又能变得稳定可靠。 自适应均线的构造原理详见《技术指标专题报告(二)：AMA自适应移动均线》，简而言之，首先衡量当前行情偏向趋势还是震荡，再将衡量结果传导给平滑系数，平滑系数决定了曲线的平滑程度，实现在短期均线和长期均线之间的智能切换。 不同的自适应曲线主要是构造各具特色的平滑系数，在1992年最初版的VIDYA指标中，TusharChande使用不同周期的波动率构造平滑系数，在1995年的修正版VIDYA指标中，TusharChande基于CMO指标构建平滑系数，首先对CMO加上绝对值，绝对值较大时属于趋势性行情，绝对值较小时属于震荡性行情，其次将CMO的绝对值与EMA中常见的衰减系数2/(N+1)相乘，作为平滑系数。 平滑系数=2/(N+1)*今日CMO的绝对值(4) 今日VIDYA=平滑系数*今日收盘价+(1-平滑系数)*昨日VIDYA(5) 因此VIDYA(M,N)有两个参数，M是CMO的周期参数，N是平滑系数中使用EMA 的衰减系数。 增加参数M的数值，CMO的周期M拉长，会使CMO的波动更小，大部分情况使得CMO的绝对值减小，平滑系数减小，最终使VIDYA的数值偏向长期均线。 如图8所示，虽然VIDYA(20,5)比VIDYA(10,5)更加平滑，但是参数M加倍在 曲线上的效果却并不明显，只在指数快速下跌时，这时不同周期的CMO会有明显区别，最终使得两个参数的曲线有所分离。 图8改变参数M的效果图9改变参数N的效果 增加参数N的数值，平滑系数中2/(N+1)会减小，而且是对所有平滑系数等比例的缩小，平滑系数增大，最终使VIDYA的数值偏向长期均线。 如图9所示，参数N加倍使得两条曲线的平滑程度有明显的区别，VIDYA使用EMA的形式，因此改变参数N的效果等同于改变EMA中参数N的效果，但是VIDYA的参数N，由于被CMO稀释了数值，实际上VIDYA(M,5)与MA(15)的平滑性是接近的。 参数组合 累计收益率 最大回撤 交易次数 胜率 vidya_10_5_ma_10 76.03% -19.36% 64 57.81% vidya_12_9_ma_10 22.26% -25.67% 29 34.48% vidya_14_6_ma_10 43.25% -18.35% 52 50.00% vidya_20_10_ma_10 16.11% -31.28% 22 45.45% vidya_30_10_ma_10 25.36% -26.92% 18 50.00% 接下来，我们以不同的参数组合测试2016年1月1日至2022年8月30日在沪深300指数日线数据的买点卖点，MA(10)上穿VIDYA时买入，MA(10)下穿VIDYA时卖出，只做多不做空。 表3VIDYA指标回测结果 如表3所示，VIDYA(10,5)的收益和胜率最优，回撤也控制的较好，曲线是5个参数组合中最灵敏，与MA(10)最接近的。 图8VIDYA(10,5)回测收益曲线图9VIDYA(10,5)价格走势曲线 如图8所示，VIDYA(10,5)整体走势与指数很相近，仅在一头一尾两次下跌时优 于指数，在2020年下半年被指数追上并反超，在2021年下半年明显跑赢指数。整个过程中没有表现出在趋势或震荡中的很强适应性，反而在微小的机会上积少成多，有较好的稳定性。 在《技术指标专题报告（二）：AMA自适应移动均线》中，我们发现AMA和FRAMA这两种自适应均线有点偏科，在趋势行情中表现优异，在震荡行情中表现平平，而且在震荡和