网站建设的具体流程有效的网络推广
目录
- 0. 本栏目因子汇总表
- 1. 因子简述
- 2. 因子计算逻辑
- 3. 因子应用场景
- 4. 因子优缺点
- 5. 因子代码实现
- 6. 因子取值范围及其含义
- 7. 因子函数参数建议
0. 本栏目因子汇总表
【量海航行】
1. 因子简述
简单移动平均线(Simple Moving Average, SMA)是最基础且应用最广泛的技术指标之一。它通过计算一定周期内价格的算术平均值来平滑价格波动，帮助识别价格趋势。SMA的简单性和直观性使其成为技术分析中不可或缺的工具。
2. 因子计算逻辑
SMA的计算公式如下：
S M A t = 1 n ∑ i = 0 n − 1 C l o s e t − i S M A f a c t o r = C l o s e − S M A σ n ( C l o s e ) \begin{align*} SMA_t &= \frac{1}{n} \sum_{i=0}^{n-1} Close_{t-i} \\ SMA_{factor} &= \frac{Close - SMA}{\sigma_n(Close)} \end{align*} SMAtSMAfactor=n1i=0∑n−1Closet−i=σn(Close)Close−SMA
其中：
- n为移动平均的周期
- Close_{t-i}为t-i时刻的收盘价
- σ_n(Close)为n周期收盘价的滚动标准差
3. 因子应用场景
-
趋势判断：
- 价格上穿SMA，上升趋势确立
- 价格下穿SMA，下降趋势确立
-
支撑阻力：
- SMA作为动态支撑位
- SMA作为动态阻力位
-
均线系统：
- 与其他周期SMA组合
- 构建多重均线系统
-
市场状态：
- 价格与SMA的关系反映市场状态
- 用于判断趋势强度
4. 因子优缺点
优点：
- 简单直观：计算方法易于理解
- 应用广泛：适用于各类市场
- 稳定可靠：不易受异常值影响
- 参考价值：提供重要的技术参考位
缺点：
- 滞后性强：对价格变化反应较慢
- 权重均等：忽视了时间权重
- 单一维度：仅考虑收盘价
- 虚假信号：震荡市场易生成假信号
5. 因子代码实现
def SMA_factor(df, n=20):"""计算简单移动平均线(SMA)因子参数:df (DataFrame): 输入数据- code: 证券代码，如'600036.SH'- date: 日期，格式为'YYYY-MM-DD'- close: 收盘价n (int): 移动平均周期，默认20返回:DataFrame: 包含原有列和SMA因子值，理论取值范围(-∞,+∞)，实际大多在[-3,3]之间注意:1. 返回数据包含所有输入列2. 新增SMA列为因子值3. date列保持原有字符串格式'YYYY-MM-DD'4. 数据将按code分组、date倒序排列"""import numpy as npimport pandas as pd# 创建副本避免修改原始数据df_copy = df.copy()# 检查code格式valid_codes = df_copy['code'].str.match(r'^(?:\d{6}\.(SH|SZ)|[A-Z]+/[A-Z]+|\w+\.(IB|CFE|US))$')if not valid_codes.all():raise ValueError("Invalid code format found")# 检查date格式valid_dates = df_copy['date'].str.match(r'^\d{4}-\d{2}-\d{2}$')if not valid_dates.all():raise ValueError("Invalid date format found, expected 'YYYY-MM-DD'")# 排序（使用字符串比较）df_copy = df_copy.sort_values(['code', 'date'], ascending=[True, False])# 按code分组计算def calculate_sma(group):# 计算简单移动平均close = group['close'].valuessma = np.zeros_like(close)for i in range(len(close)):if i < n:sma[i] = np.mean(close[:i+1])else:sma[i] = np.mean(close[i-n+1:i+1])# 计算n周期滚动标准差rolling_std = group['close'].rolling(window=n).std()# 计算因子值：使用滚动标准差标准化的价格偏离度# 处理标准差为0的情况group['SMA'] = np.where(rolling_std != 0,(group['close'] - sma) / rolling_std,0)return groupdf_copy = df_copy.groupby('code', group_keys=False).apply(calculate_sma)# 按照最终要求重新排序并重置索引df_copy = df_copy.sort_values(['code', 'date'], ascending=[True, False]).reset_index(drop=True)return df_copy
测试数据：
6. 因子取值范围及其含义
SMA因子的取值范围理论上是(-∞,+∞)，但实际上大多数值会落在[-3,3]区间内：
- 取值 > 2：表示价格显著高于均线（超过2个标准差），强烈超买信号
- 取值在(1,2]之间：表示价格高于均线一个标准差以上，偏多信号
- 取值在[-1,1]之间：表示价格在均线一个标准差范围内波动，震荡区间
- 取值在[-2,-1)之间：表示价格低于均线一个标准差以上，偏空信号
- 取值 < -2：表示价格显著低于均线（超过2个标准差），强烈超卖信号
7. 因子函数参数建议
- n (移动平均周期)：
- 默认值：20
- 建议范围：[5, 120]
- 参数说明：决定移动平均的平滑程度
- 选择建议：
- 短期：5-10天，用于日内交易
- 中期：20-60天，用于中期趋势
- 长期：120天以上，用于长期趋势
- 常用周期：
- 5日（一周）
- 20日（一月）
- 60日（一季）
- 120日（半年）
- 250日（一年）
选择建议：
-
不同市场特点：
- 股票：20日、60日最常用
- 期货：5日、10日更敏感
- 外汇：10日、20日较合适
-
不同交易周期：
- 日线：参考上述周期
- 小时线：使用较小周期（5-20）
- 分钟线：使用更小周期（3-10）
-
不同交易风格：
- 短线：偏好短周期
- 波段：使用中周期
- 长线：采用长周期