动量测评之均线策略（四）
作者：赵延鸿 刘富兵
4. 不同均线策略测评选取5周线或者25日均线进行单均线动量测评，并非此均线动量效果最优，只是这类均线比较常用。在报告中也对其他均线从5日线均线到250日均线做测评。同样选用28个申万一级行业，进行期初等额资金配置，测试窗口从2002年4月1日至2015年3月6日，交易费率同样采用万分之五，无风险收益率为4%。
综合来看15日均线动量策略累计收益1458%，为最大值；20日均线动量策略累计收益1435%排第二位。当均线周期大于55之后，累计收益基本上落在800%到1000%之间，并且变化平缓，换言之，随着均线周期数增大，均线动量策略累计收益对均线周期变化的敏感度变小。
图17不同日均线策略累计收益（期初等额资金配置）
数据来源：国泰君安证券研究，WIND
5日均线动量策略平均买入信号次数379次，10日均线降至245次，到年线250买入信号次数达到最小值29。买卖次数决定了资金操作级别。5日均线比较适合小资金操作，而大资金可以用短期均线降低持仓成本。
图18不同日均线买卖信号次数（28个一级行业平均值）
数据来源：国泰君安证券研究，WIND
胜率总体随着均线周期增大而减小，5日均线动量策略胜率39%为最大值。到了中长期均线胜率普遍降至20%以下，这就意味着用中长期均线做动量策略多数时间比较有挫败感，败多胜少。但这种策略的可贵之处就在于小亏大赚。
图19不同日均线胜率比较（28个一级行业平均值）
数据来源：国泰君安证券研究，WIND
5. 总结
5.1. 策略比较
对各种策略综合比较来看（28个申万一级行业等额资金策略）：
25日均线优于5周线（累计收益 1137% > 763%，代价：平均交易次数133 > 76）。25日均线策略的累计收益1137%，远高于5周线策略的累计收益763%。25日均线优于5周均线原因很简单，25日均线需要每个交易日观察是否触发买卖信号，而5周均线观察频率为周度，每一个动量点对应的买卖位置滞后于25日均线，所以25日线均线策略的累计收益会优于5周线。累计收益的提升需要付出的代价为交易次数由5周线的76次买入信号提高到25日均线的133次买入信号。
15日均线优于25日均线（累计收益 1458% > 1137%，代价：平均交易次数178 > 133）。实际测试结果发现15日均线是5到250日均线系统中策略累计收益最高的一根均线，28个一级行业等额资金配置策略累计收益达到1458%，远高于25日均线策略的1137%。15日均线为什么是最优的，其实没有必然的逻辑来证明其最优性，这个结果是基于数据挖掘得到的。至于未来五年、十年乃至二十年是不是还是15日均线最优是不可知的。所以站在当下从策略累计收益最大化角度，我们无法知道该选取哪一条均线，如果选取15日均线，也仅仅是一个优化结果。实际运用均线策略，首先根据资金级别选择一条相适应的均线，资金级别越大采用的均线周期也越大，从历史统计结果来看，策略的累计收益随着均线周期的增大变得不敏感，也就是说，当均线周期数大于一定值后，策略累计收益比较稳定，而且收益都不错，都在10倍左右。
牛熊分界值策略优于等额资金策略（25日均线）（累计收益1738% > 1137%，代价调仓次数大幅增加）。牛熊分界值策略优于等额资金策略，主要是加入了一个对市场强弱的判断指标，当市场偏弱时，即使有行业站到了均线之上，也不参与，因为市场处于弱势时，行业的反弹一般持续性较差，这样避免了参与一些带来损失的买入机会。至于动态等市值管理仅是用来确保出现买卖信号能够给出一个清晰操作，未必是最优的。
5.2. 单均线动量策略优缺点分析
优点分析：
- 信号清晰简单。价格站上单均线或者跌破单均线，是价格走势中再普通不过的信号，容易识别和运用，不需要使用复杂的模型和复杂的数学公式，简单的东西往往折射出最基本的规律。
- 交易纪律得以有效执行。纵览全球交易大师的著作，当他们分享自己的成功经验时，都会提到必须坚定执行交易纪律。什么是交易纪律应该是一个因人而异的问题，并不存在唯一答案。但交易纪律能否执行却体现了人性的贪婪与恐惧，有时候价格跌破了单均线，却没有卖出离场，原因是贪婪心在起作用，期待着价格还会反弹甚至创新高；同样当价格没有跌破单均线，但涨幅已经很大，心中开始担忧行情可能要结束了，这种担忧本质就是恐惧已经到手的盈利可能部分失去，于是选择了卖出离场，但卖出之后也许就错过了之后更疯狂的上涨。在牛市中，没有多少人能一直拿到顶部附近，往往选择了中途下车。比较有意思的是，如果中途选择下车，之后很多人不会再进场，究其原因在于下车之时已经认为价格要见顶，一旦有了看空的心态，价格再上涨会感觉更要见顶，由此更不敢追进，这种“恐惧”心态往往会伴随着价格同步上行，结果就是容易错过一波大行情。交易纪律必须执行的本质就是克服人性的贪婪恐惧，摒弃掉“感觉”的成份，因为绝大多数人的感觉是由潜意识主导，而潜意识会让这种感觉不够准确。
- 策略成本低。不需调研上市公司、不需研究宏观经济运行、不必臆想未来究竟是牛市还是熊市，只需跟踪指标变化从而把握市场趋势。不会错过大牛市，但会避开大熊市。
- 无参数拟合。参数拟合的模型如果有效必定基于一个假设：价格走势会重复。这里需要弄清楚什么在重复？有一点毋庸置疑价格走势有很多特定的模式，这些模式是盈利的关键点。如果从这个角度去寻找重复的模式是有效的。如果基于过去的一段走势状态，拟合参数使得策略表现优异，从而寄希望于未来也会有效，这就会承担很大的风险，最大风险在于模型失效之时未必能够清晰知道为什么失效。从这个角度来看，单均线的优点在于，其有效或无效的风险点非常清楚。趋势必定有效，震荡则无效。市场由趋势和震荡构成，趋势时间虽短但贡献了也许80%以上的涨跌幅，震荡时间虽长但仅构成了20%的涨跌幅度。这就是这种简单动量模型背后运行有效的机理。
缺点分析：
- 这种策略的缺点在于忽略掉所有其他信息，完全生硬地跟随市场的脚步，其实在一些情况下，基于其他信息对市场能够做出相对可靠判断。当然这种带有主观判断的预判操作从本质上和单均线策略本身相矛盾的，但这种“严格信号买卖系统”加上“灵活预判操作”才能真正意义上把投资组合的收益做到极致。
- 在实战过程中，在单均线信号的基础上，有很多灵活的交易策略可做，而这些操作会大幅提升最终的收益。譬如在一个上涨行情中，虽然单均线没有发出卖出信号，但通过对次级别或者次次级别的进一步分析，可以做个短差，哪怕这个短差操作仅贡献了5个点的收益，最终放到整个策略中也是可观的。
5.3. 技术指标“无效”定性分析
技术指标有效还是无效一直是一个颇有争议的问题，虽然没有严格的统计数据，但大多数投资者应该认为技术指标是无效的。背后原因是投资者对技术指标的“预期”过高。每一个开始学习技术分析的投资者最初都是在寻找一个神奇的指标，这个神奇指标有着100%的胜率，或者80%以上的胜率，但找来找去，绝大数投资者选择了放弃，因为实践的结果证明是找不到这样的指标。不是投资者不够聪明，而是价格走势双属性决定了任何技术指标如果贯穿整个价格序列不可能存在高胜率。
如果用属性来刻画价格走势的话，趋势属于阳属性，震荡属于阴属性，这里的趋势包括单边下跌和单边上涨，而不仅仅是上涨为阳。
价格走势 = 趋势（阳） + 震荡（阴） + 趋势（阳）+ 震荡（阴） + 。。。
任何单一技术指标要么为阳属性要么为阴属性，必然难以同时兼顾阴阳两种走势。那么在实战中如何兼顾两种属性？一般来说有两种解决方案：第一、存在一种方法能够预判价格走势的转换，如果价格走势由趋势转为震荡，则调整动量策略为反转策略；反之，如果价格震荡完成，新一轮的趋势行情展开，则由反转策略转为动量策略。如果能做到这一点这就是一个完美的量化策略。但实际上预判走势类型的转换也相当不易。第二、寻找特定的价格模式，选用适用的操作策略。这种投资交易方法更像是猎人捕获猎物，价格走势一旦呈现某种特征或某种模式，也就是猎物出现，这时候就选用合适的捕猎工具出击。在实际交流中发现，很多股市、期货的交易投资高手多采用此模式。这种方法分为两种层次，第一种胜率极高，高的可以达到90%以上，不出则已，出必胜、行必果。另一种层次看上去低一些，胜率不高，经常也就是50%左右，但盈亏比极高。其实很多有效的策略都是胜率普通但盈亏比极高。
5.4. 单均线动量策略胜率提高探讨
单均线动量策略是一种简单易行的交易策略，既不需要分析市场走势也不需要预测市场，这是其优点，运用在申万二级行业上，采用“牛熊分界值”策略的话，十三年可以取得17倍的收益。缺点就是完全固化的操作模式，实际上有很多可以改进的地方，譬如对买卖点进行条件判断，什么样的买入信号有参与价值？什么样的买入信号可能就是下跌中的反弹？通过提高买入判断的准确性，从而提高胜率。同样当下跌信号出现时，对这些信号进一步判断，哪些情况可以不急着卖出，避免踏空。
图20买入信号之下跌趋势中的反弹
数据来源：国泰君安证券研究
图21买入信号之横盘震荡
数据来源：国泰君安证券研究
通过加入一些条件，可以提高单均线的策略，但也可能错失一波大行情，这是单纯基于价格构建策略的矛盾所在。需要融入成交量和一些基本面因素可以更好地解决这个问题。后续研究会在这个方向做进一步深入探讨。（连载完）
来源：国泰君安证券金融工程数量化专题报告
（本文仅代表作者观点）
交易技术, 交易策略
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！
