趋势型策略及模型原理

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

在量化交易的策略体系中，趋势跟踪策略（Trend Following）是历经数十年市场牛熊考验的最经典流派之一。许多初学者在构建策略时，往往陷入对高胜率的执着追求，然而在真实的金融市场中，趋势型策略的核心盈利哲学并非依靠高胜率，而是依靠在趋势主升浪中捕捉超高盈亏比（Profit-Loss Ratio）。本讲系统梳理趋势型策略的物理机制、供求关系与收益分布特征，帮助开发者建立科学的量化研发认知。

💡 核心导读

• 什么是趋势的内在动力学机制？
  • 供求关系不平衡（Supply & Demand）：价格运动的本质是买卖双方筹码与资金力量的不对等，增量资金的持续流入形成单边价格推动力；
  • 因果关系（Cause & Effect）：没有无缘无故的暴涨暴跌，主升浪趋势形成之前必定经历长期的底部横盘吸筹或能量积聚；
  • 努力与结果（Effort vs Result）：成交量代表主力的资金努力，价格幅度代表市场结果；若天量成交却价格滞涨，往往预示着趋势即将反转。
• 趋势型策略的典型收益分布特征：
  • 胜率偏低（35% ~ 45%）：在震荡市中需要承受频繁的均线缠绕与小额假突破止损磨损；
  • 盈亏比极高（3:1 ~ 5:1 以上）：一旦抓住单边趋势行情，单笔盈利足以覆盖数十次试错成本，呈现典型的”右侧肥尾”特征。
• 趋势策略四大核心工程模块：
  1. 趋势识别与入场信号：唐奇安通道突破、双均线金叉；
  2. 顺势头寸加仓（Pyramiding）：随趋势确立阶梯式追加 Unit；
  3. 防御性硬性止损：入场后设定初始风险底线（如 2×ATR）；
  4. 浮动跟踪止盈离场：自最高点回撤一定比例或跌破关键均线离场。

┌─────────────────────────────────────────────────────────────┐
│                    趋势型策略收益非对称分布模型             │
└──────────────────────────────┬──────────────────────────────┘
                               │
 概率密度 P(R)                  ▲
                             ▲ │
                             │ │    [震荡市试错磨损: -2% ~ -5%]
                             │ │   ┌─────────┐
                             │ │   │ 胜率 40%│
 ────────────────────────────┼─┼───┴─────────┴────────────────► 收益率 R
                   -5%       0 │ +5%        +20%        +50%
                               │   └───────────────────────┘
                               │     [单边趋势爆发: +20% ~ +50%] (盈亏比 4:1)

一、趋势识别与唐奇安通道（Donchian Channel）模型

唐奇安通道是趋势跟踪系统中最具代表性的突破判定工具。其数学定义如下：

$$\text{UpperBand}_t = \max(High_{t-1}, High_{t-2}, \dots, High_{t-N})$$ $$\text{LowerBand}_t = \min(Low_{t-1}, Low_{t-2}, \dots, Low_{t-N})$$

当最新价格突破过去 $N$ 日最高价时，代表市场打破震荡箱体，多头动能占据绝对优势，系统生成顺势做多信号。

import pandas as pd
import numpy as np

def calculate_donchian_channels(prices_df, window=20):
    """
    计算标准唐奇安通道 (Donchian Channels)
    - UpperBand: 过去 N 日最高价 (不含当日)
    - LowerBand: 过去 N 日最低价 (不含当日)
    - MiddleBand: 上下轨均值
    """
    df = prices_df.copy()
    df['donchian_high'] = df['high'].rolling(window=window).max().shift(1)
    df['donchian_low'] = df['low'].rolling(window=window).min().shift(1)
    df['donchian_mid'] = (df['donchian_high'] + df['donchian_low']) / 2.0
    return df

# 合成价格数据（教学样例，不代表真实市场）
rng = np.random.default_rng(42)
dates = pd.date_range("2024-01-02", periods=30, freq="B")
base_price = 100.0
returns = rng.normal(0.001, 0.02, 30)
prices = base_price * np.exp(np.cumsum(returns))
synthetic_prices = pd.DataFrame({
    'date': dates,
    'open': prices * 0.995,
    'high': prices * 1.015,
    'low': prices * 0.985,
    'close': prices
}).set_index('date')

# 计算并展示唐奇安通道
window = 5
result_df = calculate_donchian_channels(synthetic_prices, window=window)
print("===== 唐奇安通道计算示例 =====")
print(f"数据周期: {len(result_df)} 个交易日，通道窗口: {window} 日")
print(f"最新价格 (Close): {result_df['close'].iloc[-1]:.4f}")
print(f"上轨 (Donchian High): {result_df['donchian_high'].iloc[-1]:.4f}")
print(f"下轨 (Donchian Low): {result_df['donchian_low'].iloc[-1]:.4f}")
print(f"中轨 (Donchian Mid): {result_df['donchian_mid'].iloc[-1]:.4f}")
print("----------------------------")
print("通道计算基于历史最高/最低价，突破信号需结合完整策略逻辑。")

===== 唐奇安通道计算示例 =====
数据周期: 30 个交易日，通道窗口: 5 日
最新价格 (Close): 104.0903
上轨 (Donchian High): 104.6405
下轨 (Donchian Low): 98.6244
中轨 (Donchian Mid): 101.6325
----------------------------
通道计算基于历史最高/最低价，突破信号需结合完整策略逻辑。

二、从物理学视角理解量化指标的三大物理量

在量化建模中，技术指标本质上是对行情时序物理特征的降维提取：

1. 位移（Position）：价格偏离均线的绝对距离，对应乖离率（BIAS）；
2. 速度（Velocity）：价格在一阶时间差分上的变动率，对应动量指标（Momentum / ROC）；
3. 加速度（Acceleration）：动量指标的变化率（如 MACD 柱状图的斜率变化），预示着趋势动能的衰竭或爆发。

import pandas as pd
import numpy as np

def calculate_price_kinematics(close_series, n=10):
    """
    计算价格时序的物理学特征量: 位移、速度、加速度
    """
    displacement = close_series - close_series.rolling(n).mean()
    velocity = close_series.pct_change(periods=n)
    acceleration = velocity.diff()
    return pd.DataFrame({
        'displacement': displacement,
        'velocity': velocity,
        'acceleration': acceleration
    })

# 合成价格序列（教学样例）
rng = np.random.default_rng(123)
periods = 25
base = 50.0
trend = np.linspace(0, 0.1, periods)
noise = rng.normal(0, 0.5, periods)
synthetic_close = base + np.cumsum(trend + noise)
close_series = pd.Series(synthetic_close, name='close')

# 计算价格运动学特征
n_period = 5
kinematics_df = calculate_price_kinematics(close_series, n=n_period)
print("===== 价格运动学特征计算 =====")
print(f"分析周期 N = {n_period}，总数据点 = {len(close_series)}")
print("最后 5 个数据点的特征值:")
sample_df = kinematics_df.iloc[-5:].copy()
sample_df['close'] = close_series.iloc[-5:].values
for idx, row in sample_df.iterrows():
    print(f"  Bar {idx}: Close={row['close']:6.3f}, "
          f"Disp={row['displacement']:7.3f}, "
          f"Vel={row['velocity']:7.3%}, "
          f"Acc={row['acceleration']:7.3%}")
print("----------------------------")
print("位移: 价格偏离其N期均线的距离，表征趋势强度。")
print("速度: N期收益率，表征趋势方向与速率。")
print("加速度: 速度的变化率，表征趋势的加速或减速。")

===== 价格运动学特征计算 =====
分析周期 N = 5，总数据点 = 25
最后 5 个数据点的特征值:
  Bar 20: Close=50.779, Disp= -0.752, Vel=-0.548%, Acc=-2.259%
  Bar 21: Close=51.281, Disp= -0.128, Vel=-1.177%, Acc=-0.630%
  Bar 22: Close=52.143, Disp=  0.632, Vel= 0.989%, Acc= 2.166%
  Bar 23: Close=52.802, Disp=  1.041, Vel= 2.426%, Acc= 1.437%
  Bar 24: Close=53.280, Disp=  1.223, Vel= 2.857%, Acc= 0.431%
----------------------------
位移: 价格偏离其N期均线的距离，表征趋势强度。
速度: N期收益率，表征趋势方向与速率。
加速度: 速度的变化率，表征趋势的加速或减速。

📝 动手练一练

下面我们用 Python 编写一段 趋势跟踪策略收益特征与唐奇安通道突破模拟引擎，从持仓序列中逐笔还原真实交易明细，统计胜率、平均盈亏与盈亏比，并对比策略与基准的全周期收益：

import pandas as pd
import numpy as np

def run_trend_following_simulation():
    """
    趋势型策略核心收益分布与唐奇安通道突破模拟
    - 从持仓序列还原真实交易明细，统计胜率与盈亏比
    - 合成数据历史回测，存在过拟合与未来函数风险，不代表未来表现。
    """
    rng = np.random.default_rng(2024)
    dates = pd.date_range("2024-03-01", periods=100, freq="B")

    # 构造含有一段主升浪趋势的合成行情
    returns = rng.normal(0.0003, 0.012, 100)
    returns[30:60] += 0.008  # 模拟主升浪趋势波段
    returns[70:85] -= 0.006  # 模拟一段下跌趋势

    prices = 100.0 * np.exp(np.cumsum(returns))
    df = pd.DataFrame({'close': prices,
                       'high': prices * (1 + rng.uniform(0.005, 0.015, 100)),
                       'low': prices * (1 - rng.uniform(0.005, 0.015, 100))},
                      index=dates)

    # 计算唐奇安通道: 突破20日高点做多，跌破10日低点离场
    df['donchian_high'] = df['high'].rolling(20).max().shift(1)
    df['donchian_low'] = df['low'].rolling(10).min().shift(1)

    # 生成持仓信号
    df['signal'] = np.nan
    df.loc[df['close'] > df['donchian_high'], 'signal'] = 1
    df.loc[df['close'] < df['donchian_low'], 'signal'] = 0
    df['position'] = df['signal'].ffill().fillna(0)

    # 策略收益计算
    df['pct_change'] = df['close'].pct_change()
    df['strat_ret'] = df['position'].shift(1) * df['pct_change']
    df['cum_ret'] = (1 + df['strat_ret'].fillna(0)).cumprod()

    # 从持仓序列还原真实交易明细
    pos = df['position'].values
    closes = df['close'].values
    trade_returns = []
    entry_price = None
    entry_bar = None

    for i in range(1, len(df)):
        if pos[i] == 1 and pos[i - 1] == 0:
            entry_price = closes[i]
            entry_bar = i
        elif pos[i] == 0 and pos[i - 1] == 1 and entry_price is not None:
            trade_returns.append(closes[i] / entry_price - 1.0)
            entry_price = None
    if entry_price is not None and entry_bar < len(df) - 1:
        trade_returns.append(closes[-1] / entry_price - 1.0)

    # 绩效统计
    total_trades = len(trade_returns)
    if total_trades > 0:
        trade_returns_array = np.array(trade_returns)
        wins = trade_returns_array[trade_returns_array > 0]
        losses = trade_returns_array[trade_returns_array <= 0]
        win_rate = len(wins) / total_trades
        avg_win = float(wins.mean()) if len(wins) > 0 else 0.0
        avg_loss = float(losses.mean()) if len(losses) > 0 else 0.0
        profit_loss_ratio = abs(avg_win / avg_loss) if avg_loss < 0 else float('inf')
    else:
        win_rate = avg_win = avg_loss = 0.0
        profit_loss_ratio = float('inf')

    benchmark_return = (df['close'].iloc[-1] / df['close'].iloc[0] - 1)
    strategy_return = (df['cum_ret'].iloc[-1] - 1)

    return {
        "total_trades": total_trades,
        "win_rate": win_rate,
        "avg_win": avg_win,
        "avg_loss": avg_loss,
        "profit_loss_ratio": profit_loss_ratio,
        "benchmark_return": benchmark_return,
        "strategy_return": strategy_return,
        "trade_returns_sample": trade_returns[:5] if total_trades > 5 else trade_returns
    }

# 执行模拟并打印结果
results = run_trend_following_simulation()
print("===== 趋势跟踪策略模拟：收益分布与唐奇安突破 =====")
print(f"总交易次数     : {results['total_trades']}")
print(f"胜率           : {results['win_rate']:.1%}")
print(f"平均盈利       : {results['avg_win']:.2%}")
print(f"平均亏损       : {results['avg_loss']:.2%}")
print(f"盈亏比         : {results['profit_loss_ratio']:.2f}")
print(f"基准收益率     : {results['benchmark_return']:.2%}")
print(f"策略收益率     : {results['strategy_return']:.2%}")
print("----------------------------------------------")
if results['total_trades'] > 0:
    print("前几笔交易收益率样本:")
    for i, ret in enumerate(results['trade_returns_sample']):
        print(f"  交易 {i+1}: {ret:+.2%}")
print("==============================================")
print("核心观察：趋势策略常呈现低胜率、高盈亏比特征。")
print("风险提示：合成数据回测，存在过拟合风险。")

运行结果输出：

===== 趋势跟踪策略模拟：收益分布与唐奇安突破 =====
总交易次数     : 1
胜率           : 100.0%
平均盈利       : 18.59%
平均亏损       : 0.00%
盈亏比         : inf
基准收益率     : 29.97%
策略收益率     : 18.59%
----------------------------------------------
前几笔交易收益率样本:
  交易 1: +18.59%
==============================================
核心观察：趋势策略常呈现低胜率、高盈亏比特征。
风险提示：合成数据回测，存在过拟合风险。

⚠️ 统计显著性警示：本次合成行情仅触发 1 笔交易（胜率 100%），策略收益 18.59% 跑输基准 29.97%。1 笔样本完全不具有统计意义——实盘中趋势策略的典型胜率仅 35%~45%，本例的全胜只是”主升浪恰好被通道完整捕捉”的幸运结果。这也解释了为什么量化统计必须从持仓序列真实还原交易明细（而非预设数字）：只有样本量足够大（数百笔以上），胜率与盈亏比的分布特征才会收敛到策略的真实期望。

本章小结

1. 重塑盈利思维：趋势跟踪的核心是用小额且可控的试错成本，博取单边主升浪的超额回报，不盲目追求高胜率。
2. 严守纪律四部曲：在实际工程中必须严格固化入场确认、阶梯加仓、硬性止损与跟踪止盈的完整闭环。
3. 理解市场物理特性：从供需失衡、因果积累与量价共振三个维度辅助研判趋势的可持续性。

📋 行动清单 (Action Checklist)

• 运行本讲唐奇安通道模拟代码，观察低胜率与高盈亏比的数学协同关系；
• 在真实行情历史数据中绘制 20 日唐奇安通道与 10 日出场线，统计震荡期与单边期的交易次数；
• 预习下一节，探讨均值回复型（Mean Reversion）策略的统计特性与模型架构。

—— 小象教研组