指标的物理意义

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。

技术指标并非凭空捏造的神秘曲线，每一个经典指标在物理学与信号处理理论中都有明确的对应实体。理解指标背后的位移、速度、加速度与能量衰减模型，是避免陷入机械调参和指标过拟合的根本之道。

💡 核心导读

• 技术指标的物理学对应关系：
  • 价格序列（Price） $\to$ 质点空间位置（Position / Displacement）；
  • 移动平均线（MA） $\to$ 质心与低通滤波器（Low-pass Filter），滤除高频白噪声；
  • 动量指标（Momentum / ROC） $\to$ 瞬时速度（Velocity $v = \Delta x / \Delta t$）；
  • MACD 柱状图（Histogram） $\to$ 价格加速度与做功能量（Acceleration $a = \Delta v / \Delta t$）；
  • 波动率与布林带（Bollinger Bands） $\to$ 粒子热运动扩散区间与势能包络。

┌─────────────────────────────────────────────────────────────┐
│                    技术指标物理动力学映射拓扑图             │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌───────────────┬─────────────┼─────────────┬───────────────┐
 ▼               ▼             ▼             ▼               ▼
┌─────────────┐ ┌───────────┐ ┌───────────┐ ┌───────────┐ ┌─────────────┐
│ 空间位移    │ │ 质心滤波  │ │ 运动速度  │ │ 动力加速度│ │ 热力学势能  │
├─────────────┤ ├───────────┤ ├───────────┤ ├───────────┤ ├─────────────┤
│ • 价格序列  │ │ • 均线 SMA│ │ • 动量 ROC│ │ • MACD 柱 │ │ • 布林带/ATR│
│ • 收盘价 P  │ │ • 滤除噪点│ │ • 速度变化│ │ • 拐点研判│ │ • 能量边界  │
└─────────────┘ └───────────┘ └───────────┘ └───────────┘ └─────────────┘

一、速度、加速度与能量守恒的量化映射

在经典力学中，物体的运动状态变化遵循牛顿第二定律 $F = ma$。在量化金融中，当价格向上快速拉升但成交量和 MACD 柱开始缩短时，物理实质是”加速度变为负值（$a < 0$）“，虽然速度仍大于 0，但质点即将到达抛物线最高顶点。这就是顶背离的物理本质。

$$v_t = \frac{P_t - P_{t-N}}{N}, \quad a_t = \frac{v_t - v_{t-1}}{\Delta t}$$

通过将物理学动力学方程引入技术分析，我们可以摆脱对形态学的主观臆测。

import pandas as pd
import numpy as np

def compute_kinematics_indicators(df: pd.DataFrame, window: int = 14) -> pd.DataFrame:
    """
    计算价格速度 (Velocity) 与加速度 (Acceleration)
    """
    res = df.copy()
    # 1. 速度：单位时间内的位移变化率
    res['Velocity'] = res['close'].diff(window) / float(window)
    
    # 2. 加速度：速度的一阶导数
    res['Acceleration'] = res['Velocity'].diff(1)
    
    # 3. 动力势能：动能与波动率的结合
    res['Kinetic_Energy'] = 0.5 * (res['Velocity'] ** 2)
    return res

# 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(start='2024-01-01', periods=30, freq='D')
base_price = 100.0
trend = np.linspace(0, 5, 30)
noise = rng.normal(0, 1.5, 30)
prices = base_price + trend + noise
df_demo = pd.DataFrame({'close': prices}, index=dates)

# 计算物理指标
window_demo = 5
df_with_indicators = compute_kinematics_indicators(df_demo, window=window_demo)

print("===== 价格物理指标计算演示 =====")
print(f"数据周期: {len(df_demo)} 天，速度计算窗口: {window_demo}")
print(f"最后一日收盘价: {df_demo['close'].iloc[-1]:.2f}")
print(f"最后一日价格速度: {df_with_indicators['Velocity'].iloc[-1]:.4f}")
print(f"最后一日价格加速度: {df_with_indicators['Acceleration'].iloc[-1]:.4f}")
print(f"最后一日动力势能: {df_with_indicators['Kinetic_Energy'].iloc[-1]:.4f}")

===== 价格物理指标计算演示 =====
数据周期: 30 天，速度计算窗口: 5
最后一日收盘价: 105.65
最后一日价格速度: 0.4302
最后一日价格加速度: 0.0876
最后一日动力势能: 0.0925

二、低通滤波与相位延迟（Phase Lag）的权衡

移动平均线本质上是一个 FIR（有限冲激响应）线性低通滤波器。滤波窗口越大，噪声抑制能力越强，但带来的相位滞后（Phase Lag） 也越严重。

$$\text{Delay}_{SMA} = \frac{N-1}{2} \quad \text{Bars}$$

量化研发的核心权衡就在于：在平滑度（信噪比）与敏捷度（时滞）之间寻找最优帕累托边界。

import pandas as pd
import numpy as np

def analyze_filter_delay(df: pd.DataFrame, n_fast: int = 10, n_slow: int = 30) -> pd.DataFrame:
    """
    分析不同周期均线的相位延迟与平滑效果
    """
    res = df.copy()
    res['SMA_Fast'] = res['close'].rolling(n_fast).mean()
    res['SMA_Slow'] = res['close'].rolling(n_slow).mean()
    
    # 估计滞后导致的偏离距离
    res['Lag_Distance'] = res['close'] - res['SMA_Slow']
    return res

# 构造合成价格序列（教学样例，历史模式不代表未来）
rng = np.random.default_rng(123)
t = np.arange(50)
base = 50.0
trend = 0.1 * t
cycle = 3.0 * np.sin(2 * np.pi * t / 20)
noise = rng.normal(0, 1.0, 50)
prices = base + trend + cycle + noise
df_demo = pd.DataFrame({'close': prices})

# 分析均线延迟
n_fast_demo = 5
n_slow_demo = 15
df_analysis = analyze_filter_delay(df_demo, n_fast=n_fast_demo, n_slow=n_slow_demo)

print("===== 均线滤波器延迟分析 =====")
print(f"快线周期 SMA({n_fast_demo})，慢线周期 SMA({n_slow_demo})")
print(f"序列末点价格: {df_demo['close'].iloc[-1]:.2f}")
print(f"序列末点慢均线: {df_analysis['SMA_Slow'].iloc[-1]:.2f}")
print(f"序列末点滞后距离: {df_analysis['Lag_Distance'].iloc[-1]:.2f}")
print(f"滞后距离均值: {df_analysis['Lag_Distance'].mean():.2f}")
print(f"滞后距离标准差: {df_analysis['Lag_Distance'].std():.2f}")

===== 均线滤波器延迟分析 =====
快线周期 SMA(5)，慢线周期 SMA(15)
序列末点价格: 55.11
序列末点慢均线: 55.00
序列末点滞后距离: 0.11
滞后距离均值: 0.97
滞后距离标准差: 2.87

📝 动手练一练

编写 Python 仿真程序，测算价格运动过程中的速度、加速度突变点，并验证背离检测算法：

import pandas as pd
import numpy as np

def compute_kinematics_indicators(df: pd.DataFrame, window: int = 14) -> pd.DataFrame:
    """
    计算价格速度 (Velocity) 与加速度 (Acceleration)
    """
    res = df.copy()
    res['Velocity'] = res['close'].diff(window) / float(window)
    res['Acceleration'] = res['Velocity'].diff(1)
    res['Kinetic_Energy'] = 0.5 * (res['Velocity'] ** 2)
    return res

# 构造先加速上升后减速见顶的正弦波价格序列（合成教学样例）
rng = np.random.default_rng(42)
t = np.linspace(0, 4 * np.pi, 120)
prices = 100.0 + 10.0 * np.sin(t) + rng.normal(0, 0.2, 120)
df = pd.DataFrame({'close': prices})

res = compute_kinematics_indicators(df, window=5)

# 检验顶背离：价格创新高但加速度为负
peak_idx = np.argmax(prices[:40])
accel_at_peak = res['Acceleration'].iloc[peak_idx]

print("================ 指标物理意义仿真验证 ================")
print(f"前40期最高价点位: {prices[peak_idx]:.2f} (索引 {peak_idx})")
print(f"见顶时瞬时加速度: {accel_at_peak:.4f}")
if accel_at_peak < 0:
    print("✅ 物理加速度预警见顶信号有效（合成样例验证）")
else:
    print("⚠️  加速度未显示见顶信号（本例中未触发）")
print("==================================================")

运行结果输出：

================ 指标物理意义仿真验证 ================
前40期最高价点位: 110.05 (索引 14)
见顶时瞬时加速度: -0.0940
✅ 物理加速度预警见顶信号有效（合成样例验证）
==================================================

本章小结

1. 指标的物理学内核：深刻理解均线（滤波质心）、动量（瞬时速度）与 MACD（动力加速度）的动力学本质。
2. 警惕相位滞后代价：所有平滑算法都以时间滞后为代价，参数过大将导致出场信号严重推迟。
3. 建立多物理量联立机制：结合位移、速度与加速度三维特征，构建抗噪能力更强的复合量化信号。

📋 行动清单 (Action Checklist)

• 运行本讲动力学测试脚本，绘制价格位移与瞬时加速度的时序曲线图；
• 尝试用卡尔曼滤波（Kalman Filter）对比传统 SMA 的降噪与时滞表现；
• 预习下一节，掌握技术指标在多周期共振中的实战应用技巧。

—— 小象教研组