专栏名称: 留富兵法

从量化的视角去看市场，用金融工程的思维去解决问题

【国盛金工】量化专题：K线形态信息中的alpha

留富兵法 · 公众号 · · 2024-09-10 11:35

主要观点总结

本文介绍了K线形态分析在投资策略中的应用，包括形态划分、组合形态、形态选股因子和行业轮动等方面的研究。历史数据统计显示，划分的形态对于股票未来的收益表现具有持续性的预测能力，形态选股因子CSP在全市场股票中的月度IC均值达到9.6%，行业轮动应用效果显著。

关键观点总结

关键观点1: K线形态分析的重要性

K线图是技术分析中直观且具有预测价值的工具，每个形态都有独特的特征和交易信号，为交易者提供市场可能的动向线索。

关键观点2: 形态划分与组合

通过K线的形态划分与组合，识别出单根K线的24种形态，并进一步组合多根K线构建组合形态，用于投资策略中。

关键观点3: 形态选股因子的构建与应用

基于历史数据统计和模型推演，构建形态选股因子CSP，该因子在全市场股票中表现出良好的预测能力，月度IC均值达到9.6%，多头组合年化超额收益超过11.5%。

关键观点4: 行业轮动中的形态信息应用

形态信息在行业轮动中的应用效果显著，基于形态得到的交易型行业轮动信号与基本面行业轮动模型相关性低，二者结合后的行业因子多头组合相比于行业等权年化超额收益达到10.2%。

正文

摘要

K线形态分析

在众多技术分析工具中，K线图是一种非常直观且具有预测价值的工具，每一个形态都有其独特的特征和交易信号，为交易者提供了洞察市场可能动向的线索。

在技术分析视角下，我们测试了十字星、锤头线、倒锤头线等经典K线形态，历史数据统计表明这些形态确实在特定条件下能对股票趋势的反转给出预判信号。因此，本文希望在定量化视角下研究形态在量化选股、行业轮动等投资中策略中的应用。

形态与组合形态

通过K线的形态划分与组合，我们首先划分出单根K线的24种形态，其次组合多根K线构建组合形态，本文构建了数万种的K线形态模式。统计结论表明，我们划分的形态对于股票未来的收益表现具有持续性的预测能力，过去有正向（负向）超额收益的形态在未来仍然能区分出有正向（负向）超额收益的股票。

形态选股因子

通过构建从形态到打分的映射关系，我们在多周期视角和多维度评价准测基础上，构建了对于股票形态的综合打分体系。2014年以来，形态选股因子CSP在全市场股票中月度IC均值达到9.6%，ICIR为4.13，多头组合年化超额收益超过11.5%。

形态信息在行业轮动中的应用效果同样显著，基于形态得到的交易型行业轮动信号与基本面行业轮动模型相关性低，二者结合之后的行业因子多头组合相比于行业等权年化超额收益达到10.2%。

K线形态分析

技术分析是股票市场中一种广泛使用的方法，它通过分析历史价格和交易量数据来预测未来的市场趋势。这种方法的核心理念是市场行为会以某种可识别的模式重复出现，而这些模式可以通过图表和指标进行识别和分析。

在众多技术分析工具中，K线图是一种非常直观且具有预测价值的工具。K线图通过四个基本元素——开盘价、收盘价、最高价和最低价——来展示股票在特定时间内的价格变化。通过观察这些价格的排列和组合，投资者可以识别出各种K线形态，这些形态往往预示着市场可能的反转或持续趋势。

K线可分为阳线和阴线，图表1和图表2分别为阳线和阴线的构成，均由实体、上影线和下影线三部分组成，其中阳线开盘价低于收盘价，而阴线收开盘价则要高于收盘价。

因此，我们可以借助于实体宽度、上影线、下影线长度这三部分表征任意K线的形态，这三部分可以定量化表示为如下公式：

关于K线的形态分析，前人经过多年的市场观察和经验积累，已经识别并记录了众多有效的图表形态。这些形态，如头肩顶、双底、旗形、楔形、通道、三角形等，都是基于市场行为的自然模式，它们反映了投资者情绪和市场心理的变化。每一个形态都有其独特的特征和交易信号，为交易者提供了洞察市场可能动向的线索。

我们以一些经典的形态为例，让读者对于形态的分析有初步了解：

例1 ：在股票市场技术分析中，十字星形态是一种重要的图表模式，通常被视为潜在的趋势反转信号。例如当股票价格在经历一段明显的上升（下跌）趋势后，顶部（底部）出现十字星，这可能意味着买方和卖方的力量开始均衡，之前的价格动能可能正在减弱。

例2 ：锤头线通常出现在股票价格的下降趋势中，被认为是潜在的底部反转信号。这种形态由一个小的实体和一根长下影线组成，而上影线通常很短或几乎没有。锤头线的实体位于整个价格范围的上端，下影线的长度至少是实体的两倍。

例3 ：倒锤头线通常出现在一段上升趋势的末端，被认为是潜在的顶部反转信号，表明卖方可能开始控制市场。这种形态由一个小的实体和一根长上影线组成，而下影线通常很短或几乎没有，倒锤头线的实体位于整个价格范围的下端。

借助于K线基础表征变量，这3类形态可以定义如下：

十字星：箱体宽度≤ 2%、上影线长度≥3%、下影线长度≥ 3%；
锤头线：箱体宽度≤ 2%、上影线长度≤ 2%、下影线长度≥ 5%；
倒锤头线：箱体宽度≤ 2%、上影线长度≥ 5%、下影线长度≤ 2%；

此外，价格变动通常被视为市场供需关系的直接反映，而成交量则提供了这种供需关系强度的量化指标。高成交量通常伴随着价格的显著变动，表明市场对该价格水平的认可和参与度；相反，低成交量可能表明市场对该价格水平的兴趣不足或存在不确定性。

因此，成交量变动也是一个重要的信息，我们将股票的放量和缩量行为确认为：

放量：当日成交额 ≥ "过去20日成交额均值"×(1+20%)；
缩量：当日成交额 ≤ "过去20日成交额均值"×(1-20%)；

最后，在进行股票市场技术分析时，除了跟踪价和量的信息外，价格所处的位置同样至关重要。价格是趋势的间接表示，价格顶部和价格底部反映了市场参与者不同的心理预期，在股票价格接近这些关键点位时，投资者会关注于趋势的延续或反转。

股票价格所处的位置区域也可以定量，我们将顶部和底部确认为：

顶部区域：当日收盘价 ≥ "过去1年最高价"× (1-10%)；
底部区域：当日收盘价 ≤ "过去1年最低价"× (1+10%)；

综上，我们对于上述经典形态进行了历史回溯，以论证K线的形态分析对于股票未来的涨跌幅具有明显的预测能力。

在经过一段强劲的上涨之后，股票价格在顶部区域出现了十字星或者倒锤头线形态，暗示了市场在该价位上的犹豫不决，买方不再像之前那样积极推高价格，而卖方也开始显现出力量，试图压低价格。

而在一段明显的下跌趋势之后，如果股票图表上出现了十字星或者锤头线形态，这意味着买方成功地抵抗了卖方的抛售压力、并将价格推回接近或高于开盘价，这可能是买方正在重新获得控制权的迹象，也表明卖方的动力正在减弱。

我们通统计了股票在2010年以来股票在顶部位置放量、且出现十字星或者倒锤头线，在底部位置放量并且出现十字星或者锤头线，这些事件后股票在未来20日相对于市场所有股票等权收益的超额表现。

如图表7所示，当顶部位置的反转形态对应的股票在未来大概率跑输于市场指数，而底部位置的反转形态对应的股票在未来大概率跑赢市场指数，这表明形态的分析对于股票未来的涨跌确实具有显著的预测能力。

值得注意的是今年技术分析表示出极强的有效性，例如2月市场众多股票触发了底部十字星放量特征，这些股票在随后超额收益显著。当然形态对于收益的区分能力是长期有效的，即使抛开今年的数据，底部十字星的历史超额收益均值仍然有2.4%。

然而，股票的形态数不胜数，传统技术分析通过逻辑推演，寻求少数能对股票未来涨跌具有预测性的形态。在本文中，我们希望通过量化分析，基于历史数据自动化探索学习有效的形态模式，同时利用样本外数据去验证这些形态在投资中的有效性。

因此，基于形态分析，本文希望研究形态在量化选股、行业轮动等投资中策略中的应用。

形态与组合形态

如前文所述，我们根据实体宽度、上影线和下影线长度这3个变量来表征K线。因此，我们将基于这3个变量对于K线的类型做进一步的划分：

首先，我们根据股票日内涨跌幅大于0、小于0，可以将K线划分为：阳线、阴线；

其次：根据实体宽度：小于1.5%、大于1.5%且小于3%、大于3%，我们可以进一步划分K线为：小阳、小阴、中阳、中阴、大阳、大阴；

最后，根据影线长度大于2%、小于2%，可以划分上影线和下影线为：长上影、短上影、长下影、短下影。

因此，综合3个条件，一根K线总共可以划分为2×3×4共计24种形态。

此外，我们的预测目标并非出现股票在呈现形态之后股票次日的涨跌幅，而是希望能预测诸如未来1个月的长窗口收益表现。那么，单根日线数据对于我们而言其所蕴含的信息量太少，受到噪声的影响较大。因此，我们希望使用一系列日线构建成一个组合形态，利用更长窗口的信息。

首先，组合形态的种类随着日线的数量指数级增长，因此我们构建组合形态之前，我们先对日线进行简单聚合，以降低组合形态的类型数量。

由于简单的单根K周线表征形态太过于单一，其只能表示K线的24种类型，我们用连续的3根周线构成组合形态。

形态是博弈的结果，成交量则是博弈过程激烈强度的量化指标，我们根据“最新成交额/成交额均值”的比例值，定义指标大于1.2为放量，小于0.8为缩量，否则为常量。

最终，结合价格形态和成交量变化信息，我们将得到3×24^3共计41472种组合类型。

此外，技术分析一般会结合不同频率周期的K线给出结论，因此我们对于形态的构建视角并不局限于周线。我们将从1日线、2日线、…、直至10日线，站在10个不同频率周期的K线视角下构建组合形态。

基于K线形态模式pattern，任意股票s 在交易日t 构成一个样本，其将属于某类形态pattern_(s,t)，该样本对应未来20日超额收益为ret_(s,t)。

传统技术分析基于逻辑推演，谋求刻画市场参与者心理和情绪的变化，其中的重要问题点在于其结论大都缺少统计上的显著性检验。为此，我们以周线为例，首先验证我们对于形态的划分具有显著性的收益预测能力。

我们将对时间做划分，拆分“统计区间”和“验证区间”，我们希望论证在“统计区间”中有效的形态模式在“验证区间”仍然有效，以此表明本文划分的股票的K线形态模式对于股票未来收益具有持续性的预测能力。

每个月，我们将当月看多/看空样本的超额收益取均值，然后累加月度超额收益，得到超额累计净值，并统计当月的样本数。

2016年以来，看多样本月均数量约580个，对应未来20日超额收益均值2.5%，2015年超额幅度较高，其后虽然超额累计速度下降但整体上涨趋势不变；而看空样本对应未来20日超额收益长期稳健，均值为-2.2%。

此外，统计每年各形态的超额均值与该形态在上年份超额均值的截面相关性，我们要求每个形态在前后两年都至少拥有100个以上的样本。2012年至2023年，各形态在前后两年的绩效相关性均值达到25%。形态在时间序列上具有稳健且持续的选股绩效。

K线形态举例

前文只在抽象层面分析形态模式，为了更加直观体现我们对于形态的划分与组合，我们介绍几个经典的形态模型。这些结论部分或与技术分析结论一致，也或与技术分析观点违背。我们求同存异，在多样化视角下对比本文形态模式与技术分析观点。

首先以看多形态为例，我们展示了2016年以来“连续阳线看空”与“连续阴线看空”这两个差异明显的形态类别。下文所指超额收益均为股票未来20日收益相对于所有股票收益均值的超额幅度，胜率指形态样本集中超额收益大于0的比率。

看多形态1是连续阴线的例子，股票呈现连续3根大阴线且后两根阴线表现出长上影线，同时伴随成交量下降。2016年以来该形态未来20日超额收益均值2.50%，胜率为53.9%。

通常一种观点认为缩量下跌还将下跌，但我们认为该观点对于形态的划分太过于单一。实际上缩量下跌过程中，不同的影线模式对应的股票表现存在显著差异。形态1作为缩量下跌的一种，其在未来是有正超额收益。

我们对比图表20中另外两类缩量下跌形态，同样是3根大阴线，但是这两类形态的后两根K线分别为长下影线、短影线的情形。二者超额收益分别为0.7%和0.5%，略微为正；但胜率仅为45.7%和47.4%，未来有更大的概率跑输市场平均水平。

看多形态2是连续阳线举例，股票在2根大阳线后，第3根阳线实体宽度收窄且出现长上影线，同时伴随成交量上升，2016年以来该形态未来20日超额收益均值2.03%，胜率为53.4%。

该形态呈现出放量滞涨的特征，一般我们认为放量滞涨的股票在顶部更大概率出现趋势的反转，如前文顶部放量倒锤头线所示，在顶部这种股票长期而言将跑输市场平均水平。而我们统计出其在未来有显著正超额收益，这与直观上的理解存在差异。

但看多形态2与传统技术分析的观点存在两个较为明显的差异。首先，传统技术分析结论更多聚焦于日线，而我们上述结论基于周线得出；其次，技术分析认为股票在顶部放量滞涨存在趋势反转的可能性前提在于股票是处于价格顶部，其前提假设包含股价的位置信息，而看多形态2完全基于价和量的形态构建，不考虑股价的位置。

看空形态1为连续阳线看空的举例，股票出现连续3根大阳线，且每根阳线的上下影线都很长，同时伴随成交量上升。该形态未来20日超额收益均值-5.16%，胜率28.2%。

看空形态1可以从因子逻辑理解，其alpha来源与低波因子相一致。形态连续3周都呈现出幅度较大的上影线和下影线，其本质上指向短期呈现出高波动的个股，作为低波因子的空头，高波动股票在因子视角下确实长期稳健跑输市场平均水平。但该形态与低波因子的逻辑又不完全一致，只在形态节点确认高波股票的空头信息。

看空形态2是股票连续短影线放量大跌的举例。股票在小阳线之后，出现连续2个确定性的放量大跌，跌的幅度较深且上下影线都很短。这类股票在短期大概率继续下跌，形态在未来20日的超额收益均值-5.04%，胜率41.3%。

看空形态2的第一根短影线小阳周线意味着股票开始处于低波动的小幅上涨趋势中，若这时候股票出现放量大跌，其下跌趋势未来将延续。类似的图表21中，我们展示了连续2根短影小阳线后，出现放量下跌的形态，股票未来下跌幅度将更大，超额收益均值为-8.8%，胜率为25.4%。

形态选股因子

基于前文分析，我们希望根据股票K线形态构建实时动态的形态评价体系，进而基于形态模式得到选股因子CSP（candlestick pattern）。

4.1 形态选股因子

前文中我们已经介绍了形态的划分与组合的基础流程，在此基础上，我们将通过形态的历史表现，构建从形态到打分的映射关系。

CSP因子在全市场股票10分组区分度良好，单调性显著。2014年以来，因子月度IC均值4.5%，ICIR达到2.97，IC胜率85%；多空组合年化收益17.0%，多、空头超额收益分布均衡，多头组合年化超额收益7.4%。

在常见的宽基指数成分池中，长期而言因子5分组多头超额均较显著。但整体因子在中小市值股票域中选股能力更加稳健，在中证1000和国证2000成分池中因子每年多头超额收益均为正，IC均值分别达到4.6%和5.0%。

CSP因子alpha与常用波动、反转、换手、非流动性等量价因子均无明显相关性，因子值截面相关性均值都在20%以下，因子独立性较强，信息增量明显。

4.2 多周期形态与多维度评价

在4.1中，我们用连续5根日线聚合成周线，进而周线划分基础形态，借助于3个基础形态构建形态组合，得到CSP因子。而技术分析对于形态的分析不局限在周线，往往分钟、小时、日、周等不同周期的K线形态之间互相佐证，进而得到最终的判断。

因此，我们的视角可以更加多样。通过聚合i根日线、划分基础形态、构建组合形态，在此前提下我们从1日线看到10日线，可以得到10个形态观点CSP_i。

此外，CSP因子是一个从形态到打分的映射关系，基于形态的历史绩效评价未来出现该形态的股票，形态绩效IR由对应样本的超额收益ret得到：avg(ret)/std(ret)。

而样本的超额收益刻画同样可以更加多元。我们对于股票超额收益的刻画不局限于其相对于全部股票平均收益的增幅，我们可以用相对行业指数超额、收益剥离风格后的残差去刻画样本超额等，不同的超额刻画定义了新的样本标签。

复合CSP因子相比于简单版CSP因子绩效提升显著。2014年以来，因子IC均值9.6%，ICIR达到4.13；其中多空年化收益32.3%，多头年化超额收益11.5%。