技术面量化系列专题之一：压力线和支撑线的识别算法及突破策略-20181226-渤海证券-30页-2mb

压力线和支撑线的识别算法及突破策略总结

核心内容

本文探讨了压力线与支撑线的识别算法及其在股票市场中的突破策略，旨在通过技术面量化手段对证券走势进行预测和分析。研究基于《金融市场技术分析》中价格形态分类，结合A股市场数据，对持续形态与反转形态进行了量化分析，并设计了基于压力线突破的交易策略。

主要观点

1. 技术面量化定义
   技术面量化从量价时空的角度研究证券未来走势，分析特定价量形态或指标与其未来收益率的关系，同时考虑时间和空间因素进行综合判断。

2. 技术分析的理论基础
   技术分析基于三个基本假设：市场行为包含一切信息、价格以趋势方式演变、历史会重演。技术交易规则分为三类：指标规则类、图形规则类和复合规则类。

3. 股价形态识别方法
   文中介绍了多种股价形态识别算法，包括核回归、模板匹配、感知关键点和分位数回归。其中，分位数回归被用于自动识别压力线和支撑线，通过连接局部高点和低点进行趋势线拟合。

4. 压力线与支撑线的识别算法
   压力线与支撑线的识别基于回溯期为120个交易日的局部高点和低点。压力线的分位值设为0.9，支撑线的分位值设为0.1。通过分位数回归提取压力线与支撑线的斜率。

5. 形态与后续收益的关系
   上涨持续形态下突破压力线的后续收益显著高于全体样本，尤其在中小市值股票中表现更佳；下跌持续形态下下穿支撑线的后续收益则显著低于全体样本，尤其在中小市值股票中表现更差。同时，形态前收益率大于20%时，压力线和支撑线斜率组合位于第三象限（压力线斜率低或接近0，支撑线斜率低）的样本收益更好。

6. 策略回测结果
   基于上述分析，设计的交易策略在样本期内年化收益率为9.30%，最大回撤为20.07%，夏普比率为0.49。虽然收益率低于中证500指数，但策略在降低回撤和提高夏普比率方面有显著效果。

关键信息

• 形态分类：持续形态包括对称三角形、上升三角形、下降三角形、矩形、旗形和喇叭形；反转形态包括头肩顶/底、三重顶/底、双重顶/底等。
• 形态识别方法：采用分位数回归结合局部高低点识别压力线与支撑线，通过设定回溯期和时间窗口，提取趋势线。
• 参数分析：压力线和支撑线的斜率、形态前收益率、形态高度等参数对后续收益有显著影响。
• 策略表现：在形态前收益率大于20%的情况下，压力线和支撑线斜率组合在第三象限的样本收益更佳。策略在小市值股票中表现更优，但整体收益仍低于基准指数。

形态识别与突破策略分析

压力线与支撑线的识别算法

• 局部高低点识别：采用5个交易日的时间窗口识别局部高点和低点。
• 分位数回归：利用局部高点和低点序列进行分位数回归，分别提取压力线和支撑线。
• 标准化处理：对不同股票和回溯期的股价进行标准化处理，统一调整为100，消除价格量纲差异。

形态与后续收益的关系

• 上涨持续形态：突破压力线后的收益显著高于全体样本，尤其在中小市值股票中表现更佳。
• 下跌持续形态：下穿支撑线后的收益显著低于全体样本，尤其在中小市值股票中表现较差。
• 形态前收益率：形态前收益率大于20%时，压力线和支撑线斜率组合在第三象限的样本收益更高。
• 斜率与收益：压力线斜率低或接近0，支撑线斜率低时，收益较高，表明平台突破和深跌反弹是有效的获利模式。

策略回测结果

• 年化收益率：9.30%
• 最大回撤：20.07%
• 夏普比率：0.49
• 表现对比：策略收益低于中证500指数，但回撤更低，夏普比率更高。

风险提示

• 模型完全基于历史数据总结，未来存在模型失效的风险。
• 技术分析的三个基本假设与有效市场假说存在矛盾，因此其在学术研究中获得的支持有限。

结论与展望

• 结论：技术分析在A股市场中具有一定效果，尤其是在中小市值股票中表现更优。
• 展望：未来可进一步优化模型，结合机器学习和更多参数进行更精准的形态识别和策略构建。