20210803-中泰证券-破解_看图_之谜_技术分析算法_框架与实战_30页_1mb

技术分析算法、框架与实战总结

核心内容

本报告旨在通过建立科学的技术分析框架，系统论证技术分析的适用场景与实战效果，以打破“看图”这种主观分析的偏见。报告重点分析了“头肩底”形态在行业指数与个股上的表现，并提供了基于核回归的识别算法，以实现更客观、准确的技术图形识别。

主要观点

1. 技术分析的科学化与自动化
   技术分析并非完全主观，通过核回归等非参数估计方法可以建立系统化的识别算法，从而减少人为判断带来的偏差。

2. 技术图形的识别算法
   技术图形识别主要包括以下步骤：

   • 对价格时间序列进行平滑处理，使用核估计去除噪声；
   • 通过导数变化识别局部极值点；
   • 根据极值点的排列与高低判断技术图形的类型。

3. 技术分析的实战效果

   • 技术分析在指数上的效果较好，尤其在某些行业如化工、汽车、医药生物等表现突出；
   • 在个股上效果相对较弱，说明技术分析更适合用于市场整体趋势的判断，而非单个股票。

4. 形态的定义与识别
   技术形态包括头肩底、顶部发散、底部发散、三角形、矩形、双顶、双底等，每种形态都有其特定的定义和识别条件。

5. 带宽选择的重要性
   带宽是影响核估计效果的关键参数，过大会导致过度平滑，过小则无法有效去除噪声，合理的带宽选择是算法成功的基础。

关键信息

技术形态识别算法

• 核估计方法：通过高斯核函数对价格序列进行平滑处理，以识别更准确的极值点。
• 带宽选择：使用交叉验证法选择最优带宽，最终确定带宽为0.3 × 最优带宽 $h^*$。
• 极值点识别：通过导数符号变化来识别极值点，进而构建技术图形。

头肩底形态的实战表现

• 行业指数表现：在2010年1月1日至2021年7月10日的时间区间内，头肩底形态出现后10个交易日的平均累积收益为正，但并非所有行业都表现良好。
• 胜率分析：部分行业如化工、建筑材料、电气设备等胜率较高，加MA(5) > MA(10)条件后胜率进一步提升。
• 具体数据：
  • 2010-2021：平均收益为1.63%，胜率为66.67%；
  • 2010-2016：平均收益为0.96%，胜率为63.64%；
  • 2017-2021：平均收益为-0.25%，胜率为46.67%。

技术分析的有效性验证

• 有效性：技术分析在指数上具有一定有效性，特别是在某些行业上表现优于随机游走假设；
• 局限性：在个股上效果一般，可能与市场噪音和个体差异有关；
• 理论依据：技术分析与基本面分析不同，它依赖于价格趋势和形态识别，而非公司的内在价值。

结构与方法

• 算法原理：使用核回归估计技术图形，通过平滑价格序列来识别极值点；
• 技术形态定义：以极值点的排列和高低为依据，定义不同的技术图形；
• 实战验证：基于历史数据对技术形态的收益进行统计分析，验证其有效性；
• 模型与数据：模型基于历史数据构建，使用申万一级行业指数数据，时间跨度为2010-2021年。

图表与案例

• 图1：研究结果汇总，显示约63%的技术分析研究认为其有效；
• 图2：中国宝安头肩底形态案例；
• 图3：不同带宽下的核估计效果；
• 图4 & 图5：中国宝安在2021年6月4日和7月5日的技术图形；
• 图6：中国石油底部发散形态；
• 图7：江淮汽车顶部扩散形态；
• 表2：行业指数头肩底形态收益情况，展示各行业在不同时间段的平均收益与胜率。

总结

技术分析通过算法化和自动化的方式，能够更科学地识别市场趋势和形态，提升分析的客观性与准确性。尽管在个股上效果有限，但在行业指数层面，某些形态如“头肩底”显示出一定的预测能力与投资价值。通过合理的带宽选择与形态定义，技术分析可以作为辅助工具，为投资者提供额外的决策依据。