渤海证券_20181226_渤海证券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.pdf

金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责请务必阅读正文之后的免责声明声明 渤海证券股份有限公司具备证券投资咨询业务资格渤海证券股份有限公司具备证券投资咨询业务资格 1 of 30 金金融融工工程程 研研究究 证证券券研研究究报报告告 金金融融工工程程 专专题题报报告告 证券分析师证券分析师 祝涛 022-28451653 核心观点核心观点：技术面量化是从量价时空的角度对证券未来的走势进行预测和分析，本质就是研究证券特定的价量形态或价量指标与其未来收益率之间的关系，并可结合时间和空间进行综合分析。技术分析的理论基础技术分析的理论基础 技术分析是以预测市场价格变化的未来趋势为目的，以图表为主要手段对市场行为进行的研究。技术分析有三个基本假设：市场行为包含了一切信息，价格以趋势的方式演变，历史会重演。技术分析的交易规则可以分成三类：进行代数判断的指标规则类，进行几何判断的图形规则类以及结合二者的复合规则类。压力线与支撑线的识别算法压力线与支撑线的识别算法及突破策略及突破策略 我们认为在形态识别方面，从对股价走势的几何形态进行定义出发比较合适。金融市场技术分析中主要总结了价格形态有两种最主要的分类持续形态和反转形态。多数持续形态都有自己独特的压力线和支撑线，而反转形态大多需要加入重要顶底点的确认，我们从持续形态的定义出发，借鉴Lang 等（2012）提出的局部高低点+分位数回归的方法，来对股票价格序列自动识别压力线和支撑线。我们首先对金融市场技术分析一书中总结的持续形态包括对称三角形、上升三角形、下降三角形、矩形、旗形和喇叭形做了压力线和支撑线斜率上的定义，统计了 A 股市场中在上涨持续形态下突破压力线的后续收益和下跌持续形态下下穿支撑线的后续收益，发现上涨持续形态下突破压力线后的收益要显著高于全体样本，在中小市值股票中表现更佳，下跌持续形态下下穿支撑线后的收益要显著低于全体样本，在中小市值股票中表现更差，说明传统的形态技术分析手段在 A 股市场总体来说有一定的效果。其次，我们分析了压力线斜率、支撑线斜率以及形态前收益率等参数与突破压力线后的收益之间的关系，发现在形态前收益率大于 20%情况下，压力线和支撑线斜率组合落于第三象限时，即在经过前期上涨后，出现平台或喇叭口形态的调整，再突破压力线后能取得有较好的收益。我们基于此设计了交易策略，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，虽然收益率低于基准中证 500 指数，但能降低最大回撤，提高夏普比率。风险提示风险提示 模型完全根据历史数据总结，未来存在模型失效的风险。压力线和支撑线的识别算法及突破策略压力线和支撑线的识别算法及突破策略 技术面量化系列专题之一技术面量化系列专题之一 分析师：分析师：祝涛 SAC NO：S1150516060002 2018 年 12 月 26 日 金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 2 of 30 目 录 1.引言.5 2.技术分析的理论基础及分类.5 2.1 技术分析的理论基础.5 2.2 技术分析交易规则的分类.6 3.股价形态识别算法简介.7 4.压力线与支撑线的识别算法.11 4.1 压力线与支撑线的识别算法.13 4.2 根据压力线和支撑线的斜率识别形态及后续收益统计.14 4.3 形态各参数与后续收益的关系.17 5.基于压力线突破的策略回测.24 6.总结及展望.25 金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 3 of 30 图 目 录 图图 1 1：利用核回归方法提取形态的示例：利用核回归方法提取形态的示例 .7 7 图图 2 2：利用模板匹配法进行形态识别的示例：利用模板匹配法进行形态识别的示例 .8 8 图图 3 3：感知关键点三种距离计算方法：感知关键点三种距离计算方法 .9 9 图图 4 4：利用感知关键点法提取形态的示例：利用感知关键点法提取形态的示例 .9 9 图图 5 5：利用分位数回归方法识别压力线及支撑线的示例：利用分位数回归方法识别压力线及支撑线的示例 .1010 图图 6 6：利用分位数回归方法识别压力线及支撑线的示例（以沪深：利用分位数回归方法识别压力线及支撑线的示例（以沪深 300300 为例）为例）.1111 图图 7 7：持续形态示例：持续形态示例 .1212 图图 8 8：反转形态示例：反转形态示例 .1212 图图 9 9：压力线及支撑线的形态识别示例（以平安银行为例）：压力线及支撑线的形态识别示例（以平安银行为例）.1414 图图 1010：压力线斜率不同分位区间下后续收益统计：压力线斜率不同分位区间下后续收益统计 .1818 图图 1111：压力线斜率不同分位区间下后续收益统计（形态前收益率：压力线斜率不同分位区间下后续收益统计（形态前收益率20%20%）.1818 图图 1212：压力线斜率不同取值区间下后续收益统计：压力线斜率不同取值区间下后续收益统计 .1818 图图 1313：压力线斜率不同取值区间下后续收益统计（形态前收益率：压力线斜率不同取值区间下后续收益统计（形态前收益率20%20%）.1818 图图 1414：支撑线斜率不同分位区间下后续收益统计：支撑线斜率不同分位区间下后续收益统计 .1919 图图 1515：支撑线斜率不同分位区间下后续收益统计（形态前收益率支撑线斜率不同分位区间下后续收益统计（形态前收益率20%20%）.1919 图图 1616：支撑线斜率不同取值区间下后续收益统计：支撑线斜率不同取值区间下后续收益统计 .1919 图图 1717：支撑线斜率不同取值区间下后续收益统计（形态前收益率：支撑线斜率不同取值区间下后续收益统计（形态前收益率20%20%）.1919 图图 1818：形态前收益率不同分位区间下的后续收益统计：形态前收益率不同分位区间下的后续收益统计 .2020 图图 1919：形态前收益率不同取值区间下的后续收益统计：形态前收益率不同取值区间下的后续收益统计 .2020 图图 2020：不同回溯期下识别的形态可能存在差别：不同回溯期下识别的形态可能存在差别 .2323 图图 2121：不同回溯期下通过形态识别得到的观点可能会有分歧：不同回溯期下通过形态识别得到的观点可能会有分歧 .2424 图图 2222：20092009 年年-20182018 年回测结果年回测结果 .2525 图图 2323：20102010 年年-20182018 年回测结果年回测结果 .2525 金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 4 of 30 表 目 录 表表 1 1：各持续形态的斜率定义：各持续形态的斜率定义 .1414 表表 2 2：压力线与支撑线斜率分位值：压力线与支撑线斜率分位值 .1515 表表 3 3：上涨持续形态下突破压力线的后续收益统计：上涨持续形态下突破压力线的后续收益统计 .1515 表表 4 4：下跌持续形态下下穿支撑线的后续收益统计：下跌持续形态下下穿支撑线的后续收益统计 .1616 表表 5 5：不同压力线和支撑线斜率组合下的后续收益统计：不同压力线和支撑线斜率组合下的后续收益统计 .2121 表表 6 6：不同压力线和支撑线组合下的后续收益统计（形态前收益率大于：不同压力线和支撑线组合下的后续收益统计（形态前收益率大于 20%20%）.2121 表表 7 7：形态高度历史分位值：形态高度历史分位值 .2222 表表 8 8：不同压力线和支撑线组合下的后续收益统计（形态前收益率大于：不同压力线和支撑线组合下的后续收益统计（形态前收益率大于 20%20%，形态高度，形态高度00.20.2）.2222 表表 1010：策略各年度绩效表现：策略各年度绩效表现 .2525 金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 5 of 30 1.引言引言 本文是我们技术面量化的第一篇。技术面量化是从量价时空的角度对证券未来的走势进行预测和分析，本质就是研究证券特定的价量形态或价量指标与其未来收益率之间的关系，并可结合时间和空间进行综合分析。具体到股票市场来说，利用技术面进行选股，既可以事件化，也可以因子化。事件化是从时间序列的角度分析，选择价量指标满足一定规则的个股，倾向于获取绝对收益；因子化是从截面的角度进行分析，选取未来会有超额收益的个股，倾向于获取相对收益。进行事件化研究可以对股票过去一段时间的价量走势进行形态识别，从胜率和盈亏比两个角度挖掘未来一段时间能大概率上涨或高盈亏比的价量组合形态。在积累足够多的有效形态后，可以对股票的技术面状态进行打分，通过综合评分来进行选股，还加入机器学习的模型进行筛选。对股价进行形态识别主要有两种方法：一是根据经验定义股票价格形态，这种方法有很强的主观性，需要对价量数据进行抽象提取，用算法去识别特定形态，但在算法规则的定义上仍将包含较多的主观因素；二是在历史样本中寻找相似的形态，寻找“历史上的今天”，根据历史形态相似度较高样本的后续收益率作为未来收益率的预测。本文我们选择第一种方法，从技术分析中经典的图表形态分析方法出发，通过压力线和支撑线的识别算法对股价形态进行部分量化，进而探索这些经典分析方法在 A 股市场中的适用性，并构建量化策略。2.技术分析的理论基础及技术分析的理论基础及分类分类 2.1 技术分析的理论基础技术分析的理论基础 技术分析的定义技术分析的定义 约翰墨菲在金融市场技术分析一书中对技术分析的定义是：技术分析是以预测市场价格变化的未来趋势为目的，以图表为主要手段对市场行为进行的研究。我们认为，市场行为包含价格、交易量、持仓量、持续时间、波动幅度等多个方面，它们构成技术分析者的信息来源。金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 6 of 30 技术分析的理论基础技术分析的理论基础 金融市场技术分析中对技术分析做了如下三个基本假设：1、市场行为包含了一切信息。技术分析者认为所有影响股票价格的因素，包括基本面、资金面、消息面等，最终都会反映在其价格和交易量上，这个假设的含义在于价格的变化反映的是供求关系，供求规律是所有基于经济或基本面分析方法的出发点，股价上涨，必是经济或基本面或其他方面的利好导致需求超过供给，技术分析者不过是间接通过价量捕捉市场的信息。2、价格以趋势的方式演变。趋势是技术分析的核心，研究价量形态的意义就在于，在趋势发生的早期及时准确地跟进，顺势交易是绝大多数技术分析理论的本质。3、历史会重演。技术分析与投资者行为及心理有着较紧密的联系，价格变化的背后是市场参与者人与人之间的博弈，技术分析者认为历史会重演，其实重演的不仅仅是价量形态，重演的更是人性，人性是亘古不变的，是有律可循的。在投资策略中加入技术分析需要对上述假设认同，不过上述假设都有一定的主观成份，缺乏严谨的经济理论作为支撑，并且与著名的有效市场假说相违背，因此技术分析在学术研究中获得的支持较少，更多的是对过去经验的总结。2.2 技术分析交易规则的分类技术分析交易规则的分类 参考技术分析、有效市场与行为金融一书中的总结，可以将技术交易规则分为三类：1、指标规则类，通过较为简单的数学运算获得的技术分析指标，再进行代数判定，如双重移动均线、MACD、布林带、相对强弱指数等。2、图形规则类，技术分析者通过观察图表识别技术形态，再对此进行几何判定，如各类价格形态、K 线组合图、波浪理论等。3、复合规则类，通常是由多种指标规则组合或者指标规则和图形规则复合而成，如缠论等。金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 7 of 30 3.股价形态识别算法股价形态识别算法简介简介 股价形态识别算法大多是从时间序列数据挖掘算法发展而来，本章汇总了部分提及股价形态识别算法的文献。核回归核回归（Kernel Regression）核回归又称作局部加权线性回归（Locally Weighted Linear Regression）。Andrew Lo 等（2000）提出用核回归的方法对股票价格进行平滑，然后通过寻找满足一定规则的局部高低点序列来识别头肩顶/底、扩散顶/底、三角顶/底、矩形顶/底、双重顶/底等形态。技术分析、有效市场与行为金融中将上述方法用于 A股市场，发现所有的底部反转形态均无法获得正的绝对收益率和相对收益率，而顶部反转形态中也只有头肩形态的有效性较高，不过该方法无效的原因可能在于作者选择的形态识别回溯期较短有关（30 交易日），通常反转尤其是底部反转是一个较为漫长的过程。我们选取沪深 300 指数 2016 年 8 月 27 日至 11 月 28 日的数据为例，利用核回归+局部高低点的形态识别方法如下图所示。图图 1：利用核回归方法提取形态的示例利用核回归方法提取形态的示例 资料来源：Wind，渤海证券研究所 模板匹配模板匹配（Template Matching）模板匹配是图像识别中最基本、最常用的匹配算法。William Leigh 等（2002）将 金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 8 of 30 其用于股价的形态识别中，利用每个格中设有权重的 1010 网格模板用以识别牛市旗形形态。在牛市旗形的匹配模板中，10 列代表把回溯期等分成 10 个时间段，10 列代表将整个样本的股价数据分成 10 个分位，然后每次匹配计算每个网格中的股价占比。比如回溯期为 60 个交易日，则每一列代表 6 个交易日，若第一列，也就是说前 6 个交易日的股价有 5 个处于整个样本的最低的 10%，有 1个处于最低的 10%-20%之间，则第一列的最后一个网格的权重为 5/6，倒数第二个网格的权重为 1/6，其余为 0，依此计算各时间段的权重数据后，与牛市旗形模板的权重对应相乘，最后所有网格求和之后，得到的就是样本数据与该模板的匹配度。匹配度超过一定的阈值，则代表识别出的样本股价形态为牛市旗形。图图 2：利用模板匹配法进行形态识别的示例：利用模板匹配法进行形态识别的示例 资料来源：Forecasting the NYSE composite index with technical analysis,pattern recognizer,neural network,and genetic algorithm:a case study in romantic decision support 感知关键点（感知关键点（Perceptually Important Points）感知关键点法是由 Chung 等（2001,2007）提出并最早用于金融数据时间序列分析。该算法需要事先确定需要识别的关键点个数（N2），并将首尾两点设为最初两个关键点，然后选取与这两个关键点距离最大的点为第三个关键点，选取与相邻两个关键点距离最大的点为第四个关键点，依次计算，直至找到所有的关键点。感知关键点法通常使用三种距离计算方法欧氏距离（Euclidean distance，ED）、垂直距离（perpendicular distance，PD）或铅垂距离（vertical distance，VD），三种距离的计算方法如下图中图 a、b、c 所示。金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 9 of 30 图图 3：感知关键：感知关键点三种距离计算方法点三种距离计算方法 资 料 来 源：Stock time series pattern matching:Templated-based vs.rule-based approaches 我们选取沪深 300 指数 2016 年 8 月 27 日至 11 月 28 日的数据为例，利用感知关键点的形态识别方法如下图所示，其中设定选取 5 个关键点进行提取，距离计算方法为 PD。感知关键点法可以对股价的走势进行线段提取，可以用于由线段定义的股价形态识别，缺点在于必须事先人为确定关键点的数量。图图 4：利用感知关键点法提取形态的示例：利用感知关键点法提取形态的示例 资料来源：Wind，渤海证券研究所 分位数回归（分位数回归（Quantile Regression）分位数回归是 Roger Koenker 和 Gilbert Bassett 于 1978 年提出回归方法。传统 金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 10 of 30 的线性回归模型研究的是因变量的条件期望与自变量之间的关系，而分位数回归依据因变量的条件分位数对自变量进行回归，相比于传统线性回归，分位数回归能更精确地描述自变量对于因变量变化范围以及条件分布形状的影响。Lang 等（2012）提出用分位数回归的方法来识别股价在过去一段时间的压力线和支撑线，首先对股价数据进行平滑后分别提取10个局部高点和10个局部低点，然后对局部高点序列进行分位数回归得到压力线，对局部低点序列进行分位数回归得到支撑线。图图 5：利用分位数回归方法识别压力线及支撑线的示例利用分位数回归方法识别压力线及支撑线的示例 资料来源：Pattern recognition and prediction in equity market 我们选取沪深 300 指数 2016 年 6 月 2 日至 11 月 6 日的数据为例，选取 6 个局部高点和 6 个局部低点，利用分位数回归的方法得到的压力线和支撑线如下图所示。金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 11 of 30 图图 6：利用分位数回归：利用分位数回归方法识别压力线及支撑线的示例（以沪深方法识别压力线及支撑线的示例（以沪深 300 为例）为例）资料来源：Wind，渤海证券研究所 4.压力线与支撑线的识别算法压力线与支撑线的识别算法 金融市场技术分析中主要总结了价格形态有两种最主要的分类持续形态和反转形态。持续形态是指当前股票价格的横向延伸只是之前趋势的暂时休止，在休整结束后股价仍将沿原趋势运动；反转形态是指原有的趋势正在发生重要的反转。事先确有趋势存在，是这两种形态分析的前提条件。书中总结的持续形态包括对称三角形、上升三角形、下降三角形、矩形、旗形和喇叭形等，反转形态包括头肩顶（底）、三重顶（底）、双重顶（底）等。各形态的示例图如下图所示。持续形态多由两条分别连接局部高点和局部低点的趋势线包络，构成几何形状，因此也多由几何形状命名，连接局部高点的趋势线可以称之为压力线，连接局部低点的趋势线可以称之为支撑线；而反转形态的判定通常更为复杂，需要对价格序列的线段走势、重要高低点的确认或成交量走势有更为精确的定义。金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 12 of 30 图图 7：持续形态示例：持续形态示例 (a)对称三角形 (b)上升三角形 (c)下降三角形 (d)矩形 (e)旗形 （f）喇叭形 资料来源：金融市场技术分析 图图 8：反转形态示例：反转形态示例 (a)头肩顶 (b)三重顶 (c)双重顶 (d)圆弧底 (e)三重底 (f)双重底 资料来源：金融市场技术分析 金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 13 of 30 4.1 压力线与支撑线的识别算法压力线与支撑线的识别算法 我们认为在形态识别方面，从对股价走势的几何形态进行定义出发比较合适，若加入对形态中线段走势的识别会引入过多的参数。多数持续形态都有自己独特的压力线和支撑线，而反转形态大多需要加入重要顶底点的确认，因此我们从持续形态的定义出发，借鉴 Lang 等（2012）提出的局部高低点+分位数回归的方法，来对股票价格序列自动识别压力线和支撑线，本文选择固定的回溯期进行形态识别，回溯期 N 选为 120 个交易日。局部高低点的识别局部高低点的识别 对于股价序列进行形态分析时，局部高低点的确认是较为重要的一步，部分技术分析学者对于趋势的定义就是不断抬升的底部或不断回落的顶部，趋势线的获取也是通过连接部分局部低点或高点将尽可能多的股价点包络在内。本文通过局部极值法来获取局部的高低点，设置时间窗口 w，若 t 时刻的股价是t-w,t+w中的最大值，则该点为局部高点，若 t 时刻的股价是t-w,t+w中的最小值，则该点为局部低点，本文 w 选为 5 个交易日。分位数回归分位数回归 在获取回溯期内所有的局部高点序列和局部低点序列之后，可以两两相连局部高点（低点），选择能将所有点包络在下（上）的线作为压力线（支撑线）；也可以通过对局部高（低）点序列进行分位数回归的方法，设置较大（小）的分位值阈值，回归得到的线也能将尽可能多的点包络在下（上），从而得到压力线（支撑线）。综合考虑前面选取的 120 日的回溯期和 5 日的局部高低点时间窗口，本文识别压力线的分位值设为 0.9，支撑线的分位值设为 0.1。通过分位数回归可以得到压力线和支撑线的斜率，但需要消除不同股票之间价格量纲上的差别，我们对不同股票不同回溯期下的股价进行标准化处理，本文统一将回溯期内第一天的股价调整为 100。本文样本选择为 2009 年 1 月至 2018 年 8 月全体 A 股的日度数据。下图是以平安银行（000001.SZ）2018 年 8 月 23 日进行压力线及支撑线形态识别的示意图，在这一天，平安银行的股价形成了对压力线的突破。金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 14 of 30 图图 9：压力线及支撑线的：压力线及支撑线的形态识别形态识别示例（以示例（以平安银行平安银行为例）为例）资料来源：Wind，渤海证券研究所 4.2 根据压力线和支撑线的斜率识别形态根据压力线和支撑线的斜率识别形态及及后续后续收益统收益统计计 根据上节中的介绍，我们认为持续形态比较适合根据压力线和支撑线来进行形态识别，而这些形态的压力线和支撑线又有水平、微升、微降、上升、下降等规定，我们首先从主观上对这些规则做一个斜率上的定义（如下表所示）。例如上升三角形通常的定义是水平的压力线和微升的支撑线，就可以将压力线斜率在-0.05 至0.05 之间、支撑线在 0.05 至 0.15 的样本识别为上升三角形。如果对所有样本的压力线和支撑线斜率的分位值做一个统计，可以看出-0.05 和0.05 位于 40%分位值和 60%分位值之间，-0.15 和 0.15 位于 30%分位值和 70%分位值之间，如果把水平、微升、微降都视为震荡的话，大概 40%的时间也比较符合市场的状况。表表 1：各持续形态的斜率定义各持续形态的斜率定义 形态形态 压力线斜率压力线斜率 p1 支撑线斜率支撑线斜率 p2 上升三角形 水平(-0.05,0.05)微升(0.05,0.15)对称三角形 微降(-0.15,-0.05)微升(0.05,0.15)下降三角形 水平(-0.05,0.05)微降(-0.15,-0.05)矩形 水平(-0.05,0.05)水平(-0.05,0.05)金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 15 of 30 旗形 微降(-0.15,-0.05)微降(-0.15,-0.05)喇叭形 上升(0.05，+)下降(-,-0.05)资料来源：渤海证券研究所 表表 2：压力线与支撑线斜率分位值：压力线与支撑线斜率分位值 30%40%50%60%70%压力线斜率-0.1841-0.1049-0.0252 0.0472 0.1646 支撑线斜率-0.1263-0.0470 0.0089 0.0720 0.1525 资料来源：Wind，渤海证券研究所 全体样本下，持有 5 天（交易日）、10 天、20 天的收益均值分别为 0.3%、0.6%和 1.3%，胜率分别为 51.1%、51.2%和 51.0%，盈亏比分别为 1.08、1.14 和 1.24。下表我们分别统计了上涨持续形态下突破压力线和下跌持续形态下下穿支撑线的后续收益，其中上涨趋势定义为形态前 120 交易日的收益率大于 20%，下跌趋势定义为形态前 120 交易日的收益率小于-20%。上涨持续形态下突破压力线可以视作看涨的形态。由统计结果可以看出，上涨持续形态下突破压力线后，前文定义的各种形态下无论持有 5 天、10 天还是 20 天均能相对全体样本取得更高的收益率、胜率和盈亏比，总体而言，收益效果全体A 股中证 500 成份股沪深 300 成份股，说明技术分析的手段在波动更高的小市值股票中效果更好。在沪深 300 成份股中表现较好的形态是下降三角形，在中证500 成份股中表现较好的形态有矩形和喇叭形，在全体 A 股中表现较好的形态有下降三角形、矩形、旗形和喇叭形。下跌持续形态下下穿支撑线可以视作看跌的形态，下穿支撑线后各种形态下无论持有 5 天、10 天还是 20 天相对全体样本取得的收益率、胜率和盈亏比都要更差一些，其中全体 A 股的表现相比于沪深 300 成份股和中证 500 成份股更差，说明看跌形态在波动更大的小市值股票上判断的准确率更高一些。表表 3：上涨持续形态下：上涨持续形态下突破压力线突破压力线的后续收益统计的后续收益统计 形态形态 持有天持有天数数 沪深沪深 300 中证中证 500 全体全体 A 股股 收益率收益率 胜率胜率 盈亏比盈亏比 收益率收益率 胜率胜率 盈亏比盈亏比 收益率收益率 胜率胜率 盈亏比盈亏比 上升三角形 5 1.0%53.3%1.4 0.6%52.5%1.16 1.1%54.0%1.3 10 1.1%54.8%1.23 1.0%52.6%1.19 1.8%55.6%1.32 20 3.1%58.4%1.45 1.2%53.7%1.11 2.7%57.2%1.26 对称三角5 0.7%51.2%1.34 0.6%52.2%1.17 1.0%53.1%1.31 金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 16 of 30 形 10 1.0%50.3%1.35 1.0%53.1%1.2 1.8%54.9%1.38 20-0.2%44.1%1.21 0.9%52.0%1.12 2.3%52.9%1.4 下降三角形 5 0.9%51.3%1.37 0.6%50.9%1.23 1.3%55.0%1.41 10 2.3%60.7%1.33 1.6%54.1%1.43 2.7%58.9%1.55 20 4.0%64.7%1.21 3.9%57.0%1.69 4.2%59.5%1.51 矩形 5 0.9%53.8%1.29 1.3%52.9%1.48 1.5%54.5%1.46 10 1.7%56.4%1.31 2.8%57.1%1.59 3.0%59.2%1.56 20 2.7%56.7%1.42 4.7%60.4%1.63 5.0%61.2%1.66 旗形 5 0.9%54.9%1.31 1.0%54.1%1.32 1.4%56.3%1.4 10 1.6%56.6%1.32 1.7%56.7%1.35 2.5%58.8%1.53 20 2.7%59.8%1.17 3.0%58.6%1.36 4.5%61.0%1.55 喇叭形 5-0.2%45.3%1.12 1.2%52.5%1.37 2.1%55.6%1.53 10 0.2%46.6%1.21 2.9%54.5%1.72 4.1%58.0%1.87 20 2.5%52.4%1.51 6.9%62.3%2.17 8.4%65.5%2.14 资料来源：Wind，渤海证券研究所 表表 4：下跌持续形态下：下跌持续形态下下穿支撑下穿支撑线线的后续收益统计的后续收益统计 形态形态 持有天持有天数数 沪深沪深 300 中证中证 500 全体全体 A 股股 收益率收益率 胜率胜率 盈亏比盈亏比 收益率收益率 胜率胜率 盈亏比盈亏比 收益率收益率 胜率胜率 盈亏比盈亏比 上升三角形 5 0.1%51.5%0.93-0.3%44.8%0.95-0.5%45.9%0.82 10-0.2%46.2%1.05-0.7%42.2%0.98-1.3%40.1%0.85 20 0.0%45.1%1.2-0.4%42.0%1.17-1.5%40.1%0.95 对称三角形 5 0.1%50.5%0.98-0.4%45.8%0.92-0.6%45.3%0.83 10-0.1%49.7%0.93-1.0%43.1%0.81-1.4%39.4%0.83 20-0.4%47.9%0.92-1.0%43.0%0.97-1.8%40.2%0.89 下降三角形 5-0.6%47.2%0.77 0.9%60.1%1.04 0.2%54.6%0.9 10 0.0%45.7%1.18 1.0%61.4%0.93 0.5%52.2%1.09 20 2.5%62.8%1.45 1.2%55.6%1.17 2.1%58.5%1.22 矩形 5-0.5%45.9%0.84-0.4%44.9%0.92-0.7%43.9%0.81 10-0.9%44.9%0.84-0.3%44.1%1.06-1.4%39.5%0.85 20-0.2%44.6%1.15 0.3%45.0%1.32-1.0%40.9%1.08 旗形 5-0.8%42.2%0.81 0.8%56.8%1.1-0.3%48.8%0.88 10-0.8%47.8%0.8 1.7%58.4%1.3-0.1%47.9%1.02 20-0.3%46.3%1.03 3.8%59.4%1.86 0.9%50.8%1.22 喇叭形 5-0.2%53.1%0.76 1.1%56.0%1.17 1.0%58.7%1.05 金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 17 of 30 10-0.5%52.1%0.69 2.9%63.1%1.29 1.6%55.2%1.33 20 1.1%56.3%1.13 5.3%62.1%1.74 3.2%58.9%1.46 资料来源：Wind，渤海证券研究所 4.3 形态各参数形态各参数与与后续后续收益的关系收益的关系 上节中我们统计了传统意义上各种形态下的后续收益，传统的技术形态手段对后续收益的判断确实有一定的准确性，尤其是在中小市值股票中。本节我们跳出传统技术形态的框架，从形态识别过程中的各个参数入手，分析各参数与后续收益的关系，并依此设计策略。在利用压力线和支撑线的形态识别中涉及的参数有：形态形成前的区间涨跌幅、压力线和支撑线的斜率、形态的高度以及形态形成过程中成交量的变化等。其中，最重要的参数是压力线和支撑线的斜率以及形态前期的涨跌幅。本节的统计测试采用的是所有突破压力线后的样本。压力线斜率与压力线斜率与后续后续收益的关系收益的关系 我们首先将全体样本根据压力线斜率的分位值分为 10 组，分别统计各组中后续持有 20 日的收益率均值以及胜率，由图 14 可以看出，压力线的斜率与后续收益并不呈单调的线性关系，第一组和中间组别的后续收益较高，即斜率很低以及斜率在 0 附近时后续收益较高，说明深跌反弹和平台突破是两种较为行之有效的获利模式。再加入形态前收益率20%的限制条件后，仍然呈现同样的规律。我们还根据压力线斜率的绝对值进行分组进行统计分析，按每隔 0.1 分一组，由图 12-13 可看出，同样呈现相同的规律。金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 18 of 30 图图 1 10 0：压力线斜率不同分位区间下后续收益统计压力线斜率不同分位区间下后续收益统计 图图 1 11 1：压力压力线斜率不同分位区间下后续收益统计线斜率不同分位区间下后续收益统计（形态前收益率（形态前收益率20%）资料来源：Wind，渤海证券研究所 资料来源：Wind，渤海证券研究所 图图 1212：压力线斜率不同压力线斜率不同取值取值区间下后续收益统计区间下后续收益统计 图图 1 13 3：压力压力线斜率不同线斜率不同取值取值区间下后续收益统计区间下后续收益统计（形态前收益率（形态前收益率20%）资料来源：Wind，渤海证券研究所 资料来源：Wind，渤海证券研究所 支撑线斜率与支撑线斜率与后续后续收益的关系收益的关系 我们用同样的方法分析支撑线斜率和后续收益的关系，与压力线斜率不同的，支撑线斜率与后续收益存在一定的负相关关系，尤其是在限制了形态前收益率超过20%并按斜率绝对值进行分组，负相关关系更为明显。金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 19 of 30 图图 1414：支撑线斜率不同分位区间下后续收益统计支撑线斜率不同分位区间下后续收益统计 图图 1515：支撑线斜率不同分位区间下后续收益统计支撑线斜率不同分位区间下后续收益统计（形态前收益率（形态前收益率20%）资料来源：Wind，渤海证券研究所 资料来源：Wind，渤海证券研究所 图图 1616：支撑线斜率不同支撑线斜率不同取值取值区间下后续收益统计区间下后续收益统计 图图 1717：支撑线斜率不同支撑线斜率不同取值取值区间下后续收益统计区间下后续收益统计（形态前收益率（形态前收益率20%）资料来源：Wind，渤海证券研究所 资料来源：Wind，渤海证券研究所 形态前期趋势与形态前期趋势与后续后续收益的关系收益的关系 前面确定形态前的趋势均是选择 120 日收益超过 20%或低于-20%来进行判断，这一数值的选择较为主观，图 18-19 根据形态前收益率的分位值及绝对值进行分组统计了后续收益和胜率，可以看出形态前收益率与后续收益不是简单的线性关系，当形态前收益率小于-40%时，存在一定的反转效应，而在其他情况下，存在一定的动量效应，当形态前收益率超过 25%后，后续收益的均值较为稳定，不再上升。金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 20 of 30 图图 1818：形态前收益率不同分位区间下的后续收益统计形态前收益率不同分位区间下的后续收益统计 图图 1919：形态前收益率不同取值区间下的后续收益统计形态前收益率不同取值区间下的后续收益统计 资料来源：Wind，渤海证券研究所 资料来源：Wind，渤海证券研究所 各参数组合下的后续收益统计各参数组合下的后续收益统计 上面仅是针对单个参数与后续收益关系的分析，而形态的识别实际上需要多个参数进行组合，尤其是压力线和支撑线斜率的组合。我们将压力线和支撑线的斜率均按 0.1 的间隔进行两两组合分组，统计不同组合下突破压力线后续 20 日收益率的均值，其中选取样本数超过 100 的组合在下表中加以展示。若以 0 轴将表分成四个象限，可以看出收益较高的样本集中在第三象限和第二象限中压力线斜率小于-0.8 的部分。第三象限表示压力线水平或上升、支撑线水平或下降，代表着平台突破或者喇叭口形态的突破，第二象限的部分则代表着深跌反弹。再加入形态前收益率大于 20%的限制之后也有相同的规律，且加入这一限制条件后这两个区域的收益情况会有进一步的改善，说明在经过前期上涨后，若出现平台或喇叭口形态的调整，或是出现大幅下跌，再突破压力线后能取得有较好的收益。金融工程金融工程专题报告专题报告 请务必阅读正文之后的免责声明请务必阅读正文之后的免责声明 21 of 30 表表 5：不同压力线和支撑线不同压力线和支撑线斜率斜率组合下的后续收益统计组合下的后续收益统计 资料来源：Wind，渤海证券研究所 表表 6：不同压力线和支撑线组合下的后续收益统计（形态前收益率大于不同压力线和支撑线组合下的后续收益统计（形态前收益率大于 20%）资料来源：Wind，渤海证券研究所 形