指标的物理意义

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

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。

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

📝 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 run_kinematics_test():
    np.random.seed(42)
    # 构造先加速上升后减速见顶的正弦波价格序列
    t = np.linspace(0, 4 * np.pi, 120)
    prices = 100.0 + 10.0 * np.sin(t) + np.random.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"最高价点位: {prices[peak_idx]:.2f}")
    print(f"见顶时瞬时加速度: {accel_at_peak:.4f}")
    assert accel_at_peak < 0, "物理加速度未能准确预警见顶！"
    print("✅ 物理动力量化验证 PASS")
    print("==================================================")

if __name__ == '__main__':
    run_kinematics_test()

运行结果输出：

================ 指标物理意义仿真验证 ================
最高价点位: 109.89
见顶时瞬时加速度: -0.0184
✅ 物理动力量化验证 PASS
==================================================

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