【十成量化】买入即将爆发的股票，然后起飞！

鸭梨山大滴

在前面的文章中提过，无论何种技术形态，都需要找到一种经济学解释，或者吻合较为普适的大众交易心理。否则都可能被归因于是运气、玄学等等。即便是在某个市场，某个时段，某种技术形态，确实产生了非常好的效果，从概率论统计学意义上，产出了相当不错的正向期望——多数人称之为“有效因子”。
但是在未来，“有效因子”依然会有效吗？
或者至少，假如某个时间点，投资者们跟着这个“有效因子”继续操作，遭遇了相当巨大的亏损时，依然有足够的信心，去信任它吗？
十成量化在研究之后发现了一条“万变不离其宗”的规律——市场供需关系。
当股票市场交易供过于求的时候，股价就会出现下跌；当股票市场交易供不应求的时候，股价就会出现上涨。抛开股票的原始属性（公司的所有权），而关注股票的交易属性（有价证券），那么一切都是以经济学基础为核心的，也就是供需关系。
欧奈尔的经典理论——CANSLIM中的S，也指向的是股票的供求理论。《笑傲股市》原文是这么描述的：
公司资本结构中的股票数量代表了它潜在的日后流通量。股市专家同样还会关注“浮动供给量”，也就是去除当前的长期持有量后，可供以后买入的股票数量。高级管理层持有较大份额股票（大公司至少应为1%~3%，小公司这一比例应该更高）的公司，其前景往往更被看好，因为管理人员的利益与该公司股票紧密相连。
这段话说的是大方向上的原则，《笑傲股市》原书对此做了深入的总结：
   1. 看重管理层的创业精神
   2. 过度分拆股票可能会有不利影响
   3. 关注那些在公开市场中进行回购的公司
   4. 负债率低的公司往往较好
   5. 评估供给与需求情况
当然所有的书籍理论，都反映在特定的市场，特殊的时期。十成量化的很多读者的投资领域都是A股，生搬硬套美股过去成功的经验也可能水土不服。
对此，十成量化分析做了自己的解读。应用到策略之中，就是依次匹配：量增价升、波动收缩、趋势模板，三层条件，然后产生相关的买入信号。



量价突破
   衡量某只股票供求情况的最佳方式就是关注其每日成交量：当某只股票价格回落的时候，你应该希望成交量在某一时点有所萎缩，进而说明不再有太多抛售压力；当股价上涨的时候，大多数情况下应该希望交易量上升，因为这通常代表机构投资者而非散户们的买入。这种供求导致的交易信号，俗称“量价关系”。
在A股市场中，有一个经典的量价口诀：
   量增价升，一定进场！量增价平，高位走人！
   量增价跌，走为上策！量平价稳，一定盘整！
   量平价升，低位不跟！量减价升，提高警惕！
   谷底地量，将要上涨！量减价平，提高警戒！
   量减价跌，天天要跌！量平价跌，还要下跌！
   天量出天价，地量出地价！
   无量上涨天天涨！无量下跌天天跌！
   三天大升，天天减量，亦属反常。
十成量化针对口诀上的每一条，都做了一定程度上的历史回测(回测周期为2019-2021三年)。由于文章的性质并不是科学研究报告，所以在这里也并不打算附上详细的实验数据。
在这里同步十成量化得到的结论：
“量增价升，一定进场”和“量增价跌，走为上策”，相比于口诀中其他指标，成功概率非常高，(成功标准为按前文所述，60日内[20%-5%]区间4倍赔率，做多或者做空能否盈利)。
量增价升作为信号，选择沪深300股票池为标的做多，在2019-2021三年期间的成功率为23%；量增价跌作为信号，选择沪深300股票池为标的做空，在2019-2021三年期间的成功率为20%。具体的数值会随着“量增价升/减”的比较周期及相关幅度的变化有所出入，但定性意义上不会有问题，感兴趣的读者可以自行编写代码验证。本文就不公布具体量化使用的参数值。
这种特征及结论，翻译成A股市场中的话说：就是“中小市值”+“主力控盘”+“机构进场”。当然这种量价齐升的特征，在2020-2021年的大市值蓝筹股身上也会发生。这种发生场景，供需关系依然有效，只是针对大市值来说，需要更多的资金才能保证“供不应求”的状态，相对于小市值的量价突破，会困难一些而已。
波动收缩
首先，我们来看看波动收缩告诉我们什么道理。



如果股票处在积累阶段，价格的稳固期代表强大的投资者正在替换弱小者。一旦它们被清除干净，有限的份额供给就会在强烈的市场需求下把股价不断推高。这种情况被称为“最后的阻力”。
所以，在一定交易日内，不断收缩的成交量信号，都是积极的。依据《股票魔法师》书中所述，“每日每周逐渐收紧的价格波动一般被认为是积极的”，但在A股市场中，根据十成量化在300只股票，7000次量价突破信号的实验结果来看，成交量的意义会大于价格波动收缩的意义。
仅考虑成交量收缩，通过限制收缩幅度与区间，可以将30%的胜率提升至40%；仅考虑价格波幅收缩，至多只能将30%的胜率提升至33%。但是在成交量收缩的基础上，叠加价格模板，那么胜率可以从40%提升至50%。这并不说明价格形态的失效，只是侧面反映了“脱离供需关系理论的技术形态”，作用不大。相较于价格波动收缩，成交量收缩体系的供需关系会更直接一些。
在供需关系的基础上，不同的价格形态，往往会反映一些特殊的交易心理，叠加到成交量收缩，就能得到比较好的效果。这个观点会在下文中继续阐述。
成交量收缩并叠加价格波动收缩，将意味着，在某些情况下，交易量会被榨干或者达到自股价上涨以来的最低点。这是一个很积极的事情，特别是当它发生在纠正期或稳固期之后，它在暗示市面上该股票的供给正在减少。
处在积累阶段的股票几乎都会显示出这种特点(价格波动收紧，交易量萎缩)。这就是典型的购买时点，《股票魔法师》将这类情况称之为“买入的转折点”。
一般来说，投资者的购买行为都应该发生在转折点出现的时刻之后。这是一个能让投资者借助现有趋势成功选择买卖时点的关键概念。
有很多投资者会依赖价格表现出的规律买卖股票，但很多人都因为忽略了某个重要的元素导致不断失败。很多书籍都仅肤浅地介绍了技术规律。
如果没理解供求力量的影响与关系，只是简单寻找规律的训练会将投资者引入歧途。
技术规律的本质来源于供需关系。
在股票纠正并且价格向下时，不可避免地会圈住一些在前期高点买入股票的投资者，让其经受损失；他们会寻找价格回升的可以让他们抛售离场的机会。随着他们损失的加剧和时间的流逝，很多投资者的愿望变成仅仅能盈亏平衡。这就造成了过多的供给：投资者都在寻找盈亏平衡点，在价格回升至原来购买时的高点附近就赶快把烫手的山芋扔掉。这就是我们常说的“套牢盘”。
股票供给的另一个来源是另外的一部分买家，他们不像被套住的投资者那样经受损失只想找个机会离场。这些人很幸运，在股票还在底部时就已经买入，现在已经积攒了可观的收益。随着股价重新回到高点附近，那些被套牢的买家开始逐渐盈亏平衡，而这些已经获利的投资者同样急不可耐地要卖掉自己手中的股份，将收益变现。这就是我们常说的“获利盘抛压”。
这两种力量都会重新让价格下跌。但如果该只股票的确已经被机构看中，此次价格收缩幅度会较上次减小，部分供给被这些更大的玩家吸收了。股票划出VCP的形状(成交量收缩伴随波动收缩)，是供求关系的作用的结果。
所以投资者应该等到股票成功从弱小的购买者手里过渡到更强大的投资者的过程完成。对我们这些普通个人投资者而言，我们都十分弱小。但成功的关键就是要做最后那个弱小的持有者，在你买入之前其他的弱小者都早已离场逃跑了。
十成量化展示的策略买入信号的基础，也正是这部分供需关系原理。
模板匹配
模板匹配，其实应该说是匹配趋势模板。其核心思想依然来自于《笑傲股市》与《股票魔法师》两本书。这是《股票魔法师》中的一段话：
“我使用‘趋势模板’来检验每一只在考虑范围内的股票。趋势模板是我购买行为的基础。如果一只股票没能符合模板，我不会考虑买入。即使其基本面表现很吸引人，我只在股票有确定的上涨趋势（如趋势模板所描述的那样）才会把它纳入候选名单。如果没有趋势，做多的投资者会暴露在股票下行的风险之下，或者做空者会暴露在股票上涨的风险中。只有符合了模板中所有的8 个条件，我们才能确定股票已经进入第二阶段的上涨趋势中。”
“使用趋势模板，你能马上识别出哪些公司处在第二阶段，这里面不需要主观的猜想。但是，我们不能仅仅因为股票恰好在第二阶段就选择买入。因此，我们必须考虑是什么导致了第二阶段股价的加速上涨。为了更形象，把第二阶段的股票想象成马上就要来的潮汐。众所周知，它不会一次全都到；它会分成几波大浪陆续到来，并用此把水面推高。浪的总趋势是向上的，但其中也包含着波峰和波谷。”
在量化策略的最初实现版本，观察这种“趋势模板”，更多的是靠人工识别，观察相关的成交量与成交价的关系。
诸如以下图示：左图为出现信号前的量价走势，右图为突破后买入后，股票价格的走势。



理所当然，这将是一件非常耗时耗力的工作，十成量化首先需要从7000个指标信号中，至少筛选出典型的300-500对交易信号，到相关的行情交易软件中截图(包括买入前与买入后两部分)。然后又花费相当多的时间，去寻找规律。如此，十成量化整整耗费了两个月的时间。
作为大部分由程序员构成的团队，这无疑是打脸的行为。在接下来的时间里，十成量化做了一些尝试，诸如下图，通过程序代码，把大量的数据自动化做成图表，寻找规律。
最终，在前文中提起，这种模板寻找的行为，十成量化交给了机器学习-模式识别去完成。又经过了一个多月的训练、观察、测试，初步形成了这套模型。



相较于使用纯粹的机器学习理论或高深的经济模型去做量化，十成量化，面对的大部分对象读者，包括团队内的大多数成员自己，是无专业背景的普通投资者。所以量化模型设计的每一步，都希望能贴近于普通人的认知，对其的经济学或者交易心理学原理能有直接的感知，继而能够对策略产生信心。
最终十成量化选择了以“特定点位的量价比值”作为特征，以“决策树模型”作为分类器的模式识别方式去寻找有效模板。
特定点位的量价比值
十成量化选取的特征，如上文所述，仍然以简单的量价关系为主。大多数均线策略，会使用均线上穿或者下穿（交叉）作为一个核心指标。
纯均线会产生较多数据交叉，如60日均线一定包含部分30日均线的信息，相应的正交性较差。十成量化希望选取的特征因子的相关度能够尽可能解耦。
通过公式推导，长短量价均线的关系，可以通过线性变换成分段均线的关系。十成量化最终将成交量和价格特征各种映射成维度为10的向量集（5个分段两两比较，排列组合得到）。
平均分段的间隔使用了斐波那契数列，即为10-10-20-30-50。



决策树分类器
决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。
在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。这一度量是基于信息学理论中熵的概念。



读者们若感兴趣，十成量化将在专栏中对模型如何使用决策树训练，做详尽的介绍。
最终，十成量化又通过日志等模式，将决策树的训练结果，翻译成人工可读的600多套模板关系。对进入的股票量价信息进行识别，实现了初步的买入信号特征。这些特征映射到具体的量价关系，几乎可以实现人工可读的状态。
后续量化策略出信号也将通过推文，将相关的信号产生原因做相关的基本面和技术面解读，跟投资者做探讨。



   后续读者感兴趣的话（根据留言、关注及互动），十成量化将通过产品的形式，将每日的买入信号，分享给大家。这些分享不构成投资建议，可以作为读者自己投资过程的一个参考，愿大家能实现共同富裕。
相关阅读：
【十成量化】策略择时，保证你在正确的路上！
【十成量化】如何卖出，把收益攥在兜里！

预告：【十成量化】优化了训练模型，在“雪球3号”实验中得到了非常好的效果，目前正在论证“是否存在过拟合”的问题，后续确认会将向读者推出！——后续模拟验证若效果表现不错，将是“如果可能”十成量化做私募的种子策略。
长周期(2015-01-01 - 2021-12-31)：



短周期(2020-01-01 - 2022-01-31)：



#选股# #买入时机# #突破#

逃避昨天

众里寻他千百度，蓦然回首在这里！