顺势,轻仓,止损——顺势(一)


(sonyzh) #1

谢赛大邀我为他的专栏添砖加瓦,本人受宠若惊。

笔者平时主要是研究模式识别的问题,与计算机和数学相交甚密。所以在之后的一系列文章里,主要想使用尽可能简单的数学方法去解释、诠释一些市场上大家所流传的经验和传言。提供给大家另一个角度去看些问题。

第一编我们来讲讲市场里最经典的生存哲理,想必大家也很耳熟能详了——顺势,轻仓,止损。这句话基本只要入市以后都会听到。只要一个老手都会告诉你,哇擦,这是真理啊!千万别重仓啊!要顺势啊!一定要止损啊!这简简单单的六个字,连刚识字的小孩也基本能理解其意思。但实践起来为什么这么难?为什么这么难?我想有可能其中一个原因是因为这六个字实在太浓缩,背后所代表的意义和道理实在太深太广。我们常听说读书有两种方式,一种是“越读越厚”,另一种是“越读越薄”。“顺势,轻仓,止损”这六个字简直就是“越读越薄”的典型。想必您已经可能从其他的角度了解了这句话的意义和重要性。本文试图通过简单易懂的数学方式去提供另外一个角度去看这个问题。

今天就讲“势”这一个字。什么是“势”?“势”究竟是什么?怎么理解“势”?

写得这,您有可能纳闷了。哇擦,这东西我懂啊,趋势不要太简单哦。均线多头排列就是上涨趋势,或者60日线朝上是上涨趋势。或者MACD零轴上方是多头区域。最低点越越来高,是上涨趋势。确实,这些都是趋势的“表现方式”。那我多问一句,“势”究竟是什么?刚才所说的那些都是有势时所呈现的技术指标,而不是势本身。我们来打个比方。就说纸这个物质,我们都知道纸是什么的东西。纸的表现形式是什么?薄的,能书写的,植物纤维的复合物,可折叠的等等。这些都是纸的属性,而不是纸本身。类比于势,均线多头排列之类的技术指标即是势所现,而不是势本身。搞清楚这一点以后,那你有可能要问了,究竟什么是势?

势——前一个时间点的涨跌对下个时间点的涨跌影响程度。

WTF!这是啥玩意儿!这么拗口,什么鬼东西!

![](data:image/svg+xml;utf8,)

其实这句话不难理解,用大家很熟悉的一句话来讲就是,涨是因为涨了,跌是因为跌了。这句话即道出了势的本质。展开来讲,比如今天大盘上涨了1%。那这个因素对于明天的大盘是否有影响?怎么影响?大家可以思考一下这个问题。不妨我们可将今日的大盘涨跌理解为一种形式的利好或者利空, 其对于明日大盘的影响,也就是我们所说的“势”啦~

那我们根据所理解的势,可将市场分为如下3种状态:

  1. 如果今天的上涨和下跌能够引起明天的上涨和下跌,那就是有趋势

这种情况也就是我们最熟悉的有趋势的市场,往往表现为单边的上涨或者下跌,股市里的牛市和熊市也就是大级别的有趋势的市场。在这种市场里,往往发现单边持有或者空仓是最合适的选择。

  1. 如果今天的上涨和下跌对明天大盘的涨跌没有影响,那也就是无趋势

这种情况较为特殊,很少有这种类似的市场情况。 它的表现形式有点类似于《漫步华尔街》中所描述的随机漫步(random walk),接近于随机布朗运动。每一个时间的涨跌都是独立事件,与前一个时间点的涨跌是无关的。

  1. 如果今天的上涨和下跌对明天大盘的涨跌有反向作用,那就是均值回归的状态。

这一种市场状态大家比较陌生,简单的去理解,你可以认为它的表现形式是与第一种情况完全相反的。今日涨往往所带来的是明日跌,今日跌则相反。喜欢高抛低吸的老股民往往特别喜欢这种市场。像农业银行的“心电图”式的走势,也可以理解为这种市场状态。

为了进一步了解市场在这三种不同状态下的表现情况,我们来举个例子,使用matlab来模拟这三种市场状态下的表现。为了方便理解,我们作如下简化和假设:

1 假设一个时间序列没有涨跌幅度的数值,而只分为涨和跌两个状态。1代表涨,-1代表跌

2 我们将前一个时间点对于下一个时间点的影响定义为E。比如E****为0.8,那么下一个时间点与前一个时间点方向相同的概率为80%

3 假设一个时间序列内,E为固定值。即每个时间点对于下一个时间点的影响都是相同的。

4 没有成交量的信息。

从假设中我们可以发现:

1>E>0.5****时,市场为有趋势

E=0.5****时,市场为随机漫步

0<E<0.5****时,市场为均值回归

举个例子,比如有这样一条序列,其E=0.8,序列为[-1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 -1 -1 1 1 1 1 -1 -1 -1],一共20个点,其中1有6个,-1有18个。将所有值加合后可得sum=-12。这个sum值你可以理解成序列最终的涨幅或者跌幅,换在市场里,基本可以类似理解成指数点位。

那么我们使用matlab按固定的E值,随机生成1000条序列,每条序列有100个点。然后计算这1000条序列的sum值。作出sum值的频率分布。

1 E=0.8时,最终的sum分布是这样的

![](data:image/svg+xml;utf8,)

2 E=0.5

![](data:image/svg+xml;utf8,)

3 E=0.2

![](data:image/svg+xml;utf8,)

横坐标是sum值,纵坐标是sum值的次数。这三张图是不是和你预想的有点差别?没关系,一些细节的东西在这里我们不仔细讨论,有兴趣的可以自己好好研究。在这里,我们直接抓重点,找出这三种市场状态最关键的差异。对的!就是最大值和最小值出现的范围和频率。对于有趋势的市场状态,出现的最大值和最小值都十分大,频率也比其他的高。而均值回归的系统,则更加趋近于0

那有人要问了,你现在是假设知道市场的E值,然后再随机生成序列。那实际情况不是这样啊,市场里往往是只有序列,而E值是未知的。那有没有办法去计算一段序列的E值呢?

答案是有的,也不难。根据E的定义,即为前一个点对于后一个点的影响。那我们通过tn+1的值减去tn的值,即能得到两者是否为同方向。如为同方向,那结果为1-1=0或者-1-(-1)=0。如为反方向,则结果为2。统计一个序列的0和2的数量,即能获得此序列的E值。还是那这个序列来举例,[-1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 -1 -1 1 1 1 1 -1 -1 -1],同方向0的数量为13,异方向为6,则E=13/19=0.684。有没有注意到,同样一条序列,其给定的E值和计算的E值并不相等?这个问题在这里不展开讨论,感兴趣的可以自己思考。

又有人要说了,那我们现在能够计算这种假象序列的E值了,知道了市场的势了。但是现实的情况是还有涨跌幅啊,怎么计算市场的势呢?

好,这就引出了大名鼎鼎的Husrt****指数了,这个指数的计算方式你可以理解成复杂版的E值计算。我们来看看百度词条是怎么介绍它的:基于重标极差(R/S)分析方法基础上的赫斯特指数(H)的研究是由英国水文专家H.E.Hurst(1900—1978)在研究尼罗河水库水流量和贮存能力的关系时,发现用有偏的随机游走(分形布朗运动)能够更好地描述水库的长期存贮能力,并在此基础上提出了用重标极差(R/S)分析方法来建立赫斯特指数(H)。作为判断时间序列数据遵从随机游走还是有偏的随机游走过程的指标。

它的一种计算方法[1]:

![](data:image/svg+xml;utf8,)

是不是有这种感觉?

![](data:image/svg+xml;utf8,)

没关系,这些东西都略过,只要记住这个指数的基本用处和刚才的E值是差不多的就行。如果有兴趣深入研究可以去查阅一下刚才引用的文献。

我们只要记住结论就行,H值也是属于0至1范围内的一个数字,以0.5为界限,市场形态也与E值类似。

1>H>0.5时,市场为有趋势的市场,趋势交易者在这种市场情况下能够盈利,H值越大,趋势交易者理论收益越多。

H=0.5****时,市场为随机漫步,理论上来讲,趋势交易和反趋势交易在此类市场是无收益甚至负收益的。

0<H<0.5****时,市场为均值回归的市场。反趋势交易者,即高抛低吸在这种市场情况下如鱼得水。

有文献[2]计算,上证指数1990至2001年的H值为0.6668,可见我们中国股市的趋势性还是较强的。有兴趣的同学也可以自己计算一下最近市场的Hurst值,一般的股票软件都会有这个指数的计算。

讲到这里,基本已从数学的角度介绍了势的概念。下一篇我们将介绍“顺”。

总结:

1 势——前一个时间点的涨跌对下个时间点的涨跌影响程度

2 市场的三种状态。1>H>0.5为趋势市场,H=0为随机漫步市场,0<H<0.5为均值回归市场。

3 上证指数的H值为0.6668,有较强的趋势性。

[1] 叶中行,曹奕剑.Hurst指数在股票市场有效性分析中的应用[J].系统工程,2001,19(3):21-24.DOI:10.3969/j.issn.1001-4098.2001.03.005

[2] 庄新田,庄新路,田莹等.Hurst指数及股市的分形结构[J].东北大学学报(自然科学版),2003,24(9):862-865.DOI:10.3321/j.issn:1005-3026.2003.09.013.