动量与摆动技术指标因子 (cn_stock_factors_ta_momentum)

--- title: 动量与摆动类技术指标因子（cn_stock_factors_ta_momentum） source: bigfactorwarehouse / cn_stock / cn_stock_factors_ta_momentum format: markdown --- # 动量与摆动类技术指标因子（cn_stock_factors_ta_momentum） > 围绕价格变化速度与摆动幅度的因子族：CCI 度量价格相对典型价格的标准化偏离，ROC/MTM/MI 直接度量价格变动，PSY 统计上涨天数占比，DPO 剔除长期趋势后的周期波动，DDI/SI/SRDM 类指标从多空方向的动量差角度刻画摆动强度，DBCD/MICD/RCCD 则是“差分后再平滑”的异同离差族。 > > - **因子数量**：23 个因子 / 25 个数据列 > - **主键**：`date` + `instrument`（按 `cn_stock_instruments` 对齐全市场标的） > - **数据起始**：2010-01-01，日频增量更新 > - **复权口径**：后复权（`cn_stock_bar1d` 全表统一） --- ## 1. 上游依赖（基础数据表） | 上游表 | 用途 | 本表用到的字段 | |---|---|---| | `cn_stock_bar1d` | 后复权日行情，全部因子的计算输入 | `date`, `instrument`, `open`, `high`, `low`, `close` | | `cn_stock_instruments` | 全市场标的清单，决定本表每日的 `date` / `instrument` 组合 | `date`, `instrument` | > `cn_stock_bar1d` 为分区表，SQL 的 date 过滤由 `dai.query(filters={"date": [...]})` 下推完成。 --- ## 2. 因子清单（25 列） | # | 因子中文名 | 字段名 | 参数 | 因子逻辑 | 所属因子族 | |---|---|---|---|---|---| | 1 | 顺势指标 | `cci14` | 14 | 价格偏离典型价格的标准化度量 | CCI 顺势指标族 | | 2 | 顺势指标 | `cci20` | 20 | 价格偏离典型价格的标准化度量（长窗） | CCI 顺势指标族 | | 3 | 变动率 | `roc6` | 6 | 价格 6 期变动率 | ROC 变动率族 | | 4 | 变动率 | `roc12` | 12 | 价格 12 期变动率 | ROC 变动率族 | | 5 | 变动率 | `roc24` | 24 | 价格 24 期变动率 | ROC 变动率族 | | 6 | 心理线 | `psy12` | 12 | 12 日内上涨天数占比 | PSY 心理线族 | | 7 | 心理线 | `psy24` | 24 | 24 日内上涨天数占比 | PSY 心理线族 | | 8 | 动力指标 | `mtm6` | 6 | 当日收盘减 6 日前收盘 | MTM 动力指标 | | 9 | 动力指标均值 | `mamtm6` | 6 | MTM 的 6 日移动平均 | MTM 动力指标 | | 10 | 价格振荡指标 | `priceosc` | 12/26 | 短长均线差占短均线比例 | PRICEOSC 价格振荡指标 | | 11 | 区间震荡线 | `dpo` | 11/6 | 剔除长期趋势后的周期波动 | DPO 区间震荡线 | | 12 | MI 修正指标 | `srmi9` | 9 | 涨跌方向不同的变化率基准 | SRMI（MI 修正指标） | | 13 | 商品通道指数 | `cci_5` | 5 | TP 相对 TP 均值的标准化偏离 | CCI 商品通道指数族 | | 14 | 商品通道指数 | `cci_30` | 30 | TP 相对 TP 均值的标准化偏离 | CCI 商品通道指数族 | | 15 | 商品通道指数 | `cci_60` | 60 | TP 相对 TP 均值的标准化偏离 | CCI 商品通道指数族 | | 16 | 商品通道指数 | `cci_120` | 120 | TP 相对 TP 均值的标准化偏离 | CCI 商品通道指数族 | | 17 | 方向标准差偏离指数 | `ddi` | 13/30/5 | 多空方向波动差的平滑偏离 | DDI 方向标准差偏离指数 | | 18 | 异同离差乖离率 | `dbcd` | 5/16/76 | BIAS5 差分后再平滑 | DBCD 异同离差乖离率 | | 19 | 摆动指标 | `si` | 1 | 综合开高低收关系的摆动值 | SI 摆动指标 | | 20 | 慢速随机指标 | `sdj` | 9/3/3 | KDJ 的 D 值再平滑（慢速） | SDJ 慢速随机指标 | | 21 | 动量指标 | `mi12` | 12 | 收盘 12 日差值的 12 日平滑 | MI 动量指标 | | 22 | 异同离差动力指数 | `micd` | 1/3/10/20 | MI 均线的快慢差再平滑 | MICD 异同离差动力指数 | | 23 | 百化率指数 | `rc50` | 50 | 收盘相对 50 日前比率 | RC 百化率指数 | | 24 | 百化率指数平滑 | `arc50` | 50 | RC 滞后一期后的 50 日均值 | RC 百化率指数 | | 25 | 异同离差变化率指数 | `rccd` | 59/20/27 | RC 快慢差再平滑 | RCCD 异同离差变化率指数 | --- ## 3. 因子族公式与 DAI SQL ### 3.1 CCI 顺势指标族 **公式**：TP = (H+L+C)/3；CCI = (TP − MA_N(TP)) / (0.015 × MAD_N(TP)) **输出列（2）**：`cci14`、`cci20` ```sql SELECT date, instrument, m_ta_cci(high, low, close, 14) AS cci14, m_ta_cci(high, low, close, 20) AS cci20 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.2 ROC 变动率族 **公式**：ROC_N = (Close − Close_N日前) / Close_N日前 × 100 **输出列（3）**：`roc6`、`roc12`、`roc24` ```sql SELECT date, instrument, m_ta_roc(close, 6) AS roc6, m_ta_roc(close, 12) AS roc12, m_ta_roc(close, 24) AS roc24 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.3 PSY 心理线族 **公式**：PSY_N = COUNT(Close > 前Close, N) / N × 100 **输出列（2）**：`psy12`、`psy24` ```sql SELECT date, instrument, m_sum(if(close > m_lag(close, 1), 1, 0), 12) / 12.0 * 100 AS psy12, m_sum(if(close > m_lag(close, 1), 1, 0), 24) / 24.0 * 100 AS psy24 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.4 MTM 动力指标 **公式**：MTM = Close − Close_6日前；MAMTM = MA6(MTM) **输出列（2）**：`mtm6`、`mamtm6` ```sql SELECT date, instrument, close - m_lag(close, 6) AS mtm6, m_avg(close - m_lag(close, 6), 6) AS mamtm6 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.5 PRICEOSC 价格振荡指标 **公式**：PRICEOSC = (MA12 − MA26) / MA12 × 100 **输出列（1）**：`priceosc` ```sql SELECT date, instrument, (m_avg(close, 12) - m_avg(close, 26)) / NULLIF(m_avg(close, 12), 0) * 100 AS priceosc FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.6 DPO 区间震荡线 **公式**：DPO = MA6(Close − MA11) **输出列（1）**：`dpo` ```sql SELECT date, instrument, m_avg(close - m_avg(close, 11), 6) AS dpo FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.7 SRMI（MI 修正指标） **公式**：SRMI = IF(C > C9, (C−C9)/C, IF(C < C9, (C−C9)/C9, 0)) **输出列（1）**：`srmi9` ```sql SELECT date, instrument, CASE WHEN close > m_lag(close, 9) THEN (close - m_lag(close, 9)) / NULLIF(close, 0) WHEN close < m_lag(close, 9) THEN (close - m_lag(close, 9)) / NULLIF(m_lag(close, 9), 0) ELSE 0 END AS srmi9 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.8 CCI 商品通道指数族 **公式**：CCI = (TP − SMA(TP, n)) / (0.015 × MAD(TP, n)) **输出列（4）**：`cci_5`、`cci_30`、`cci_60`、`cci_120` ```sql SELECT date, instrument, m_ta_cci(high, low, close, 5) AS cci_5, m_ta_cci(high, low, close, 30) AS cci_30, m_ta_cci(high, low, close, 60) AS cci_60, m_ta_cci(high, low, close, 120) AS cci_120 FROM cn_stock_bar1d WHERE close IS NOT NULL ORDER BY date, instrument ``` ### 3.9 DDI 方向标准差偏离指数 **公式**：DMP = IF(H+L ≤ 前H+前L, 0, MAX(|H−前H|, |L−前L|))；DMM 对称；DIZ = SUM(DMP,13)/(SUM(DMP,13)+SUM(DMM,13))；DDI = MA5(MA30(DIZ − DIB)) **输出列（1）**：`ddi` ```sql WITH ddi_base AS ( SELECT date, instrument, high, low, m_lag(high, 1) AS pre_h, m_lag(low, 1) AS pre_l FROM cn_stock_bar1d WHERE close IS NOT NULL ), ddi_calc AS ( SELECT date, instrument, CASE WHEN high + low <= pre_h + pre_l THEN 0 ELSE greatest(abs(high - pre_h), abs(low - pre_l)) END AS dmp, CASE WHEN high + low >= pre_h + pre_l THEN 0 ELSE greatest(abs(high - pre_h), abs(low - pre_l)) END AS dmm FROM ddi_base ), ddi_sum AS ( SELECT date, instrument, m_sum(dmp, 13) AS sum_dmp, m_sum(dmm, 13) AS sum_dmm FROM ddi_calc ) SELECT date, instrument, m_avg(m_avg((sum_dmp - sum_dmm) / NULLIF(sum_dmp + sum_dmm, 0), 30), 5) AS ddi FROM ddi_sum ORDER BY date, instrument ``` ### 3.10 DBCD 异同离差乖离率 **公式**：BIAS5 = (Close − MA5)/MA5；DBCD = MA76(BIAS5 − LAG(BIAS5, 16)) **输出列（1）**：`dbcd` ```sql WITH dbcd_base AS ( SELECT date, instrument, (close - m_avg(close, 5)) / NULLIF(m_avg(close, 5), 0) AS bias5 FROM cn_stock_bar1d WHERE close IS NOT NULL ) SELECT date, instrument, m_avg(bias5 - m_lag(bias5, 16), 76) AS dbcd FROM dbcd_base ORDER BY date, instrument ``` ### 3.11 SI 摆动指标 **公式**：HC = |H−前C|，LC = |L−前C|，HL = H−L；K = MAX(HC, LC)；T = MAX(HL, HC, LC)；R 按 Wilder 三分支取值（HC 最大 → HC−LC/2+|前C−前O|/4；LC 最大 → LC−HC/2+|前C−前O|/4；否则 → HL+|前C−前O|/4）；SI = 50 × ((C−前C) + 0.5×(C−O) + 0.25×(前C−前O)) / R × (K / T) **输出列（1）**：`si` ```sql WITH si_base AS ( SELECT date, instrument, open, high, low, close, m_lag(open, 1) AS pre_open, m_lag(close, 1) AS pre_close FROM cn_stock_bar1d WHERE close IS NOT NULL ), si_part AS ( SELECT date, instrument, open, close, pre_open, pre_close, abs(high - pre_close) AS hc, abs(low - pre_close) AS lc, high - low AS hl, abs(pre_close - pre_open) AS poc FROM si_base ), si_calc AS ( SELECT date, instrument, open, close, pre_open, pre_close, greatest(hc, lc) AS k, greatest(hl, hc, lc) AS t, CASE WHEN hc > lc AND hc > hl THEN hc - lc / 2 + poc / 4 WHEN lc > hc AND lc > hl THEN lc - hc / 2 + poc / 4 ELSE hl + poc / 4 END AS r FROM si_part ) SELECT date, instrument, CASE WHEN t = 0 OR r = 0 THEN NULL ELSE 50 * ((close - pre_close) + 0.5 * (close - open) + 0.25 * (pre_close - pre_open)) / r * (k / t) END AS si FROM si_calc ORDER BY date, instrument ``` ### 3.12 SDJ 慢速随机指标 **公式**：RSV = (C − MIN9(L))/(MAX9(H) − MIN9(L))×100；K = MA3(RSV)；SDJ = MA3(K) **输出列（1）**：`sdj` ```sql WITH sdj_rsv AS ( SELECT date, instrument, (close - m_min(low, 9)) / NULLIF(m_max(high, 9) - m_min(low, 9), 0) * 100 AS rsv FROM cn_stock_bar1d WHERE close IS NOT NULL ), sdj_k AS ( SELECT date, instrument, m_avg(rsv, 3) AS k FROM sdj_rsv ) SELECT date, instrument, m_avg(k, 3) AS sdj FROM sdj_k ORDER BY date, instrument ``` ### 3.13 MI 动量指标 **公式**：A = Close − Close_12日前；MI = MA12(A) **输出列（1）**：`mi12` ```sql WITH mi_base AS ( SELECT date, instrument, close - m_lag(close, 12) AS a FROM cn_stock_bar1d WHERE close IS NOT NULL ) SELECT date, instrument, m_avg(a, 12) AS mi12 FROM mi_base ORDER BY date, instrument ``` ### 3.14 MICD 异同离差动力指数 **公式**：MI = C − 前C；AMI = MA3(MI)；DIF = MA10(LAG(AMI,1)) − MA20(LAG(AMI,1))；MICD = MA10(DIF) **输出列（1）**：`micd` ```sql WITH micd_mi AS ( SELECT date, instrument, close - m_lag(close, 1) AS mi FROM cn_stock_bar1d WHERE close IS NOT NULL ), micd_ami AS ( SELECT date, instrument, m_avg(mi, 3) AS ami FROM micd_mi ), micd_lag AS ( SELECT date, instrument, m_lag(ami, 1) AS lami FROM micd_ami ), micd_dif AS ( SELECT date, instrument, m_avg(lami, 10) - m_avg(lami, 20) AS dif FROM micd_lag ) SELECT date, instrument, m_avg(dif, 10) AS micd FROM micd_dif ORDER BY date, instrument ``` ### 3.15 RC 百化率指数 **公式**：RC = Close / Close_50日前 × 100；ARC = MA50(LAG(RC, 1)) **输出列（2）**：`rc50`、`arc50` ```sql WITH rc_base AS ( SELECT date, instrument, close / NULLIF(m_lag(close, 50), 0) * 100 AS rc FROM cn_stock_bar1d WHERE close IS NOT NULL ) SELECT date, instrument, rc AS rc50, m_avg(m_lag(rc, 1), 50) AS arc50 FROM rc_base ORDER BY date, instrument ``` ### 3.16 RCCD 异同离差变化率指数 **公式**：RC = Close/Close_59日前×100；ARC = MA59(LAG(RC,1))；DIF = MA20(LAG(ARC,1)) − MA27(LAG(ARC,1))；RCCD = MA10(DIF) **输出列（1）**：`rccd` ```sql WITH rccd_rc AS ( SELECT date, instrument, close / NULLIF(m_lag(close, 59), 0) * 100 AS rc FROM cn_stock_bar1d WHERE close IS NOT NULL ), rccd_arc AS ( SELECT date, instrument, m_avg(m_lag(rc, 1), 59) AS arc FROM rccd_rc ), rccd_lag AS ( SELECT date, instrument, m_lag(arc, 1) AS larc FROM rccd_arc ), rccd_dif AS ( SELECT date, instrument, m_avg(larc, 20) - m_avg(larc, 27) AS dif FROM rccd_lag ) SELECT date, instrument, m_avg(dif, 10) AS rccd FROM rccd_dif ORDER BY date, instrument ``` --- ## 4. 数据加工说明 ### 4.1 加工链路 ``` cn_stock_bar1d（后复权，WHERE close IS NOT NULL） → 16 组因子族 SQL 并行执行（joblib loky, n_jobs=8） → 按 cn_stock_instruments 左连接对齐全市场标的 → schema 归一化（列序 / 类型 / 缺失值） → dai_write 按 date 的年份分区落库 ``` - 历史构建：`create()`，自 **2010-01-01** 起按 **2 年**一段滚动执行，每段结束后 `gc.collect()` 释放内存。 - 增量构建：`build()`，默认覆盖最近 5 个自然日；落库前跑 `tester.py`，落库后更新前端文档。 ### 4.2 回溯冗余（避免窗口未预热导致的缺失值） 窗口算子只在查询下推后的行集上计算，所以每次计算都会**向前多取一段行情**： | 参数 | 取值 | 说明 | |---|---|---| | `lookback_days` | **500 个自然日**（≈ 334 个交易日） | 本表最长窗口 / 预热需求约 155 个交易日 | 多读一段历史不改变任何输出值（窗口算子只向前看），只是把区间首日的"本可避免的缺失"消掉。 EMA / RSI / ATR / MACD / TRIX 属于 IIR 递推算子，理论上预热期无限长，因此这些表的冗余按 **约 5 倍最长周期**取值，而非刚好等于窗口长度。 ### 4.3 停牌空值行的处理 `cn_stock_bar1d` 在停牌日会保留一行、但 `open/high/low/close/amount` 全为 NULL、`volume` 为 0。 `m_ta_*` 递推类算子只要吃到一个 NULL，之后就永久输出 NULL。因此所有 SQL 统一加 `WHERE close IS NOT NULL`，把停牌行从计算输入中剔除（此时 `m_lag(close, 1)` 指向上一个**交易日**， 符合技术指标的常规口径）。 实测（2024-01 全市场，回溯起点 2021-06）： | 处理方式 | bbands_middle_20 | atr14 | kdj_j_9 | macd_diff_12_26_9 | |---|---|---|---|---| | 不加过滤 | 88.3% | 88.3% | 88.4% | 88.1% | | **加 `WHERE close IS NOT NULL`** | **99.7%** | **99.7%** | **99.7%** | **99.5%** | ### 4.4 累计型因子的锚点 本表不含累计型因子，全部因子都是固定长度的滚动窗口计算，因此只受 `lookback_days` 影响。 ### 4.5 标的对齐与覆盖度 落库前以 `cn_stock_instruments` 为基准左连接，因此**每个交易日都是全市场标的的完整行**， 停牌股与上市不足窗口长度的新股在对应因子列上为 NULL。入库校验要求单因子整体覆盖度 ≥ 85% （`tester.py` 关键测试点），单日覆盖度 ≥ 80%（非关键，仅告警）。 ### 4.6 本表实现要点 - 本类 23 个因子共 25 个数据列：`mtm6` 附带 `mamtm6` 均值列，`rc50` 附带 `arc50` 平滑列。 - `micd`、`rc50`、`rccd` 在上游写法中使用 `AVG(LAG(col) OVER(...)) OVER(...)` 嵌套窗口，DAI 兼容性不确定，本表统一改为 CTE 分步实现，公式语义一致。 - `si` **不采用**因子文档 2.7.9 的简化版实现：简化版的 R 有一个 `ELSE 0` 分支，在“前收盘落在当日高低区间之外”（跳空）时 R = 0 会把 SI 置为 NULL，实测覆盖度只有 82.9%（跳空多的交易日低至 50%），达不到 85% 的入库要求。本表改用 Wilder 原始的三分支 R（第三分支为 HL + |前C−前O|/4，恒非负且几乎不为 0），并把分子的符号改为标准式 (C−前C) + 0.5(C−O) + 0.25(前C−前O)——简化版写成 (前C−C)，会让上涨日的 SI 取负号，与摆动指标语义相反。修正后覆盖度回到 99% 以上。 - 最长依赖来自 RCCD（59 + 59 + 27 + 10 ≈ 155 个交易日）与 `cci_120`，回溯冗余取 500 个自然日。 --- ## 5. 覆盖度实测 实测区间 **2026-09-07 ~ 2026-09-17**（9 个交易日、50052 行，已按 `cn_stock_instruments` 对齐全市场标的）： | 指标 | 数值 | |---|---| | 因子列数 | 25 | | 最低覆盖度 | **97.86%**（rccd） | | 中位覆盖度 | 99.42% | | 最高覆盖度 | 99.79% | | 覆盖度 < 85% 的列数 | 0 | | `tester.py` 关键测试点 | ✅ 通过 | 覆盖度最低的三列：`rccd`(97.9%)、`cci_120`(98.2%)、`arc50`(98.5%)。缺失主要来自**上市不足窗口长度的新股**与**当日停牌**，逐列明细见 `testdata/coverage_report.md`，数据示例见 `testdata/sample_data.csv`。 --- ## 6. 示例数据 {{sample_data}} --- ## 7. 使用建议 1. **横截面标准化**：本表含绝对量纲列（价位、波幅、成交量等），跨股票比较前建议用 `c_zscore(因子, group=date)` 或 `c_rank(因子, group=date)` 处理，或改用同族的比值型因子。 2. **去极值**：比值类因子分母虽已做 `NULLIF` 保护，但小分母仍会放大尾部，建议按日做分位数截断。 3. **冗余筛选**：同一指标的多参数档位之间相关性很高，建模前建议按 IC / 相关性 / 特征重要性做筛选， 而不是把全部列直接喂给模型。 4. **无未来函数**：全部因子只用当期与历史滚动数据；回测时注意前向收益口径（建议用次日开盘价）， 收盘价口径会系统性高估短周期反转类因子的收益。