技术面量化概述与理论基础 [page::0][page::4][page::5]

• 技术分析基于市场行为包含一切信息、价格趋势演化和历史重演三大假设。

- 技术交易规则分为指标规则类、图形规则类及复合规则类。

• 技术面量化结合量价时空角度，通过对价量形态及指标进行预测，适用于绝对收益和相对收益目标。

主要股价形态识别算法介绍 [page::6][page::7][page::8][page::9][page::10]

• 核回归方法：平滑股价曲线，识别局部高低点形态（见图1）。

- 模板匹配法：基于带权重的网格模板识别特定形态模式（牛市旗形示例，见图2）。

• 感知关键点法：选取关键点构成线段，用于形态提取（见图3、图4）。

- 分位数回归法：通过局部高低点的分位数回归准确拟合压力线和支撑线（见图5、图6）。

持续形态定义及压力线支撑线斜率区间标准 [page::10][page::11][page::13][page::14]

• 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、喇叭形；压力线与支撑线分别连接局部高点和低点。

- 各形态的压力线和支撑线斜率区间以分位值定义（见表1）。

• 统计压力线斜率在-0.05至0.05、支撑线斜率在0.05至0.15等斜率范围，代表对应持续形态。

技术形态后续收益统计与观察 [page::14][page::15][page::16]

| 形态 | 持有天数 | 沪深300收益率 | 胜率 | 盈亏比 | 中证500收益率 | 胜率 | 盈亏比 | 全体A股收益率 | 胜率 | 盈亏比 |
|------------|---------|---------------|--------|--------|---------------|--------|--------|--------------|--------|--------|
| 上升三角形 | 5 | 1.0% | 53.3% | 1.40 | 0.6% | 52.5% | 1.16 | 1.1% | 54.0% | 1.30 |
| | 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 |
| 对称三角形 | 5 | 0.7% | 51.2% | 1.34 | 0.6% | 52.2% | 1.17 | 1.0% | 53.1% | 1.31 |

• 上涨持续形态突破压力线后表现胜率、收益率均优于整体市场，小市值股票表现更佳。

- 下跌持续形态下下穿支撑线对应后续收益、胜率和盈亏比均较低，准确率小市值股票更高。

形态参数与后续收益关系分析 [page::16][page::17][page::18][page::19]

• 压力线斜率与后续20日收益率呈非线性关系，极端低斜率及近零斜率时收益较高。

- 形态前收益率超过20%时，上述规律依然成立。

• 支撑线斜率与后续收益存在负相关关系，尤其在形态前收益率超过20%时表现更强。

- 形态前收益率较小时存在反转效应，超过25%后后续收益趋于稳定。

压力线与支撑线组合对收益影响 [page::19][page::20][page::21]

• 利用斜率组合分布将样本分为四象限，第三象限（压力线斜率负、支撑线斜率负）形态突破表现最佳，代表平台或喇叭口形态调整后的突破。

- 形态高度（压力线和支撑线间距）对收益影响有限。

• 具体统计结果详见表5和表6。

回溯期对识别形态影响及策略设计 [page::22][page::23]

• 不同回溯期导致形态识别差异明显，固定120日回溯期作为折衷选择。

- 基于形态前收益率>20%，压力线斜率>-0.05，支撑线斜率<0.05筛选股票构建策略：
- 每日调仓买入符合条件股票，持有20天，最多持仓50只。
- 样本期2009年至2018年8月，策略年化收益9.30%，最大回撤20.07%，夏普率0.49。
- 策略回撤及夏普优于中证500，表现稳定性更好，但年化收益略低于基准。

策略优缺点及改进方向 [page::25]

• 策略适合市场上涨但底部反转期信号较少，导致2009年表现弱。

- 时间序列固定回溯期限制了策略灵活性。

• 需要进一步挖掘更多有效形态并提升适应不同市场环境能力。

报告详尽分析：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

---

一、元数据与概览

• 报告标题：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

- 作者：祝涛

• 发布机构：渤海证券股份有限公司研究所

- 发布日期：2018年12月26日

• 研究主题：技术面量化研究，具体针对压力线和支撑线的识别算法及其在A股市场中的突破策略与后续收益分析。

- 核心观点/结论：利用分位数回归对A股股票压力线和支撑线进行自动识别，统计不同形态及参数条件下的后续收益率，发现传统技术形态在A股市场具有效果，尤其是小市值股票。基于压力线突破的策略年化收益率达9.3%，最大回撤约20%，夏普比率0.49，较中证500表现更优的风险控制显示策略的潜在实用价值。[page::0,4] [page::24] [page::25]

---

二、逐节深度解读

1. 引言及技术分析理论基础

报告开篇介绍技术面量化作为从量价时空维度出发的证券走势预测方法，强调其研究证券价量形态与未来收益率的关系，既可用于事件化选股，亦可因子化实现相对收益提升。

技术分析依赖三个假设：市场行为包含所有信息，趋势演变，历史会重演。技术规则分为指标规则、图形规则和复合规则三个类别。

此背景展示技术分析理论的基础以及其学术争议，指出技术分析更多基于经验总结，学术界支持度有限。[page::4,5]

2. 股价形态识别算法简介

报告系统介绍了几种主流形态识别方法：

• 核回归法（局部加权线性回归），平滑价格并识别局部极值，辅助传统图形分析。示例如图1显示沪深300股价及高低点提取。

- 模板匹配法，通过结构化的格点权重匹配基础模板形态（如牛市旗形）以进行识别，示图2。

• 感知关键点法，强调选取形态的关键转折点（一固定数）并用多种距离度量识别结构，如图3图4所示，但需要预设关键点数，带来主观限制。

- 分位数回归法，优势在于用统计方法拟合局部高低点的指定分位数，从而抽象出压力线和支撑线，是本报告核心采用方法，示意图5和图6展示沪深300的压力线与支撑线拟合效果。[page::6-10]

3. 压力线与支撑线的识别及分类

基于《金融市场技术分析》对价格形态的分类，区分持续形态（对称三角形、上升三角形、矩形、旗形、喇叭形等）和反转形态（头肩顶/底、三重顶/底等）。持续形态特点是趋势暂停后延续，压力线通过局部高点连接，支撑线通过局部低点连接，具几何解读意义。反转形态则需更复杂的顶底点确认和成交量分析。

利用分位数回归算法结合局部极值窗口（时间窗w=5，回溯期N=120日）对所有A股日度价格数据（2009-2018）进行标准化处理（起始价100）后，自动识别压力线和支撑线，形成准自动量化的形态识别工具。图9以平安银行为示例显示了压力线、支撑线与局部极值点的拟合情况。[page::10-13]

4. 形态的斜率定义及收益统计

在形态具体分类中，压力线和支撑线斜率被主观定义为水平、微升、微降、上升、下降等区间（表1和表2），例如上升三角形定义为压力线斜率[-0.05,0.05]，支撑线斜率[0.05,0.15]。

针对这些斜率定义下的形态，报告统计了突破压力线（上涨形态）和下穿支撑线（下跌形态）后的后续收益表现。整体来看，突破压力线后平均收益和胜率均优于全样本，尤其小市值股票表现更优。不同形态中，下降三角形、矩形、旗形、喇叭形在不同股票池中表现突出。

下穿支撑线的下跌形态后续收益显著低于全样本，且小市值股票反映更强，显示技术形态判定对价格下跌更为敏感。

具体数据详见表3、4，持有20天收益高达数个百分点，胜率大多超过50%，盈亏比大于1，表明该技术指标具备一定的实用参考价值。[page::13-16]

5. 形态参数与收益关系深入分析

报告超越传统形态分类，从形态前收益率、压力线与支撑线斜率、形态高度（压力与支撑线间距离）和成交量变化多参数维度挖掘情况。

• 压力线斜率与收益：压力线斜率与后续20日收益非线性相关，极低斜率和接近水平斜率组别的收益率及胜率较高，说明跌后反弹和平坦突破较为有效（图10、12）。限制形态前收益大于20%后规律保持（图11、13）。

- 支撑线斜率与收益：支撑线斜率与后续收益呈负相关，斜率为负且形态前期收益较大时，后续收益表现更好（图14、15、16、17）。

• 形态前趋势：形态形成前120日收益率大小对后续收益存在非线性影响，约低于-40%时发生一定反转，大于25%后收益趋于稳定，动量与反转效应并存（图18、19）。

- 压力线与支撑线斜率组合：分析二维分组统计，表5和6显示第三象限（压力线负斜率，支撑线亦负斜率，平台或喇叭口形态）以及第二象限（深跌反弹型）组合的后续收益更好，尤其当形态前涨幅大于20%时，收益进一步提升。

• 形态高度影响：形态高度对后续收益影响偏小，但不同高度区间对应样本分布存在一定差异（表7-9）。[page::16-21]

6. 形态识别回溯期问题

形态识别的回溯期选取是主观且影响重大的一环，不同期长度会导致完全不同的形态识别结果，甚至同一时点基于不同回溯期分析得出持续形态和反转形态截然相反的结论（图20、21）。本报告暂定固定120交易日作为回溯期，方便量化分析，但灵活性不足，后续允许回溯期自适应可能提升效果。[page::22,23]

7. 基于压力线突破的交易策略及回测

基于前述形态统计结果提出具体交易策略：

• 条件选股：每日收盘筛选满足形态前收益率>20%，压力线斜率>-0.05，支撑线斜率<0.05的股票。

- 持仓及买入：次日开盘以资金均分买入，最多持仓50只，排除涨停、停牌和ST股票。

• 持有期：20交易日。

- 回测区间：2009年1月至2018年8月，含双边千分之二交易成本。

策略实现年化收益9.3%，最大回撤20.07%，夏普比率0.49；相比期间中证500指数年化10.04%、最大回撤58.4%、夏普比率0.26，策略风险控制明显优越，尤其最大回撤缩减超过60%，夏普比率显著提升。策略表现较基准略低主要是2009年信号较少，后续剔除该年表现优异，展示一定超额收益潜力（图22-23、表10）。[page::23,24]

8. 总结与展望

报告确认传统形态技术分析在A股市场有效性，尤其在中小市值股票中表现更佳，上涨持续形态突破压力线及下跌持续形态下穿支撑线均对后续收益有显著影响。基于压力线突破设计的量化策略降低最大回撤，提高波动调整收益率，具一定实操意义。

未来改进方向包括增加形态样本多样性，改进回溯期选择灵活性，解决策略在大跌市场不盈利的问题等，实现更全面的技术面量化建模。[page::24,25]

---

三、图表深度解读

图1（核回归法形态提取示例）

展示沪深300指数价格点（黑点）与核回归平滑曲线（蓝线），局部高点（红圈）与低点（红星）明显标注。图形说明利用核回归能够平滑价格波动，挖掘关键高低转折，为形态算法提供核心节点。[page::6]

图2（模板匹配示例）

通过矩阵网格模板对股价不同时间区间和价格分位分布进行编码及匹配，匹配高于阈值即认定为特定形态（如牛市旗形），体现图形规则下的量化算法思想，利于快速筛选形态。[page::7]

图3-4（感知关键点方法）

图3示意三种常用距离计算，分别为欧氏距离(a)、垂直距离(b)、铅垂距离(c)，用于决定关键点识别的合理性，图4基于沪深300指数实际应用案例显示该方法作用，缺陷是需先验指定关键点数量[page::8]

图5-6（分位数回归识别压力线与支撑线示例）

沪深300指数局部高点和低点数据用分位数回归拟合的压力线（上边界）和支撑线（下边界）清晰呈现趋势通道，反映价格波动区间，有利于自动识别传统技术形态，增强适用性和一致性。[page::9-10]

图7-8（持续和反转形态示意）

图7示例对称三角形、上升三角形、下降三角形、矩形、旗形、喇叭形，均为典型持续形态，易用压力线支撑线捕捉。图8示例头肩顶/底、三重顶/底等反转形态，图中同时标注成交量信息并复杂顶点结构，识别相对复杂。[page::11]

图9（平安银行压力线突破示例）

以平安银行股价为例，展示分位数回归识别出的压力线和支撑线连线与局部高低点匹配，一次价格突破压力线形态，符合预期技术含义。体现方法在具体个股中的应用效果。[page::13]

图10-13（压力线斜率与收益关系统计图）

• 图10展示基于压力线斜率分位分组后20天平均收益率（柱状）及胜率（折线），收益集中在极低斜率和近零斜率组。

- 图11限制形态前收益率>20%后规律保持且增强。

• 图12-13以斜率的绝对值分组，揭示同样非线性关联，深跌反弹及平台突破强。[page::17]

图14-17（支撑线斜率与收益关系统计图）

支撑线斜率与后续收益关系为负相关，斜率绝对值较大会降低收益与胜率，尤其形态前收益>20%后负相关更明显，暗示强支撑斜率下降时形态突破风险较高。[page::18]

图18-19（形态前收益率与后续收益关系图）

形态前收益率与后续收益呈现复杂非线性，特别亏损超过40%时有反转现象，收益超过25%后趋于稳定，反映市场动量和反转不同阶段表现。[page::19]

表1-2（形态斜率定义及斜率分位数）

列明主观定义的压力线与支撑线斜率区间及对应统计分位数，合理界定形态识别的斜率阈值，为后续归类提供基础。[page::13-14]

表3-4（持续形态上涨突破压力线和下跌下穿支撑线后的收益）

详细披露各常见形态在不同股票池中持有5、10、20天的收益率、胜率和盈亏比，确认突破压力线后上涨概率和收益都优于全市场，下穿支撑线后一致走弱，强化技术分析形态的有效性。[page::14-16]

表5-6（压力线与支撑线斜率组合后的收益）

表格通过二维分组统计20日收益，突出第三象限及第二象限（大跌反弹）的优势收益区间，强化了多参数组合应用的重要性，并在形态前涨幅>20%后数据更健康。[page::20]

表7-9（形态高度对收益影响）

介绍形态高度的统计区间及加权收益，整体显示影响较小，但应作为辅助剔除极端异常形态的参数。[page::21]

图20-21（回溯期对形态识别的影响）

实证展示同一时点不同回溯期限下的股价形态截然不同，有的出现持续形态，有的则是反转形态，展示了技术分析中“主观性”与“多样性”的困境。[page::22-23]

图22-23，表10（策略回测）

• 净值对比图清晰体现策略在多数年份跑赢基准跌幅且回撤更低，尤其2015年表现出强劲超额收益（图22-23）。

- 表10年度绩效报表反映策略在大多数年份内回撤显著小于基准，中长期夏普比率较好，单年表现与市场整体波动高度相关，早期2009年信号不足，影响整体表现。[page::24]

---

四、估值分析

报告无估值分析及目标价内容，故无此部分解读。

---

五、风险因素评估

风险提示指出模型基于历史数据总结，存在未来失效风险；形态算法和回测结果均有局限性，未来市场环境的变化可能降低策略适用性。

此外，回溯期固定、未能涵盖所有市场状态、策略难以在大跌行情获取正收益均属潜在风险。

总结部分亦指出形态回溯期选择的主观性及模型灵活性不足，策略对不同市场周期的适应性有待增强。[page::0,26] [page::25]

---

六、批判性视角与细微差别

• 主观性强：尽管算法量化，核心参数（如斜率边界、回溯期、形态定义）仍较主观，限制了方法对形态变化的灵敏度和泛化能力。

- 回溯期及形态定义固化：导致在不同周期内同一价格序列被赋予不同解读，体现技术分析固有的人为构造特性和局限。

• 策略表现依赖市场环境：策略在下跌大幅调整期信号稀缺且表现差，及依赖形态前涨幅大于20%的筛选，体现其较强的趋势依赖性。

- 图表说明不足：部分表格标注与列标题缺失或不完整，影响解读流畅度。

• 风险提示简单，未涉及策略在极端市场和流动性风险等多维度表现，缓解方法也未深入阐述。

整体而言，报告基于严谨数据统计，提供了技术面形态量化的系统思路，成果客观，但仍体现技术分析的经验依赖和参数敏感问题。[page::0,22,25]

---

七、结论性综合

本报告构建了基于分位数回归方法识别压力线和支撑线的技术面量化框架，深入解析多种经典持续形态在A股市场中的适用性及其突破信号的后续收益表现。

详细的数据统计和可视化图表充分支持以下重要结论：

• 传统持续形态尤其在小市值股票中有效，突破压力线后持有收益与胜率优于市场均值；下跌形态下破支撑线同理具备辨别风险的功能。

- 压力线斜率多为接近零或负值区域时，突破后的后续收益和胜率显著较高，呈现平台突破和跌后反弹的有效获利信号。

• 支撑线斜率与收益呈负相关，支撑线趋弱意味着后续下跌风险加大。

- 形态前涨幅对突破后收益的影响显著，选取>20%作为策略过滤条件，筛除大量低效信号，提升策略有效性。

• 多维参数组合策略（压力线斜率×支撑线斜率）更能刻画可靠形态特征，实现风险调整收益优化。

- 固定120日回溯期限制灵活性，识别结果受主观选择影响，形态分析中同一时刻不同回溯期可产生截然不同结论。

• 基于这些发现，报告设计的突破压力线交易策略在2009-2018历史数据上的年化收益9.3%、最大回撤20.07%、夏普比率0.49，风险调整表现明显优于中证500基准，尤其是大幅降低最大回撤，策略稳健性较好。

整体来看，报告创新地将经典技术分析形态转化为理论上系统可操作的量化工具，充分利用统计学与机器学习思想，对A股市场技术分析的实用价值和局限性进行了科学的量化检验。其成果为进一步技术面量化研究与组合策略构建提供了坚实基础。[page::0,4,12-25]

---

报告集成了详尽的图表和表格分析，全面展示了压力线和支撑线这一经典技术分析工具在中国市场的量化实现路径与策略有效性，具有较高的学术和实务参考价值，但也基于传统技术分析假设，未来需结合更多市场微观结构和机器学习模型进一步提升预测能力和策略适应度。

---

主要引用页

[page::0,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26]

重要图表附录

• 图1 核回归方法提取形态示例

• 图5 分位数回归方法识别压力线与支撑线示例

• 图9 以平安银行股票为例的压力线与支撑线识别

• 图10 压力线斜率不同分位区间下后续收益统计

• 图14 支撑线斜率不同分位区间下后续收益统计

• 图20 不同回溯期下识别的形态差异示例

• 图22 策略2009-2018年回测净值表现对比

---

以上为报告内容的详尽分析解读，涵盖理论基础、算法介绍、形态分类及斜率定义、实证统计、策略设计、回测表现及风险提示，结合图表数据逐项解释，系统地呈现了技术面量化方法在A股市场的应用及其效果。

报告