首页 编写策略 数据平台 策略社区 我的策略 宽客学院 知识库
免费注册
精华帖子

KDJ指标

由small_q创建，最终由small_q 被浏览 3 用户

因子原理

今天我们来聊聊 KDJ 指标，这个在股市中常被提及的技术分析工具，它可以帮助你更好地理解市场趋势。

KDJ 是由 K 线、D 线和 J 线组成的指标，主要用于判断市场的超买超卖情况。简单来说，KDJ指标可以评估股票是被高估还是被低估，从而做出更明智的投资选择。

我们先来看看KDJ指标是如何计算出来的：

首先，计算第N日的RSV值

其中C是N日收盘价，L是N日最低价，H是N日最高价。

再次，计算K值、D值、J值。

K线：反映了短期价格变化的敏感度。等式右边的K为前一日的K值, 初始K通常设置为50。

D线：是 K 线的平滑移动平均，反映了中期趋势。等式右边的D为前一日的D值, 与K一样，初始值通常设定为50。

J线：是 K 线与 D 线的差值，常用来识别买入和卖出信号。

KDJ的用法决定了它的研究方法并不契合因子投资理论。我们无法单独拿一个K、D或者J值按照往常一样使用因子投资的分析体系，所以我们对该因子的研究需要使用新方法。

因子研究

用法1：看似金叉多死叉空，实则背离

“金叉死叉”是技术分析中一个耳熟能详的用法。金叉指K值上穿D值，被视为多头信号，预示上涨；死叉则是K值下穿D值，为空头信号，预示下跌。

我们借助“金叉死叉”来完善KDJ的投研架构：

  1. 在bigquant上调用股票行情数据，计算个股的KDJ指标值与未来一天的收益率；

    import dai
import talib
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

    sd = '2018-01-01'
ed = '2024-12-31'
sql = """
SELECT date, instrument, close, 
open, high, low, volume, m_lead(open, 2) / m_lead(open, 1) - 1 AS future_return
FROM cn_stock_prefactors
WHERE is_zz500 = 1
AND is_risk_warning = 0
AND st_status = 0
AND suspended = 0
QUALIFY COLUMNS (*) IS NOT NULL
ORDER BY date
"""
data = dai.query(sql, filters={'date': [sd, ed]}).df()

  2. 标记每天市场中发生“金叉”和“死叉”的股票；

    def KDJ(df):
    df.sort_values('date', inplace=True)
    df['k'], df['d'] = talib.STOCH(
        df['high'].values, 
        df['low'].values, 
        df['close'].values, 
        fastk_period=9,
        slowk_period=3,
        slowk_matype=0,
        slowd_period=3,
        slowd_matype=0
    )
    df['j'] = 3 * df['k'] - 2 * df['d']

    df['signal'] = np.where(
        (df['k']>df['d']) & (df['k'].shift(1) < df['d'].shift(1)), 
        1,                                                                 # 金叉
        np.where(
            (df['k']<df['d']) & (df['k'].shift(1) > df['d'].shift(1)),     # 死叉
            -1, 
            0
        )
    )
    return df

df = data.groupby('instrument').apply(KDJ).reset_index(drop=True).dropna()
df

  3. 将所有金叉个股的未来一天收益率取平均作为当期金叉的预期收益（若当天不存在金叉，则定义为0），将所有死叉个股的未来一天收益率取平均作为当期死叉预期收益（若当天没有个股发生死叉，则定义为0）；分别计算累计收益。

    # 统计每天金叉死叉的累计收益曲线
def calc_return(df):
    """
    |date|gold_cross_return|dead_cross_return|
    |... |        ...      |      ...        |
    """
    # 计算金叉的平均收益
    gold = df[df['signal']==1]
    if len(gold)==0:
        gold_return = 0
    else:
        gold_return = gold['future_return'].mean()
    
    # 计算死叉的平均收益
    death = df[df['signal']==-1]
    if len(death)==0:
        death_return = 0
    else:
        death_return = death['future_return'].mean()
    
    return pd.DataFrame(
        {
            "date": [df['date'].iloc[0]], 
            "gold_cross_return" : [gold_return], 
            "dead_cross_return": [death_return]
        }
    )

cross_return = df.groupby('date').apply(calc_return).reset_index(drop=True)
cross_return

如图所示，为2018年到2024年金叉和死叉股票的累计收益趋势：

我们发现，金叉的累计收益从18年以来一路向下，相较之下，死叉的累计收益表现较为平稳，这与传统的“金叉死叉”法则是背离的。所以简单地使用KDJ的金叉死叉开仓平仓是不现实的。

用法2：超买状态空头、超卖多头

为了挖掘KDJ的潜在价值，我们转而关注超买超卖区域的表现。

首先，我们依旧需要根据公式计算KDJ指标与个股未来一天收益率；

fig = plt.figure()
plt.plot(cross_return['date'], cross_return['gold_cross_return'].cumsum(), label='gold_cross_return')
plt.plot(cross_return['date'], cross_return['dead_cross_return'].cumsum(), label='death_cross_return')
plt.legend()
plt.show()

接着，我们定义超买和超卖状态，当K值<10，D值<20，J值<0时，为超卖状态；当K值>90，D值>80，J值>100时，为超买状态；

最后，分别统计超买、超卖状态下未来一天的收益均值和累计收益。

def calc_return_2(df):
    # 计算超卖组合的预期收益率
    over_sell = df[(df['k']<10) & (df['d']<20) & (df['j']<0)]
    if len(over_sell)==0:
        over_sell_return = 0
    else:
        over_sell_return = over_sell['future_return'].mean()
    
    # 计算超买组合的预期收益率
    over_buy = df[(df['k']>90) & (df['d']>80) & (df['j']>100)]
    if len(over_buy)==0:
        over_buy_return = 0
    else:
        over_buy_return = over_buy['future_return'].mean()
    
    return pd.DataFrame(
        {
            'date': [df['date'].iloc[0]], 
            'over_sell_return': [over_sell_return], 
            'over_buy_return': [over_buy_return]
        }
    )

over_return = df.groupby('date').apply(calc_return_2).reset_index(drop=True)
over_return

从图中可以发现，用法2更适合做空机制，即看涨“超卖”，看跌“超买”。

图中”超卖“的累计收益在19年9月之后位于”超买“上方，说明用法2基本正确，但是超卖区域的累计收益依旧为负，所以我们需要在此基础上优化这个指标的用法。

用法3：低位金叉多头，高位死叉空头

我们以传统金叉进、死叉出的策略，将前两种用法结合，在低位统计金叉信号的表现，在高位统计死叉信号的表现。

首先，我们定义低位超卖、高位超买，计算每只股票的金叉死叉信号；

再次，我们统计低位金叉、高位死叉的累积收益。

def calc_return_3(df):
    # 高位死叉
    temp_1 = df[(df['signal']==1) & ((df['k']>90) & (df['d']>80) & (df['j']>100))]
    if len(temp_1)==0:
        over_buy_death_return = 0
    else:
        over_buy_death_return = temp_1['future_return'].mean()
    
    # 低位金叉
    temp_2 = df[(df['signal']==-1) & ((df['k']<10) & (df['d']<20) & (df['j']<0))]
    if len(temp_2)==0:
        over_sell_gold_return = 0
    else:
        over_sell_gold_return = temp_2['future_return'].mean()

    return pd.DataFrame(
        {
            "date": [df['date'].iloc[0]], 
            "over_buy_death_return": [over_buy_death_return], 
            "over_sell_gold_return": [over_sell_gold_return]
        }
    )

melt = df.groupby('date').apply(calc_return_3).reset_index(drop=True)

可以发现，低位金叉表现出明显的多头信号，而高位死叉则强化了下跌信号。

用法3不仅符合我们对KDJ指标的预期认知，提升了策略的可操作性，同时累计收益曲线也得到了明显改善。

因子分析源码

完整因子分析源码，请查看：

https://bigquant.com/codesharev3/7296e6e2-26be-4333-9445-05ab28aff97b

\

标签

投资决策
{link}