广州定制网站设,中国企业培训网,html5黑色网站,网站怎么做筛选目录 0. 本栏目因子汇总表1. 因子简述2. 因子计算逻辑3. 因子应用场景4. 因子优缺点5. 因子代码实现6. 因子取值范围及其含义7. 因子函数参数建议 0. 本栏目因子汇总表
【量海航行】
1. 因子简述
三角移动平均线(Triangular Moving Average, TRIMA)是一种特殊的加权移动平均… 目录 0. 本栏目因子汇总表1. 因子简述2. 因子计算逻辑3. 因子应用场景4. 因子优缺点5. 因子代码实现6. 因子取值范围及其含义7. 因子函数参数建议 0. 本栏目因子汇总表
【量海航行】
1. 因子简述
三角移动平均线(Triangular Moving Average, TRIMA)是一种特殊的加权移动平均线。它通过对价格数据进行两次简单移动平均计算自然形成三角形权重分布使得中间数据的权重最大两端数据的权重逐渐减小。这种权重分布使TRIMA具有更好的平滑效果同时保持对中期趋势的敏感性。
2. 因子计算逻辑
TRIMA的计算公式如下 N 1 ⌊ ( n 1 ) / 2 ⌋ S M A 1 1 N 1 ∑ i 0 N 1 − 1 C l o s e t − i T R I M A 1 N 1 ∑ i 0 N 1 − 1 S M A 1 , t − i T R I M A f a c t o r C l o s e − T R I M A σ n ( C l o s e ) \begin{align*} N_1 \lfloor (n 1) / 2 \rfloor \\ SMA_1 \frac{1}{N_1} \sum_{i0}^{N_1-1} Close_{t-i} \\ TRIMA \frac{1}{N_1} \sum_{i0}^{N_1-1} SMA_{1,t-i} \\ TRIMA_{factor} \frac{Close - TRIMA}{\sigma_n(Close)} \end{align*} N1SMA1TRIMATRIMAfactor⌊(n1)/2⌋N11i0∑N1−1Closet−iN11i0∑N1−1SMA1,t−iσn(Close)Close−TRIMA
其中
n为移动平均周期N_1为第一次SMA的周期SMA为简单移动平均σ_n(Close)为n周期收盘价的滚动标准差⌊x⌋表示向下取整
3. 因子应用场景 趋势识别 价格上穿TRIMA上升趋势确立价格下穿TRIMA下降趋势确立 中期趋势 TRIMA走向反映中期趋势用于中期趋势交易 支撑阻力 TRIMA作为动态支撑位TRIMA作为动态阻力位 市场周期 判断市场所处周期识别趋势转折点
4. 因子优缺点
优点
平滑性强三角形权重分布降低噪音稳定可靠不易受极端值影响中庸特性平衡了滞后性和敏感度易于理解计算逻辑直观简单
缺点
滞后性大双重平均增加了滞后灵敏度低对短期波动反应迟钝信号延迟趋势转折信号较晚震荡不适横盘市场效果欠佳
5. 因子代码实现
def TRIMA_factor(df, n20):计算三角移动平均线(TRIMA)因子参数:df (DataFrame): 输入数据- code: 证券代码如600036.SH- date: 日期格式为YYYY-MM-DD- close: 收盘价n (int): 移动平均周期默认20返回:DataFrame: 包含原有列和TRIMA因子值理论取值范围(-∞,∞)实际大多在[-3,3]之间注意:1. 返回数据包含所有输入列2. 新增TRIMA列为因子值3. date列保持原有字符串格式YYYY-MM-DD4. 数据将按code分组、date倒序排列import numpy as npimport pandas as pd# 创建副本避免修改原始数据df_copy df.copy()# 检查code格式valid_codes df_copy[code].str.match(r^(?:\d{6}\.(SH|SZ)|[A-Z]/[A-Z]|\w\.(IB|CFE|US))$)if not valid_codes.all():raise ValueError(Invalid code format found)# 检查date格式valid_dates df_copy[date].str.match(r^\d{4}-\d{2}-\d{2}$)if not valid_dates.all():raise ValueError(Invalid date format found, expected YYYY-MM-DD)# 排序使用字符串比较df_copy df_copy.sort_values([code, date], ascending[True, False])# 按code分组计算def calculate_trima(group):close group[close].values# 计算三角权重n1 (n 1) // 2weights np.array([min(i 1, n - i) for i in range(n)])weights weights / weights.sum()# 计算TRIMAtrima np.zeros_like(close)for i in range(len(close)):if i n:window close[:i1]w weights[-(i1):]w w / w.sum()trima[i] np.sum(window * w)else:trima[i] np.sum(close[i-n1:i1] * weights)# 计算n周期滚动标准差rolling_std group[close].rolling(windown).std()# 计算因子值使用滚动标准差标准化的价格偏离度# 处理标准差为0的情况group[TRIMA] np.where(rolling_std ! 0,(group[close] - trima) / rolling_std,0)return groupdf_copy df_copy.groupby(code, group_keysFalse).apply(calculate_trima)# 按照最终要求重新排序并重置索引df_copy df_copy.sort_values([code, date], ascending[True, False]).reset_index(dropTrue)return df_copy测试数据
6. 因子取值范围及其含义
TRIMA因子的取值范围理论上是(-∞,∞)但实际上大多数值会落在[-3,3]区间内
取值 2表示价格显著高于TRIMA超过2个标准差强烈超买信号取值在(1,2]之间表示价格高于TRIMA一个标准差以上偏多信号取值在[-1,1]之间表示价格在TRIMA一个标准差范围内波动震荡区间取值在[-2,-1)之间表示价格低于TRIMA一个标准差以上偏空信号取值 -2表示价格显著低于TRIMA超过2个标准差强烈超卖信号
7. 因子函数参数建议
n (移动平均周期) 默认值20建议范围[15, 50]参数说明决定移动平均的平滑程度选择建议 日线数据建议使用 中期20-30天长期40-50天 小时线数据建议使用15-25分钟线数据建议使用10-20高波动市场使用较长周期低波动市场可用较短周期
