【国盛金工】量化专题：K线形态信息中的alpha

  K线形态分析 

如前文所述，我们根据实体宽度、上影线和下影线长度这3个变量来表征K线。因此，我们将基于这3个变量对于K线的类型做进一步的划分：

首先，我们根据股票日内涨跌幅大于0、小于0，可以将K线划分为：阳线、阴线；

其次：根据实体宽度：小于1.5%、大于1.5%且小于3%、大于3%，我们可以进一步划分K线为：小阳、小阴、中阳、中阴、大阳、大阴；

最后，根据影线长度大于2%、小于2%，可以划分上影线和下影线为：长上影、短上影、长下影、短下影。

因此，综合3个条件，一根K线总共可以划分为2×3×4共计24种形态。

此外，我们的预测目标并非出现股票在呈现形态之后股票次日的涨跌幅，而是希望能预测诸如未来1个月的长窗口收益表现。那么，单根日线数据对于我们而言其所蕴含的信息量太少，受到噪声的影响较大。因此，我们希望使用一系列日线构建成一个组合形态，利用更长窗口的信息。 

首先，组合形态的种类随着日线的数量指数级增长，因此我们构建组合形态之前，我们先对日线进行简单聚合，以降低组合形态的类型数量。

由于简单的单根K周线表征形态太过于单一，其只能表示K线的24种类型，我们用连续的3根周线构成组合形态。

形态是博弈的结果，成交量则是博弈过程激烈强度的量化指标，我们根据“最新成交额/成交额均值”的比例值，定义指标大于1.2为放量，小于0.8为缩量，否则为常量。

最终，结合价格形态和成交量变化信息，我们将得到3×24^3共计41472种组合类型。

此外，技术分析一般会结合不同频率周期的K线给出结论，因此我们对于形态的构建视角并不局限于周线。我们将从1日线、2日线、…、直至10日线，站在10个不同频率周期的K线视角下构建组合形态。

基于K线形态模式pattern，任意股票s 在交易日t 构成一个样本，其将属于某类形态pattern_(s,t)，该样本对应未来20日超额收益为ret_(s,t)。 

传统技术分析基于逻辑推演，谋求刻画市场参与者心理和情绪的变化，其中的重要问题点在于其结论大都缺少统计上的显著性检验。为此，我们以周线为例，首先验证我们对于形态的划分具有显著性的收益预测能力。 

我们将对时间做划分，拆分“统计区间”和“验证区间”，我们希望论证在“统计区间”中有效的形态模式在“验证区间”仍然有效，以此表明本文划分的股票的K线形态模式对于股票未来收益具有持续性的预测能力。 

每个月，我们将当月看多/看空样本的超额收益取均值，然后累加月度超额收益，得到超额累计净值，并统计当月的样本数。

2016年以来，看多样本月均数量约580个，对应未来20日超额收益均值2.5%，2015年超额幅度较高，其后虽然超额累计速度下降但整体上涨趋势不变；而看空样本对应未来20日超额收益长期稳健，均值为-2.2%。

此外，统计每年各形态的超额均值与该形态在上年份超额均值的截面相关性，我们要求每个形态在前后两年都至少拥有100个以上的样本。2012年至2023年，各形态在前后两年的绩效相关性均值达到25%。形态在时间序列上具有稳健且持续的选股绩效。

前文只在抽象层面分析形态模式，为了更加直观体现我们对于形态的划分与组合，我们介绍几个经典的形态模型。这些结论部分或与技术分析结论一致，也或与技术分析观点违背。我们求同存异，在多样化视角下对比本文形态模式与技术分析观点。

首先以看多形态为例，我们展示了2016年以来“连续阳线看空”与“连续阴线看空”这两个差异明显的形态类别。下文所指超额收益均为股票未来20日收益相对于所有股票收益均值的超额幅度，胜率指形态样本集中超额收益大于0的比率。

看多形态1是连续阴线的例子，股票呈现连续3根大阴线且后两根阴线表现出长上影线，同时伴随成交量下降。2016年以来该形态未来20日超额收益均值2.50%，胜率为53.9%。

通常一种观点认为缩量下跌还将下跌，但我们认为该观点对于形态的划分太过于单一。实际上缩量下跌过程中，不同的影线模式对应的股票表现存在显著差异。形态1作为缩量下跌的一种，其在未来是有正超额收益。

我们对比图表20中另外两类缩量下跌形态，同样是3根大阴线，但是这两类形态的后两根K线分别为长下影线、短影线的情形。二者超额收益分别为0.7%和0.5%，略微为正；但胜率仅为45.7%和47.4%，未来有更大的概率跑输市场平均水平。

看多形态2是连续阳线举例，股票在2根大阳线后，第3根阳线实体宽度收窄且出现长上影线，同时伴随成交量上升，2016年以来该形态未来20日超额收益均值2.03%，胜率为53.4%。

该形态呈现出放量滞涨的特征，一般我们认为放量滞涨的股票在顶部更大概率出现趋势的反转，如前文顶部放量倒锤头线所示，在顶部这种股票长期而言将跑输市场平均水平。而我们统计出其在未来有显著正超额收益，这与直观上的理解存在差异。

但看多形态2与传统技术分析的观点存在两个较为明显的差异。首先，传统技术分析结论更多聚焦于日线，而我们上述结论基于周线得出；其次，技术分析认为股票在顶部放量滞涨存在趋势反转的可能性前提在于股票是处于价格顶部，其前提假设包含股价的位置信息，而看多形态2完全基于价和量的形态构建，不考虑股价的位置。

看空形态1为连续阳线看空的举例，股票出现连续3根大阳线，且每根阳线的上下影线都很长，同时伴随成交量上升。该形态未来20日超额收益均值-5.16%，胜率28.2%。

看空形态1可以从因子逻辑理解，其alpha来源与低波因子相一致。形态连续3周都呈现出幅度较大的上影线和下影线，其本质上指向短期呈现出高波动的个股，作为低波因子的空头，高波动股票在因子视角下确实长期稳健跑输市场平均水平。但该形态与低波因子的逻辑又不完全一致，只在形态节点确认高波股票的空头信息。

看空形态2的第一根短影线小阳周线意味着股票开始处于低波动的小幅上涨趋势中，若这时候股票出现放量大跌，其下跌趋势未来将延续。类似的图表21中，我们展示了连续2根短影小阳线后，出现放量下跌的形态，股票未来下跌幅度将更大，超额收益均值为-8.8%，胜率为25.4%。

基于前文分析，我们希望根据股票K线形态构建实时动态的形态评价体系，进而基于形态模式得到选股因子CSP（candlestick pattern）。

4.1 形态选股因子

前文中我们已经介绍了形态的划分与组合的基础流程，在此基础上，我们将通过形态的历史表现，构建从形态到打分的映射关系。

CSP因子在全市场股票10分组区分度良好，单调性显著。2014年以来，因子月度IC均值4.5%，ICIR达到2.97，IC胜率85%；多空组合年化收益17.0%，多、空头超额收益分布均衡，多头组合年化超额收益7.4%。

在常见的宽基指数成分池中，长期而言因子5分组多头超额均较显著。但整体因子在中小市值股票域中选股能力更加稳健，在中证1000和国证2000成分池中因子每年多头超额收益均为正，IC均值分别达到4.6%和5.0%。

CSP因子alpha与常用波动、反转、换手、非流动性等量价因子均无明显相关性，因子值截面相关性均值都在20%以下，因子独立性较强，信息增量明显。

4.2 多周期形态与多维度评价

在4.1中，我们用连续5根日线聚合成周线，进而周线划分基础形态，借助于3个基础形态构建形态组合，得到CSP因子。而技术分析对于形态的分析不局限在周线，往往分钟、小时、日、周等不同周期的K线形态之间互相佐证，进而得到最终的判断。

因此，我们的视角可以更加多样。通过聚合i根日线、划分基础形态、构建组合形态，在此前提下我们从1日线看到10日线，可以得到10个形态观点CSP_i。

此外，CSP因子是一个从形态到打分的映射关系，基于形态的历史绩效评价未来出现该形态的股票，形态绩效IR由对应样本的超额收益ret得到：avg(ret)/std(ret)。

而样本的超额收益刻画同样可以更加多元。我们对于股票超额收益的刻画不局限于其相对于全部股票平均收益的增幅，我们可以用相对行业指数超额、收益剥离风格后的残差去刻画样本超额等，不同的超额刻画定义了新的样本标签。

复合CSP因子相比于简单版CSP因子绩效提升显著。2014年以来，因子IC均值9.6%，ICIR达到4.13；其中多空年化收益32.3%，多头年化超额收益11.5%。

因子对于短、中、长周期收益窗口均具有显著性预测能力，对应未来5日收益窗口，因子IC为7.3%，未来10日窗口IC为8.6%，未来20日收益窗口IC达到9.8%。

复合CSP因子相比于简单版CSP因子在常见宽基指数成分中的绩效稳健性明显提升。因子除2019和2022年在大市值股票中表现不佳以外，其余年份在中证800成分中均能获取正的多头超额；在中证800以下的市值成分中分年表现稳健，中证1000和国证2000指数的成分池中月度IC均值分别达到9.0%和10.0%。

4.3 行业轮动应用

形态信息确认了股票短期的交易信号，事实上形态的作用不局限在股票这类单一资产标的上，我们发现形态对于行业指数短期的收益也具有显著性的预测能力。

首先，因为行业指数相对于股票在截面上数量较少，如果直接识别行业指数的K线形态，构建行业间的比较关系，这将产生更多的噪音。

在中信一级行业指数中（剔除综合以及综合金融），我们检验CSP行业因子对于行业指数未来2周窗口的收益预测能力，对比因子前1/4组别多头的7个行业等权收益相比于全行业等权收益的绩效表现。

双周调仓的多头行业等权组合相比于全行业等权组合年化超额收益达到7.6%，行业因子双周频IC均值6.1%，ICIR达到1.13。

此外，我们对比基于形态构建的交易信号和基于趋势景气度的基本面信号，在行业维度二者因子值截面相关性均值在0附近，交易型轮动信号显著独立于基本面行业轮动信号。

图表33对比了3类行业信号的多头超额累计曲线，基本面模型在2019至2022年，市场存在明显的行业主线情形中超额显著，而后多头超额逐渐走平；而交易信号在2023年以来市场行业板块轮动较快的情形中，显著捕捉了短期行业板块的交易性机会。

2014以来，基本面和交易信号的复合因子在中信一级行业中绩效表现优秀，多头等权组合相比于全行业等权组合年化超额收益为10.2%，双周频IC均值达到7.4%。