对技术分析最常见的误解在于，认为“看图”就是预测。在《适合转债的技术分析——体系篇》中，我们介绍我们在转债分析中，常用的利弗莫尔体系及缠论等补充技巧——但无论哪种技术手段，我们都希望明确，技术分析的核心任务在“分类”。即在回答“当下是什么样的市场”的情况下，尽力探索应对的方式。虽然在转债报告中，我们已经做过论述，但这里我们还想对利弗莫尔的趋势分析进行一个尽可能简洁的回顾：
1. 走势分类、只抓趋势： 价格走势分为上下行趋势、自然回撤和自然反弹以及次要走势。在上行趋势中做多，是多头市场中最主要的获利来源；
2. 趋势与关键点定义： 上行趋势在不断创新高，直到出现一定程度回撤（原文为“6个点”以上），计入自然回撤。其他介于二者的波动为次要波动。此前所创造的高点，以及首次自然回撤创造的低点，分别为高、低关键点。后续行情若有效突破高点，则认定趋势延续，有效跌破低点则认定行情转入下行趋势。下行趋势则相反。
简单而明确，这是一个“忽略次要波动，把握大趋势”的具体化指引。但是，以下几个问题可以思考：
1. 这是一个“无参数模型”吗？—— 当然不是，这里至少“一定程度回撤”的度量，是预置的。也自然，对于不同产品（进而弹性不同），不同交易时间尺度（进而不同的信号频率容忍），以及不同风险偏好，有着不同适用参数。也因此，普通债、转债、股不应该适用同样的参数。
2. “有效突破”也是一个模糊的概念。进而会有两种理解，一种是突破一定边际程度，则认定“有效”。这里当然需要一个合适的尺度来避免晃点，同时也不至于太迟钝。另一种是结合时间，当出现一次回踩但未跌破高关键点时，认定有效突破。但何为一次完整的回踩，我们又要借助更高频的数据——最后，我们要面对分形几何问题，这超出了“简单”的范畴，也非本报告的初衷。
3. 另一个值得商榷的是，除转债之外，债券类资产的移动边界有限，已经明确形成字面意思的趋势后，是否还是好的入场点（尤其考虑到确认时滞后）。
图表2：不同“一定程度回撤”尺度模式下的趋势划分：国债
资料来源：万得资讯，中金公司研究部，注：纵轴为国债净值指数与自定义趋势划分
这里，我只解决一个问题：对于固收投资者（转债、普通债等资产），应当如何调整模型参数，以及如何看待趋势的价值。 而在此之前，我们要有一个简明的程序实现方式，来帮助我们解决问题。下面我们逐步展开。（以下，我们将判断拐点时最低考虑的回撤（反弹）称作阈值，突破关键点至少一定程度的标准，则称作边际值）
首先，我们要设计一个“探头”，其任务是每日明确市场状态，以及关键点。 数据层面，其应当集成当前趋势类型（trend）以及高、低关键点（upperLim， lowerLim）。同时，为方便测算，我们准备了log变量，以记录过去发生过的状态。以下为初始化部分的程序实现：
class status(object):
'''trend: 可能为up, down, upDraw, downDraw, minority
upperLim\lowerLim: 高\低关键点
reverseThreshold, margin分别为拐点的最低标准，以及有效突破的标准，以下称阈值与边际值
'''
def __init__(self, trend=None, upperLim=None, lowerLim=None,
reverseThreshold=0.05, margin=0.02):
self.trend, self.upperLim, self.lowerLim = trend, upperLim, lowerLim
self.reverseThreshold, self.margin = reverseThreshold, margin
self.lstKeyDates = []
self.logger = pd.DataFrame(columns=["trend", "upperLim", "lowerLim"])
def __str__(self):
dictTrend = {"up":"上行趋势",
"down":"下行趋势",
"upDraw":"自然回撤", "downDraw":"自然反弹", "minority":"次要波动"}
return f'''当前处于{dictTrend[self.trend]}中,关键高点为{self.upperLim:.2f},关键低点为{self.lowerLim:.2f}.'''
在“探头”接收新的价格和时间后，其将进行自我更新，根据情况进行关键点更新或趋势改判。例如，从上行趋势出发，逻辑如下图：
具体实现时，我们还需要几个辅助函数，以帮助我们将逻辑表达得更为简洁，如下：
def upperUpdate(self, newPoint, date):
self.upperLim = newPoint
self.lstKeyDates[-1] = date
def upperBreak(self, newPoint, date):
self.upperLim = newPoint
self.lstKeyDates.append(date)
def lowerUpdate(self, newPoint, date):
self.lowerLim = newPoint
self.lstKeyDates[-1] = date
def lowerBreak(self, newPoint, date):
self.lowerLim = newPoint
self.lstKeyDates.append(date)
有了上述准备，以上行、自然回撤以及次要波动为例，“探头”的自更新过程如下。此处限于篇幅，我们略去下行趋势的判定（实际为上行趋势相反的操作即可）：
def
renew(self, newPoint, date):
# 上行趋势中的判别
if self.trend == "up":
if newPoint > self.upperLim:
self.upperUpdate(newPoint, date)
elif newPoint <= self.lowerLim * (1- self.margin):
self.trend = 'down'
self.lowerBreak(newPoint, date)
elif newPoint <= self.upperLim * (1 - self.reverseThreshold):
self.trend = "upDraw"
self.lowerBreak(newPoint, date)
# 自然回撤中的判断
elif self.trend == "upDraw":
if newPoint <= self.lowerLim:
self.lowerUpdate(newPoint, date)
elif newPoint >= self.upperLim* (1 + self.margin):
self.trend = "up"
self.upperBreak(newPoint, date)
elif newPoint >= self.lowerLim* (1 + self.reverseThreshold):
self.trend = "minority"
self.lstKeyDates.append(date)
# 次要走势
elif self
.trend == "minority":
if newPoint >= self.upperLim * (1 + self.margin):
self.trend = "up"
self.upperBreak(newPoint, date)
elif newPoint <= self.lowerLim * (1 - self.margin):
self.trend = "down"
self.lowerBreak(newPoint, date)
self.logger.loc[date] = [self.trend, self.upperLim, self.lowerLim]
至此，“探头”变量设计完成。而测算流程无非是让探头从头到尾读取一遍时间序列数据，因此整体框架反而更加简单。这里除了常规初始化外，我们还要额外定义一个“寻找起点”的小函数——因为价格序列在一开始是没有方向的，我们根据其累积出的变化值，当其达到某个阈值（例如2%）时，认定起点趋势。
class LivermoreAnalysis(object):
def __init__(self, data):
'''data必为pd.Series格式
self.status为状态单元
'''
self.data = data
self.status = status()
def initSeries(self
, thres=0.02):
srs = self.data.copy()
srs = srsFillContinousUpAndDown(srs)
_srs01 = ((srs.pct_change() + 1.0).cumprod() - 1.0).apply(lambda x: x if abs(x) >= thres else np.nan)
initIndex = _srs01.first_valid_index()
self.status.lstKeyDates = [srs.index[0], initIndex]
self.status.trend = "up" if _srs01[initIndex] > 0 else "down"
if self.status.trend == "up":
self.status.upperLim, self.status.lowerLim = srs[initIndex], srs[0]
else:
self.status.upperLim, self.status.lowerLim = srs[0], srs[initIndex]
return srs, initIndex
这里，我们还用到了一个srsFillContinousUpAndDown函数，该函数是为了降低计算负荷，因而将连续涨跌都做合并处理。但对于处理速度没有要求的投资者，并不必要。
class LivermoreAnalysis(object):
def __init__(self, data):
''
'data必为pd.Series格式
self.status为状态单元
'''
self.data = data
self.status = status()
def initSeries(self, thres=0.02):
srs = self.data.copy()
srs = srsFillContinousUpAndDown(srs)
_srs01 = ((srs.pct_change() + 1.0).cumprod() - 1.0).apply(lambda x: x if abs(x) >= thres else np.nan)
initIndex = _srs01.first_valid_index()
self.status.lstKeyDates = [srs.index[0], initIndex]
self.status.trend = "up" if _srs01[initIndex] > 0 else "down"
if self.status.trend == "up":
self.status.upperLim, self.status.lowerLim = srs[initIndex], srs[0]
else:
self.status.upperLim, self.status.lowerLim = srs[0], srs[initIndex]
return srs, initIndex
而最后需要用到的，便是让“探头”完整走过价格序列，处理非常简单，此处不赘述。
def srsAnalysis(self, initThres, reverseThreshold, margin, fig=True):
srs, initIndex = self.initSeries(initThres)
self.status.reverseThreshold, self.status.margin = reverseThreshold, margin
start = srs.index[srs.index.get_loc(initIndex) + 1]
for date in srs[start:].index:
newPoint = srs[date]
self.status.renew(newPoint, date)
if fig:
srs2plot = srsFillContinousUpAndDown(srs[self.status.lstKeyDates]).plot(figsize=(15,10))
return srs[self.status.lstKeyDates], self.status
示例：假设srs为某债券价格走势，我们定义50bps以上考虑反转，突破关键点20bps以上认定有效突破，那么只需要进行如下操作即可。
lv = LivermoreAnalysis(srs)
lv.srsAnalysis(0.02, 0.005, 0.002, fig=True)
1. 利率债：大级别“一致预期”大概率必惩，小阈值顺势可取。由于国债期货的存在，利率债相对很容易做出比较优美的趋势线 —— 但是，事后的叙述，与事前、事中的逐步判定，存在了较大差别。而债券市场本身弱于股票的波动空间，也让较大级别的趋势认定，存在了高昂的成本。加上债券投资者相对一致的交易行为，让我们首先看到的是：大阈值下，趋势形成并经一致确认后，大概率都临近终结——这甚至是比较稳健的反向指标。下图为在0.8%阈值，0.4%边际值下，认定上行趋势（不含自然回撤及附带的次级波动阶段，下同）做空、下行趋势做多的净值走势：
图表11：利率债0.8%阈值，0.4%边际值下，反向趋势交易示意
资料来源：万得资讯，中金公司研究部，策略起始日2017年12月29日，策略起始净值为1.0
但当我们把阈值放小，情况逐渐也在变化，并在某个水平趋于稳定。例如我们忽略0.2%以内的波动时，在上行趋势、上行趋势后的自然回撤中保持做多，下行趋势、下行趋势后的自然反弹中做空——即顺势而为，效果同样稳定。
资料来源：万得资讯，中金公司研究部，策略起始日2017年12月29日，策略起始净值为1.0
不难理解，如果以上二者结合，即忽略小波动（0.2%以内），顺势交易，但在大级别趋势（0.8%以上）得到确认后反向交易，亦能得到更好的结果。
图表13：利率债0.2%阈值，顺势趋势，0.8%趋势确认反向交易示意
资料来源：万得资讯，中金公司研究部，策略起始日2017年12月29日，策略起始净值为1.0
2. 信用债：适用较小的阈值，疑似存在比利率更强的周期性。我们未进行个券方面的尝试，但在指数层面，我们尝试了各有基金以其为基准指数的“沪质城投”和“中高企债”，均只用净价指数。显然这些指数的日波动都要明显小于国债期货，与转债更无可比性，因而在较大阈值下，大概率无法做到有价值的行情切割。我们将阈值同样设到0.2%，基本可以描绘一年一种，比较明显的几波行情：
图表14：沪质城投的趋势切割（阈值0.2%，边际值0.05%）
资料来源：万得资讯，中金公司研究部，注：纵轴为沪质城投(H01018.CSI)曲线及趋势拟合
同样，利用这类切割，进行顺势交易，效果尚可。但是，对于这类指数来说，似乎更有意义的操作模式，是在自然回撤时建仓买入，趋势确认后卖出（自然反弹时则相反）。
资料来源：万得资讯，中金公司研究部，策略起始日2017年12月29日，策略起始净值为1.0
但为什么信用债类的指数，都不适用于更大阈值的趋势切割呢？一方面在于从结果上看，上述指数都更有周期性——不一定是固定的周期，但显然如果其近些年的走势是一个函数f(x)，其更适合傅里叶展开，而非泰勒。另一方面，由于缺少交易，其用于确认趋势的折返较少，对于机器而言，相当于缺少计算资源。经过一些简单试验，也不难发现相比于这里的趋势切割，均线分析都会更加适用。我们也不在这里，进一步地对于较大阈值（例如0.8%以上）的趋势切割进行展开。
3. 可转债：适合趋势交易，但与适合适当逆势不矛盾。我们在转债市场已经进行了很多技术、趋势分析方面的尝试，无论是诸多量化策略，还是我们定期发布的十大个券，都基本证明的量价对于转债研究的核心价值。当然对于转债指数而言，由于其衍生品属性以及编制方式的特殊性，一定程度上也会削弱趋势的价值。一个值得参考的结果是：在忽略1%波动的情况下，顺势而为有长期获利能力。但如果下行趋势明显到绝大多数人都可以察觉，例如设定2.5%以上的阈值时，仍可确认的下行趋势，此时反向抄底可以考虑。二者结合可以发现转债指数多数有价值的买点，效果如下：
资料来源：万得资讯，中金公司研究部，策略起始日2017年12月29日，策略起始净值为1.0
1. 设定20bps左右的阈值(20bps指价格波动，而非收益率)，可以将多数纯债券类的趋势予以刻画。投资者可以较为方便地了解，当下的环境处于哪一阶段，这也是我们认为，技术分析最基础的任务；
2. 在机器学习、深度学习大范围普及，GPU广泛应用于市场的2022年，我们并不希望强行证明利弗莫尔在上个世纪30年代提出的交易依然多么有效，尽管其在一定范围内仍能起到提示交易的作用。但其趋势交易的思想依然提供了一个良好的框架，与后来的技术相容。
3. 实际上，技术分析后来的发展本身也是在不断地弥补这一体系的不足，例如：
1）如何尽量降低趋势转换时，确认的成本；
2）有没有可能在左侧发现拐点，例如所谓“背驰”；
3）后来人们也发现，居于上、下行趋势之间的震荡状态，也是更低级别的趋势。
4. 以上结果我们列于下表：
