ClusterTendency : 指标的聚类分析

ClusterTendency：一种揭示股票市场模式的通用工具

在股票市场分析领域，存在着大量的技术指标，其中包括但不限于移动平均线、相对强弱指数 (RSI)、布林带以及移动平均收敛散度 (MACD) 等。与此同时，每位交易者都采用着各异且通常是专有的交易策略。一个普遍存在的现象是，无论是技术指标还是交易策略都具有其固有的不一致性；一项指标的有效性会随着时间的推移而波动，而交易者的策略也必然会经历盈利和亏损的周期，从而需要持续的研究和对新方法的探索。本文将探讨一种类似的固有变异性和条件性表现。

示例技术指标：

• 移动平均线 (移动平均线)
• 相对强弱指数 (相对强弱指数 - RSI)
• 布林带 (布林带)
• 移动平均收敛散度 (移动平均收敛散度 - MACD)
• 成交量 (成交量)
• 斐波那契回撤 (斐波那契回撤)
• 随机指标 (随机指标)
• 艾略特波浪理论 (艾略特波浪理论)
• 一目均衡表 (一目均衡表)
• 平均趋向指数 (平均趋向指数 - ADX)

在充满活力的股票交易世界中，发现能够预测价格走势的模式是获得优势的关键。ClusterTendency 是一种创新的指标，旨在揭示交易策略的成功或失败何时聚集在一起，为任何随时间跟踪的市场指标提供可操作的见解。ClusterTendency 构建于使用 Microsoft Access 和 Python 的强大数据系统之上，将原始交易结果转化为强大的决策工具。本文解释了什么是 ClusterTendency，它是如何计算的，以及交易者如何将其应用于各种指标以优化策略，使其成为任何交易专业人士的一项突出技能。

什么是 ClusterTendency？

将交易策略想象成一系列的押注：每笔交易要么盈利（正回报），要么亏损（负回报或零回报）。如果盈利连续发生——比如 111111——或者亏损累积为 000000，那么这些结果就是“聚集”的。ClusterTendency 量化了任何指标表现的这种聚集性，产生一个 0 到 1 之间的值。高分（例如，0.7 或更高）表示强烈的聚集性，这意味着交易倾向于遵循可预测的趋势，比如一只股票在一连串看涨信号后飙升。

ClusterTendency 的目的是揭示隐藏的市场节奏，从而增强交易信心。无论你使用的是相对强弱指数（RSI）、布林带还是自定义信号，只要你能将其表现追踪为盈利和亏损的时间序列，ClusterTendency 就能帮助你决定何时积极交易或何时持仓观望，从而提高策略的精确性。

为什么 ClusterTendency 很重要？

大多数交易指标告诉你何时行动——比如，当 RSI 跌破 30（超卖）时买入。但它们很少显示这些信号随时间的表现如何。盈利是否成群出现，暗示着动量？亏损是否聚集，暗示着反转？ClusterTendency 回答了这些问题，清晰地揭示了：

• 一个策略的结果是否形成可交易的连胜或连败。
• 在连胜期间何时扩大仓位。
• 一个信号的表现是否过于随机而无法信任。

在我的系统中，由 Microsoft Access 数据库和 Python 脚本驱动，我跟踪股票和 ETF 在任何生成时间序列的指标上的交易结果。每个信号都会产生一个 posString——一个由 1（盈利）和 0（亏损）组成的序列。ClusterTendency 分析这个字符串来衡量其连贯性，使交易者能够优先考虑高潜力设置并适应任何市场状况。

ClusterTendency 是如何计算的？

计算简单、可扩展，并能无缝集成到数据驱动的交易工作流程中。以下是计算过程：

1. 记录交易结果：
   
   
   • 选择一只股票或 ETF 和一个指标（例如，RSI、MACD 或自定义信号）。
   • 在设定的时间段内（例如，1 天、5 天或 20 天）跟踪每笔交易的回报。
   • 将盈利标记为 1，亏损标记为 0，构建一个 posString。例如：1111100000111110011110000011000001111100001111100111110000（55 笔交易）。
2. 识别聚类：
   
   
   • 将 posString 分割成由连续的 1 或 0 组成的段。
   • 对于上面的字符串，聚类包括 11111（五个 1）、00000（五个 0）、11111（五个 1）、00（两个 0）等等。
   • 每个聚类都有一个类型（1 或 0）和长度。
3. 计算聚类强度指数 (CSI)：
   
   
   • 将所有聚类的长度相加（例如，5 + 5 + 5 + 2 + …）。
   • 除以聚类的数量得到平均长度 (CSI)。
   • 较高的 CSI 意味着更长、更连贯的聚类。
4. 归一化为 ClusterTendency：
   
   
   • 使用公式：ClusterTendency = CSI / (1 + CSI)。
   • 这会将结果从 0（随机，如 101010）缩放到 1（一个大的聚类，如 11111111）。
   • 示例：CSI 为 4 时，ClusterTendency = 4 / (1 + 4) = 0.8，表示强烈的聚类。

我的 Python 代码会自动完成这些计算，并将结果存储在 Access 表格（ReturnPossibilityOverview）中，其中包含胜率（Ratio）和平均回报（Avg）等指标。数据库确保了数据的完整性，而 Python 则处理计算，从而轻松分析跨股票的多个指标。

如何在交易中使用 ClusterTendency

ClusterTendency 是一种多功能工具，可以增强任何具有时间序列数据的指标。以下是如何利用它：

1. 筛选高潜力策略：
   
   
   • 查询具有高 ClusterTendency (>0.7) 的股票或指标，以寻找连贯的表现。
   • 结合胜率：
     • 高胜率 (>60%) + 高 ClusterTendency：表示动量。示例：RSI 买入信号出现 111111 连胜——是多头交易的理想选择。
     • 低胜率 (<40%) + 高 ClusterTendency：暗示看跌趋势或反转。示例：布林带卖出信号出现 000000 连败——考虑做空。
     • 中性胜率 (~50%) + 高 ClusterTendency：寻找反转。示例：111111 → 卖出，000000 → 买入。
   • SQL 示例：
   SQL

   SELECT Strategy, Ratio, ClusterTendency, AvgFROM ReturnPossibilityOverviewWHERE ClusterTendency > 0.7

2. 设定交易信心水平：
   
   

   • 低风险交易：
     • 适用于中等 ClusterTendency (0.6–0.7) 或平衡的胜率。
     • 示例：在一次盈利 (1) 后以标准仓位进行交易。
   • 高风险交易：
     • 适用于高 ClusterTendency (>0.7) 且胜率较高的情况。
     • 示例：在连续两次盈利 (11) 后增加仓位，预期会出现另一个 1。对于低胜率，在连续两次亏损 (00) 后做空。
   • 示例：RSI 信号出现 111111——在出现 11 后增加仓位。
3. 优化仓位规模：
   
   
   • 高 ClusterTendency → 在连胜期间增加仓位规模（例如，在出现 11 或 00 后）。
   • 低 ClusterTendency → 对于随机结果，坚持正常仓位规模。
   • 考虑平均回报以平衡风险和回报。
4. 回测以提高精确度：
   
   
   • 分析 posString 以计算概率，例如 P(1 | 11)——在连续两次盈利后再次盈利的概率。
   • Python 代码：
   Python

   pos_string = "1111100000111110011110000011000001111100001111100111110000"p_1_after_11 = sum(1 for i in range(len(pos_string)-2) if pos_string[i:i+2] == "11" and pos_string[i+2] == "1") / sum(1 for i in range(len(pos_string)-2) if pos_string[i:i+2] == "11")print(f"连续两次盈利后再次盈利的概率: {p_1_after_11:.2f}")
   • 将结果存储在 Access 中以优化策略。

5. 应用于任何指标：
   
   

   • 与 RSI、布林带、移动平均线或自定义信号一起使用，只要你有盈利/亏损的历史记录。
   • 示例：RSI 超卖 + ClusterTendency > 0.7 → 强烈的买入信号。