一个自适应市场压力指标的设计全过程：从4维压力到状态识别引擎

作 者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：这篇文章记录了我从零构建AMPE（自适应市场压力引擎）指标的完整过程。还用了2449只股票全量回测只有24.3%跑赢持有，但这个比挑40只股票然后说100%胜率有价值，因为失败数据可证伪可信。

我拿自己新做的指标跑了一遍全量测试，2449只股票，只有595只跑赢了持有策略。胜率24.3%。

你可能会想：这指标不行啊。但我想说：这恰恰说明它没过拟合。一个号称在90%的股票上跑赢持有策略的指标，要么在撒谎，要么在曲线拟合。真正有效的策略都有自己的”主场”：它只在特定的市场状态下、特定类型的股票上才有效。24.3%的胜率告诉我：AMPE有真实的边际优势，只不过这个优势是有边界的。

而且在1854只股票上失败这件事，是我做过的最有用的工作。下面我一步步拆解，讲清楚这个指标怎么来的、怎么工作的、以及那些失败教会了我什么。

一、为啥要做AMPE

大多数技术指标都是围绕单一概念设计的。RSI（相对强弱指标）测动量，ATR（真实波幅均值）测波动率，EMA（指数移动均线）测趋势方向。它们简洁、好理解，这很有用。

但问题是，市场从来不是只在一个维度上运动的。一只股票可以同时出现这三种情况：趋势向上、波动率在收缩、价格正在扫过流动性密集区。单一指标只能看到其中一个画面，就像只通过一扇窗户看整栋楼的状况，你看到的永远不完整。

我想做一个能”读懂整个房间”的指标：把多种市场压力合成一个振荡器，但不是简单粗暴地取平均，而是根据当前市场处于什么状态，智能地调整各维度的权重。

AMPE指标效果图

这就是AMPE：自适应市场压力引擎。有4个压力分量、1个实时状态检测器、以及在趋势行情和震荡行情之间自动切换的自适应权重。

二、四大压力分量详解

AMPE每一根K线的输出值，都是4个归一化压力读数的加权和，每个分量捕捉市场行为的不同维度。

1. 趋势压力（Trend Pressure）

把EMA间距和EMA斜率组合在一起，都用ATR做归一化处理。这样算出来的趋势读数，不受股票绝对价格或波动率大小的影响：一只50美元的股票和一只500美元的股票，趋势压力值在同一个尺度上比较。

2. 动量压力（Momentum Pressure）

把短期变动率（ROC）和中期的中心化RSI偏移值混合在一起。简单说就是：价格变化的速度有多快，加上相对历史来说当前动能是强还是弱。一个看短期加速度，一个看中期位置。

3. 流动性压力（Liquidity Pressure）

这是最有意思的一个分量。它统计一个滚动窗口内多头扫荡和空头扫荡的次数：

• 多头扫荡：K线下影线刺穿前期低点，但收盘价回到了前期低点之上——有人在下面吸收了卖压
• 空头扫荡：K线上影线刺穿前期高点，但收盘价回到了前期高点之下——有人在上面吸收了买压

净差额告诉你当前谁在主导流动性博弈。这个分量的直觉很明确：价格”假装”突破一个位置然后收回来，往往意味着反方向有大资金在承接。

4. 压缩压力（Compression Pressure）

把当前ATR和它的长期均值做比较。当今天的波动率远低于历史平均水平，说明市场正在”憋气”——能量在蓄积， breakout可能不远了。压缩不会告诉你方向，但告诉你”快出大动静了”，这个信息本身就很有价值。

为什么归一化是底线？
每个分量在合成之前都必须归一化到[0, 1]区间。如果不做归一化，变动率（ROC）这种天然波动大的分量会直接吞掉其他所有分量的信号——你的”合成振荡器”其实只是ROC的马甲。归一化之后，每个分量对最终结果的贡献只取决于你给它的权重，而不是它自身的数值范围。

三、状态检测器：让指标”适应”市场

AMPE最核心的创新是状态检测器。它在每一根K线上做一次判断：当前趋势强度是否高于过去N根K线的历史中位数？如果是，判定为趋势行情；如果不是，判定为震荡行情。

然后权重会根据当前状态自动切换：

这个切换的直觉很清晰：趋势行情里，趋势和动量是主导力量，给它更高的发言权；震荡行情里，价格来回扫荡流动性、波动率在压缩，那流动性压力和压缩压力就变得更重要。

一个关键的好处是：同一个指标不会把趋势跟踪的滤镜硬套在一只横盘了半年的股票上。振荡器适应市场现在的样子，而不是你希望它成为的样子。

状态切换为什么比固定权重强？
固定权重下，AMPE只是一个”看起来还不错”的振荡器。加上状态切换之后，它变成了一个策略。这是整个开发过程中性能提升最大的一步——不是靠调参数，而是靠让指标在正确的时机关注正确的维度。

四、耗竭检测：避免追高杀跌

在振荡器之上，我又加了一层基于背离信号的耗竭检测器。

空头耗竭信号：价格收盘价创出新高，但RSI正在转头向下，经典的动量背离，同时AMPE值已经超过了空头耗竭阈值。这意味着虽然价格还在往上走，但推动它上升的动能已经在衰减，就像汽车踩着油门但速度提不上去了。

多头耗竭信号：镜像逻辑。价格创出新低，RSI却在回升，同时AMPE低于多头耗竭阈值。

这些信号直接输入到策略的进出场逻辑里，给策略一个”不要追已经跑不动的行情”的机制。说白了就是：当市场看起来还在冲，但内部动能已经跟不上了，耗竭检测会提醒你是该收手了。

五、全量测试：2449只股票，不挑不拣

指标搭好之后，我做了一次全量测试。不挑股票，不做筛选，2449只全部跑一遍。执行条件如下：

• 信号触发后，以下一根K线开盘价执行；
• 手续费0.1%，滑点0.2%；
• 每只股票使用其全部可用历史数据；
• 前向优化（WFO）滚动验证，杜绝过拟合。

结果：2449只股票中，595只在扣除成本后跑赢了持有策略。大约四分之一。

如果一个在90%的股票上跑赢持有策略的指标，要么在说谎，要么已经过拟合了。真实的策略都有”主场”：它只在特定的市场状态下、在特定类型的股票上有效。24.3%的胜率告诉我：AMPE有真实的边际优势，只不过这个优势是有边界的。

在1854只股票上失败，不是白费功夫。它是一张信号地图，精确告诉你，一个动量自适应策略在哪里有效，在哪里无效。这比精挑细选40只股票然后宣称100%跑赢，可信得多。

40只股票深度验证结果图表

全量测试之后，我又做了一组精选验证——40只横跨不同行业、时间跨度从1977年到2026年的股票。这40只全部跑赢了持有策略。几个亮眼的个案：

这40只股票的单次信号胜率在68%到95%之间。

如何看这组精选数据？
精选40只全部跑赢，听起来很漂亮。但别忘了，全量测试只有24.3%。精选验证集证明的是”在合适的股票上，这个策略确实有效”，而不是”这个策略对任何股票都有效”。两者的区别很重要——前者是事实，后者是幻想。

六、开发过程中的五个核心教训

教训一：归一化没有商量余地

不归一化，合成的振荡器就只是噪声最大的那个分量的替代品。ROC天生波动幅度大，如果不把它压到[0,1]区间，最终结果几乎就等于ROC稍微加了一点其他东西的影子。归一化是让四个分量”公平对话”的前提。

教训二：状态切换权重值得那份复杂度

整个开发过程中，性能提升最大的一步就是加入状态检测器。固定权重做出来的是一个”还算好用的振荡器”，加上自适应权重之后才变成一个”能跑策略的工具”。复杂度换来了质的飞跃，这笔账很划算。

教训三：前向优化防止”漂亮的谎言”

每次我在早期项目里跳过前向优化（WFO），回头去验证的时候，所谓”优化后的参数”都是过拟合的产物。WFO的核心做法是把历史数据切成训练集和测试集，滚动前移，在训练集上找参数，在测试集上验证，循环往复。只有通过了WFO的参数，才敢拿到实盘上用。

# 前向优化(WFO)核心逻辑伪代码def walk_forward_optimization(data, train_period, test_period):     results = []    for i inrange(total_windows):       # 训练窗口：寻找最优参数       train_data = data[i : i + train_period]       best_params = optimize(train_data)       # 测试窗口：用最优参数做样本外验证       test_data = data[i + train_period : i + train_period + test_period]       oos_result = backtest(test_data, best_params)       results.append(oos_result)        return results  # 只看样本外结果

教训四：流动性扫荡分量被严重低估了

开发过程中我差点把流动性压力这个分量砍掉。但后来发现，在震荡行情里，趋势和动量分量几乎都接近中性，这时候流动性扫荡就成了最重要的区分信号。它识别的是”谁在关键位置吸收了筹码”，这种信息在震荡市里比趋势信号有用得多。

教训五：证据的数量胜过单一结果的信心

2449只股票上24.3%的胜率，是一个真实的、可证伪的声明。任何人都可以拿自己的数据复现、挑战、改进它。但”精挑40只股票100%跑赢”这种结论，没法被证伪，因为你永远可以质疑样本选取的偏见。做量化，可证伪比可吹嘘重要一百倍。

七、从”做指标”到”做策略”：思维转变

回头看整个开发过程，我觉得最大的思维转变不是技术上的，而是心态上的。

做指标的人很容易陷入一个陷阱：不断调参数，让结果在越来越多的股票上”看起来不错”。但真正的进步来自于反向操作，承认你的策略只在特定条件下有效，然后把精力花在精确定义那些条件上。

AMPE在76%的股票上跑输持有策略，这个数字不是丢脸的事，而是一张精确的”适用性地图”。它告诉我：

• 动量自适应策略对趋势性和波动性适中的股票效果最好；
• 对长期横盘或剧烈震荡的品种，这个策略不适用；
• 状态检测器能帮你识别当前属于哪种环境；
• 知道什么时候不用这个策略，比知道什么时候用更重要。

就像我一直说的：在量化交易里，知道自己不知道什么，远比相信自己什么都知道更有价值。

八、给想自己做指标的朋友几点建议

1. 先归一化，再合成。没有归一化的多分量合成，就是让噪声最大的分量做主。
2. 让指标适应市场，而不是让市场适应指标。状态切换比固定参数更复杂，但回报也更大。
3. 全量测试，不挑不拣。先跑1000只以上再说，没跑过全量测试的策略不叫策略，叫故事。
4. 前向优化是唯一的诚实检验。跳过WFO的回测结果，一律视为过拟合产物。
5. 重视失败数据。知道策略在哪里不工作，比知道它在哪里工作更有指导意义。

风险提示：最后，这篇文章仅为信息分享与学习交流之用，不构成任何投资建议。所有回测结果均基于历史数据，使用前向优化方法产生，历史表现不代表未来收益。投资有风险，入市需谨慎。

版权声明：本文为原创内容，转载请注明出处。

#自适应指标 #量化交易 #市场状态识别 #AMPE #回测验证 #Walk-Forward #流动性扫描 #波动率压缩 #动量策略 #技术指标开发