1. 项目缘起从“神奇”信号到可复现的量化工具在量化交易和指标分析的圈子里流传着不少听起来很“玄学”的指标九转序列就是其中之一。我第一次接触它是在一个技术交流群里有人贴了一张图上面用数字1到9在K线图上标记声称在“9”出现的位置市场即将发生反转。当时我的第一反应是怀疑——这听起来太像“看图说话”的占卜了。但作为一个靠数据和逻辑吃饭的人我决定不轻易下结论而是去搞清楚它的底层逻辑到底是什么。毕竟在文华财经、通达信这些主流软件里这个指标被广泛使用甚至被一些交易者奉为圭臬。经过一番研究我发现九转序列的核心思想其实源于汤姆·迪马克的TD序列它是一种试图量化市场“衰竭”程度的方法。其基本逻辑是连续比较当前收盘价与之前第4根K线的收盘价当出现连续9次满足特定条件比如上涨趋势中收盘价低于4周期前的收盘价时就认为市场动能可能衰竭提示潜在的反转机会。这个逻辑本身是清晰、可量化的并非玄学。问题在于很多交易者只是机械地使用软件内置的、封装好的指标知其然而不知其所以然更无法根据自身的交易品种和周期去调整参数、优化逻辑或者验证其有效性。这就是我决定动手“反转”文华指标并分享其源码的初衷。所谓“反转”不是指否定它而是指拆解、剖析和重建。我要做的是把那个在软件里看似黑盒的“九转序列”指标变成一个透明、可修改、可测试的Python代码。这样一来无论是想学习指标原理的新手还是想将其融入自己量化框架的老手都能有一个清晰的起点。本文将分享这个从零构建九转序列的完整过程包括核心逻辑的逐行解析、代码实现、回测验证以及最重要的——在实际使用中我踩过的那些坑和得到的经验。2. 九转序列的核心逻辑拆解不只是数到9在动手写代码之前我们必须像解构一台精密仪器一样彻底理解九转序列的每一个齿轮是如何啮合的。很多人误以为它就是简单地数连续上涨或下跌的K线数到9就反转这是最大的误解。2.1 迪马克TD序列的原始定义九转序列的理论基础是TD序列其核心在于“设置”和“计数”两个阶段。设置条件在上升趋势中当一根K线的收盘价低于其之前第4根K线的收盘价时则在该K线上标记一个“设置”条件。下跌趋势则相反收盘价高于4周期前收盘价。连续计数从出现“设置”条件的K线开始向后连续寻找满足同样条件的K线并进行累加计数1, 2, 3...。计数中断在计数过程中如果出现一根K线不满足“设置”条件则整个计数归零需要重新寻找起点。序列完成当计数累加到9时形成一个完整的“九转序列”预示当前趋势动能可能衰竭。这里的关键是“第4根K线”的比较基准。它引入了一个短期的动量比较窗口过滤掉了那些小幅的、无方向的波动只有当价格出现具有一定持续性的反向波动时才被计入序列。2.2 文华财经实现的常见变体与细节在实际应用中尤其是在文华财经的公式里为了适应国内市场和不同交易者的习惯出现了一些变体。通过反编译和测试常见的文华指标公式我总结了以下几个需要特别注意的细节这些细节直接影响到信号的生成比较基准的灵活性除了标准的与“4周期前收盘价”比较有些版本允许与“4周期前最高价/最低价”比较这会影响信号的敏感度。与最高/最低价比较条件更容易被触发序列出现更频繁但也可能带来更多噪音。计数重置规则的强化原始规则是“不满足条件就归零”。但有些实现增加了更严格的重置规则。例如在上涨九转计数过程中如果出现一根K线的收盘价高于最近一个计数起点K线的最高价则计数也会被强制重置。这个规则是为了防止在强烈的趋势中序列被反复触发但失效。“9”之后的处理当计数到9之后下一个计数是重新从1开始还是需要等待一个新的“设置”条件出现不同版本处理不同。严谨的实现通常会要求序列完成出现9后下一根K线必须重新满足“设置”条件才能开始新的计数周期1。理解这些变体非常重要因为你的交易品种如高波动的加密货币与平缓的国债、交易周期1分钟线与日线特性不同适用的规则也应调整。一个不加辨别直接套用的“标准”指标很可能水土不服。3. 从逻辑到代码手把手构建Python版九转序列理论清晰后我们进入实战环节。我将使用Python和pandas库一步步构建一个功能完整、可配置的九转序列指标计算函数。这里假设你已经有了一个包含datetime、open、high、low、close等字段的DataFramedf。3.1 数据准备与基础结构首先我们需要确保数据是按时间排序的并计算一些衍生数据。为了更稳健我们计算最高价和最低价的滚动窗口最大值用于后续可能的强化重置规则。import pandas as pd import numpy as np def calculate_nine_sequence(df, lookback_period4, use_high_lowFalse, strict_resetTrue): 计算九转序列指标。 参数 df : pandas.DataFrame 包含OHLC数据的DataFrame必须有close, high, low列。 lookback_period : int, 默认 4 回溯周期即与多少期之前的价格比较。 use_high_low : bool, 默认 False False: 与lookback_period期前的收盘价比较。 True: 在下跌序列中与前期最高价比较在上涨序列中与前期最低价比较常见变体。 strict_reset : bool, 默认 True True: 启用严格重置规则收盘价突破计数起点极值则重置。 False: 仅当不满足设置条件时重置。 返回 pandas.DataFrame 增加了‘up_setup’, ‘down_setup’, ‘up_count’, ‘down_count’, ‘up_signal’, ‘down_signal’列的原始DataFrame。 # 确保数据排序 df df.copy().sort_index() # 为计算滚动极值做准备用于严格重置规则 df[high_rolling_max] df[high].rolling(windowlookback_period, min_periods1).max() df[low_rolling_min] df[low].rolling(windowlookback_period, min_periods1).min()3.2 核心逻辑实现设置条件与计数这是整个函数的心脏。我们分别处理上涨序列寻找潜在顶部和下跌序列寻找潜在底部。为了清晰我使用循环来实现虽然向量化操作更快但循环的逻辑更易于理解和调试。# 初始化结果列 df[up_setup] False # 是否满足上涨序列的设置条件 df[down_setup] False # 是否满足下跌序列的设置条件 df[up_count] 0 # 上涨序列计数 df[down_count] 0 # 下跌序列计数 df[up_signal] 0 # 上涨序列完成信号值为9 df[down_signal] 0 # 下跌序列完成信号值为9 # 用于记录当前计数序列的起始索引和起始K线的极值 up_count_start_idx None up_count_start_high None down_count_start_idx None down_count_start_low None for i in range(lookback_period, len(df)): # 1. 判断设置条件 if use_high_low: # 变体与前期最高/低价比较 up_condition df[close].iloc[i] df[low].iloc[i - lookback_period] down_condition df[close].iloc[i] df[high].iloc[i - lookback_period] else: # 标准与前期收盘价比较 up_condition df[close].iloc[i] df[close].iloc[i - lookback_period] down_condition df[close].iloc[i] df[close].iloc[i - lookback_period] df.loc[df.index[i], up_setup] up_condition df.loc[df.index[i], down_setup] down_condition # 2. 处理上涨序列计数 if up_condition: if df[up_count].iloc[i-1] 0: # 新的计数开始 df.loc[df.index[i], up_count] 1 up_count_start_idx i up_count_start_high df[high].iloc[i] elif df[up_count].iloc[i-1] 0: # 继续计数 current_count df[up_count].iloc[i-1] 1 # 严格重置规则检查 if strict_reset and up_count_start_idx is not None: if df[close].iloc[i] up_count_start_high: current_count 0 # 重置 up_count_start_idx None up_count_start_high None else: # 更新计数起点最高价取最大值 up_count_start_high max(up_count_start_high, df[high].iloc[i]) df.loc[df.index[i], up_count] current_count if current_count 9 else 0 if current_count 9: df.loc[df.index[i], up_signal] 9 else: # 不满足条件计数归零 df.loc[df.index[i], up_count] 0 up_count_start_idx None up_count_start_high None # 3. 处理下跌序列计数 (逻辑对称条件相反) if down_condition: if df[down_count].iloc[i-1] 0: df.loc[df.index[i], down_count] 1 down_count_start_idx i down_count_start_low df[low].iloc[i] elif df[down_count].iloc[i-1] 0: current_count df[down_count].iloc[i-1] 1 if strict_reset and down_count_start_idx is not None: if df[close].iloc[i] down_count_start_low: current_count 0 down_count_start_idx None down_count_start_low None else: down_count_start_low min(down_count_start_low, df[low].iloc[i]) df.loc[df.index[i], down_count] current_count if current_count 9 else 0 if current_count 9: df.loc[df.index[i], down_signal] 9 else: df.loc[df.index[i], down_count] 0 down_count_start_idx None down_count_start_low None # 清理中间列 df.drop([high_rolling_max, low_rolling_min], axis1, inplaceTrue, errorsignore) return df这段代码完整地实现了标准版和部分变体版的九转序列。关键点在于strict_reset参数控制的严格重置规则以及循环中对计数起点极值的动态更新。这是保证指标逻辑严密性的重要一环。4. 回测与验证信号真的有效吗代码写完了指标能算了但最重要的是它有用吗我们不能凭感觉交易必须进行历史回测。这里我分享一个简单的回测框架思路用于评估九转序列作为反转信号的性能。4.1 定义回测规则我们需要将指标信号转化为具体的交易指令。一个常见的简单策略是买入信号做多当down_signal列出现9下跌九转完成视为空头力竭在下一根K线的开盘价买入。卖出信号做空/平多当up_signal列出现9上涨九转完成视为多头力竭在下一根K线的开盘价卖出平仓如果是股票或开空仓如果允许。初始资金例如100,000。仓位管理每次固定交易1手或固定金额。手续费与滑点必须考虑这是回测真实性的关键。可以按固定比例如0.1%估算手续费滑点可以设为固定点数如1个tick。4.2 实现回测循环def backtest_nine_sequence(df, initial_capital100000, commission_rate0.001, slippage0.0): 简单的九转序列策略回测。 df df.copy() # 确保已有‘up_signal’和‘down_signal’列 if up_signal not in df.columns or down_signal not in df.columns: df calculate_nine_sequence(df) # 使用默认参数计算 capital initial_capital position 0 # 持仓数量正数为多仓负数为空仓 trades [] # 记录交易 equity_curve [] # 记录权益曲线 for i in range(1, len(df)): current_price df[open].iloc[i] # 假设在开盘价交易 # 计算信号前一根K线产生的信号 prev_signal_up df[up_signal].iloc[i-1] prev_signal_down df[down_signal].iloc[i-1] # 交易逻辑 if prev_signal_down 9 and position 0: # 下跌九转买入开多或空头平仓 if position 0: # 有空头仓位先平仓 close_price current_price * (1 - slippage) pnl (df[open].iloc[i-1] - close_price) * abs(position) # 空头平仓盈亏计算 capital pnl capital - abs(position) * close_price * commission_rate # 手续费 trades.append((cover_short, df.index[i], close_price)) position 0 # 开多头仓位这里简化每次开固定1单位 if position 0 and capital current_price: position 1 capital - current_price capital - current_price * commission_rate trades.append((buy, df.index[i], current_price)) elif prev_signal_up 9 and position 0: # 上涨九转卖出平多或多头平仓 if position 0: # 有多头仓位平仓 close_price current_price * (1 slippage) pnl (close_price - df[open].iloc[i-1]) * position capital pnl capital - position * close_price * commission_rate trades.append((sell, df.index[i], close_price)) position 0 # 这里可以加入开空头逻辑如果市场允许 # 计算当前总权益 current_equity capital position * current_price equity_curve.append(current_equity) df[equity] [initial_capital] equity_curve # 将权益曲线添加到DataFrame return df, trades4.3 分析回测结果运行回测后不要只看最终盈亏。你需要分析一系列绩效指标总收益率(最终权益 - 初始资金) /初始资金。年化收益率与夏普比率衡量收益与风险的性价比。最大回撤策略运行期间账户净值从高点回落的最大幅度。这是衡量策略风险承受能力的关键指标。胜率盈利交易次数占总交易次数的比例。盈亏比平均盈利金额与平均亏损金额的比值。我的经验之谈在我对A股主要指数和几个活跃商品期货的回测中单纯使用默认参数的九转序列其表现高度依赖于品种和市场阶段。在震荡市中它可能捕捉到一些不错的反转点但在强趋势行情中如单边牛市或熊市它会产生大量逆势信号导致连续止损回撤巨大。绝对不要把它当作一个“圣杯”信号单独使用。它的价值更多在于作为一个“警示灯”提示当前位置市场可能出现了短期动能衰竭需要结合其他趋势判断指标如均线、MACD或支撑压力位进行过滤。5. 参数优化与实战过滤让指标为你所用原始的九转序列参数lookback_period4是通用的但绝非最优。直接使用默认值相当于用同一把钥匙开所有的锁。5.1 关键参数的影响与优化lookback_period(回溯周期)这是最重要的参数。周期4对应的是短期波动。对于日线图4天是一个常见的短期节奏但对于1小时图4小时可能太短噪音过多。对于波动性较低的品种如国债可能需要延长周期如6或8来过滤无效波动对于波动剧烈的品种如比特币可能需要缩短周期如3以更灵敏地捕捉反转。优化方法可以在历史数据上遍历一组参数如2到10选择使夏普比率最高或最大回撤最小的值。use_high_low(使用高低价比较)这个变体通常会使信号变得更频繁。在趋势明确但伴有大量长影线的市场里说明多空争夺激烈使用高低价比较可能比收盘价比较更能提前捕捉到衰竭迹象。你需要回测对比两种模式在你目标品种上的表现。strict_reset(严格重置)我强烈建议在趋势性市场开启这个选项。它可以有效避免在单边行情中序列被反复触发但又迅速失效的情况减少“假信号”。在震荡市中关闭它可能让序列更容易形成。5.2 必须结合的过滤条件单独一个九转序列信号非常脆弱。以下是我在实践中必须叠加的过滤条件这能极大提升信号质量趋势过滤器这是最重要的过滤。只有当信号与主要趋势方向一致时才考虑交易。例如只有当价格在200日简单移动平均线SMA之上时才接受“下跌九转”产生的买入信号回调做多在200日SMA之下时才接受“上涨九转”产生的卖出信号反弹做空。这避免了在下跌趋势中抄底在上涨趋势中摸顶。波动率过滤器在波动率极低如ATR值处于近期低位的盘整行情中出现的九转信号意义不大因为价格本身缺乏动能。可以设定一个ATR阈值过滤掉这类信号。位置过滤器观察序列完成出现“9”时价格是否处于关键的技术位置。例如下跌九转的“9”是否出现在前期的密集成交区支撑位或斐波那契回调位附近如果是那么这个信号的效力会大大增强。成交量确认理想情况下在序列完成尤其是“9”出现的那根K线成交量应该显著放大表明多空双方在此位置进行了激烈交锋动能确实可能衰竭。如果缩量则需要警惕。一个综合过滤的示例代码片段def generate_filtered_signal(df): df calculate_nine_sequence(df, lookback_period5, strict_resetTrue) # 使用优化后的参数 # 计算趋势过滤器比如20周期均线 df[ma20] df[close].rolling(window20).mean() # 计算波动率过滤器比如14周期ATR df[atr] calculate_atr(df, period14) # 假设有计算ATR的函数 df[filtered_buy_signal] 0 df[filtered_sell_signal] 0 # 生成过滤后的买入信号下跌九转完成 价格在20日均线之上 ATR高于近期均值 buy_condition (df[down_signal] 9) (df[close] df[ma20]) (df[atr] df[atr].rolling(50).mean().shift(1)) df.loc[buy_condition, filtered_buy_signal] 1 # 生成过滤后的卖出信号上涨九转完成 价格在20日均线之下 ATR高于近期均值 sell_condition (df[up_signal] 9) (df[close] df[ma20]) (df[atr] df[atr].rolling(50).mean().shift(1)) df.loc[sell_condition, filtered_sell_signal] -1 return df经过这样层层过滤后的信号其有效性和可操作性会远高于裸信号。记住量化交易的核心不是寻找“必涨”的信号而是构建一个“盈亏比”占优的概率系统。九转序列可以作为这个系统里一个不错的“入场时机提示器”。6. 常见陷阱与我的踩坑实录在实现和使用九转序列的过程中我遇到过不少坑这里分享出来希望能帮你省下不少时间和资金。陷阱一未来函数幻觉这是新手最容易犯的错误。在文华或通达信里当你在K线图上看到标记好的“9”时你会觉得信号非常精准。但请注意序列的计数依赖于当前K线收盘价与之前第4根K线收盘价的比较。这意味着在一根K线没有收盘之前你无法确定它是否满足“设置”条件因此也无法确定当前计数是多少。软件上显示的信号是站在历史视角K线已经走完画上去的。在实盘中在当天收盘前你看到的“可能计数到8”的K线收盘时可能因为价格变动而不满足条件导致计数中断。绝对不要在盘中根据未完成的计数进行交易。陷阱二参数与周期的错配我用同样的默认参数lookback_period4去跑沪深300指数日线和螺纹钢期货15分钟线结果天差地别。日线上偶尔有不错的效果15分钟线上则是噪音的海洋。我花了很长时间才意识到不同时间框架的市场“节奏”不同。后来我建立了一个简单的规则对于任何新接触的品种或周期先用过去3-5年的数据对lookback_period进行网格搜索优化找到适配该品种波动特性的参数。这个步骤不能省。陷阱三忽视严格的止损九转序列是一个“左侧交易”或“逆势摸顶抄底”的指标。即便加上趋势过滤你仍然是在猜测趋势的短期衰竭点。一旦猜错趋势延续亏损可能迅速扩大。每一个基于九转序列的入场都必须伴随一个清晰的、机械化的止损规则。我的常用方法是在做多信号中止损设在出现“9”的那根K线的最低价下方一个ATR单位做空信号则设在最高价上方一个ATR单位。这样既能给价格一定的波动空间又能在判断错误时果断离场。陷阱四在流动性不足的品种或时段使用在成交量稀薄、买卖价差很大的品种上或者是在非主力交易时段如夜盘后半段价格容易因少量资金而产生突兀的跳动。这种跳动极易触发九转序列的设置条件产生大量无效信号。务必确保你交易的品种和时段有足够的流动性。回顾整个过程从对“九转序列”将信将疑到亲手拆解其逻辑、用代码实现、进行回测验证、最后结合实战经验进行优化和过滤我最大的收获不是得到了一个“赚钱神器”而是完整地实践了一次量化指标的研发流程。这个流程——理解原理、编码实现、历史检验、参数优化、风险控制——适用于任何你感兴趣的指标或策略。九转序列的源码本身只是一个工具而真正有价值的是你运用这个工具去理解市场、构建系统的思考过程。希望这份详细的拆解和代码能成为你量化交易探索路上的一块有用的垫脚石。
与reversed()的性能与应用场景)
与reversed()的性能对比与实战应用)
