2023年技术指标研究：重新认识技术指标

一、技术指标介绍

技术指标是投资者在分析市场和资产时，所使用的可以反应当前资产状态的指标资料， 通常是通过价格、成交量或其他公开资料计算而来。它能够用简化市场的资讯，包含情 绪、过去短期走势、平均成本等等讯息，并可反映在数值或图像上，让投资者对市场和 资产做出更全面的判断。技术指标可用于任何具有历史交易数据的投资标的，因此股票、 期货、大宗商品、货币等金融产品，都能够使用。技术指标也不一定只能用在短期投资 上，喜欢长期投资的投资人也可以使用技术分析指标来选择入场、出场的时机点。

技术指标使用的一个前提假设是当前所有信息已经反映在资产价格上，且历史的模式有 可能一再重复，因此透过分析价格(及成交量)的变动，可以衡量市场当下的一些情绪或趋 势，并从中找到一再重复的模式。当然，既然技术指标的有效是一种统计上的结果，就 不是说它未来每次都会有效，仅是对市场做出解释、一种机率与期望值的概念。 在本专题中，我们详细介绍了常见的 22 种技术指标，并对技术指标当中的参数进行了详 细的研究。本报告中，仅提供了部分参数，更多策略参数请联系华创金工。

我们将不同技术指标分类三大类：分别为均线类，动量类和反转类。均线类技术指标是 对股价做出平滑，过滤出噪声，从而判断股价运行的趋势。动量类指标主要是利用了“羊 群效应”，对股价运行的强度做出判断。反转类指标主要利用了交易时的恐慌效应，判 断股价是否超过正常的运行区间。

为了避免在参数搜索过程中给出过拟合的结果，我们对结果进行了多种检验。检验内容 包括：买卖点有效性，策略多空收益有效性，样本内外有效性，数据窥探检验。 买卖点有效性主要目的是检测策略提示买卖点后股价的变化情况是否与信号相同，我们 考虑了 1、2、5、10、20 天等时间间隔的股价平均变化率，股价变化波动率，胜率等统 计信息。 策略多空收益有效性目的是策略提示持有空头头寸期间其资产收益是否显著小于 0，持 有多头期间资产收益率是否显著大于 0，整个策略的多空超额收益是否明显大于 0。 样本内外有效性主要考虑样本内策略的收益情况与样本外策略的收益情况是否存在显著 偏差。 数据窥探偏差主要考虑策略是否来源于过度挖掘，这里我们采用了 StepM 检验。

（一）均线类

均线类指标包括简单均线，加权移动平均线等。均线类指标交易信号的触发通常是当股 价超过均线时买入，跌破均线时卖出。均线会因为设置的参数不同，对于股价的反应快 慢不同，例如 20 日均线相对于 5 日均线更加平滑。不同均线对于股价变化也有区别，例 如简单均线和加权移动均线对于股价的平滑效果不同。

均线策略的另一个影响因素是持有的期限，一种简单的方式是超过均线时做多，跌破均 线时做空，另一种是超过均线时做多持有一定期限，跌破均线时做空持有一定期限。更 加复杂的策略则对超过均线或低于均线的价格幅度设置阈值定义有效突破，或者考虑超 过均线多少天，跌破均线多少天再进场。 下面会介绍我们所使用的技术指标。这里，具体控制参数的含义和参数的值请联系华创 金工。我们以上证指数作为测试样本，回测时间 2010 年至今，不考虑交易成本，可以进 行多空操作。

（1） 简单均线 Moving Average （MA），控制参数（N，D） 移动平均线，即某一段时间的收盘价的均值。突破时做多并持有一定期限，跌破时做空 并持有一定期限。 ?? = ?1 + ?2 + ⋯ ?? N。自 2010 年，在上证指数上的回测，可以获得 5%的年化回报，年化波动 16.9%，夏普比 例 0.29。 （2） 指数平均数 Exponential Moving Average （EMA），控制参数（N，D） 相对于简单平均，指数平均给当日股价增加了更高的权重。 ??? = ?? × ? + ???(?) × (1 − ?) k = 2/(N+1)，y 表示昨日参数值。

自 2010 年，在上证指数上的回测，可以获得 6%的年化回报，年化波动 15.9%，夏普比 例 0.44。（3） 双移动平均线 Double Exponential Moving Average ，控制参数（N，D） DEMA 反应了股价的运动趋势，DEMA 相对于 EMA 反应更加迅速。 ???? = 2 × ???? − ???(????)。

自 2010 年，在上证指数上的回测，可以获得 6%的年化回报，年化波动 17.5%，夏普比 例 0.41。 （4） 考夫曼的自适应移动平均线，Kaufman Adaptive Moving Average，控制参数（N， D） 考夫曼自适应移动平均线（简称 KAMA）是考虑了近期股价的变动，对于均线参数进行 修正。KAMA 指标旨在过滤掉“市场噪音”，传统移动平均线的主要弱点是，当用于交 易信号时，它们往往会产生许多错误信号。KAMA 指标试图通过不响应短期、微不足道 的价格变动来减少这种趋势——产生更少的错误信号。 ER = change/volatility Change = Abs(close- close[t-N]) Volatility = Sum(abs(close-prior close)) SC = [ER * (2/(2+1) - 2/(30+1)) + 2/(30+1)]2 Current KAMA = Prior KAMA + SC * (Price - Prior KAMA)。

自 2010 年，在上证指数上的回测，可以获得 6%的年化回报，年化波动 17.5%，夏普比 例 0.41。 （5） 三重指数平均线 Triple Exponential Moving Average 控制参数（N，D） TEMA = 3 ∗ ???1 − 3 ∗ ???2 + ???3 ???2 = ???(???1 ) ???3 = ???(???2 ) TEMA 使用多个 EMA 计算并减去滞后以创建一个趋势跟踪指标，该指标对价格变化做 出快速反应。TEMA 可以帮助识别趋势方向，发出潜在的短期趋势变化或回调信号，并 提供支撑或阻力。价格高于 TEMA 时，它有助于确认上升趋势；当价格低于 TEMA 时， 它有助于确认下降趋势。

自 2010 年，在上证指数上的回测，可以获得 4.8%的年化回报，年化波动 18%，夏普比 例 0.34。 （6） 加权移动平均 Weighted Moving Average 控制参数（N，D） ??? = ?1 × ? + ?2 × (? − 1) + ⋯ ?? (? × (? + 1)) WMA 为最近的数据点分配较大的权重，而为遥远过去的数据分配较少的权重。

自 2010 年，在上证指数上的回测，可以获得 5.8%的年化回报，年化波动 18.1%，夏普比 例 0.4。 （7） 希尔伯特瞬时变换 Hilbert Transform Instantaneous Trendline 控制参数（N） 主要通过不同频率变换过滤噪声达到平滑效果。自 2010 年，在上证指数上的回测，可以获得 8.3%的年化回报，年化波动 19.4%，夏普比 例 0.51。

（二）动量类

动量类技术指标主要是研究股价在变化过程的加速，减速，惯性作用，包括股价由静到 动或者由动到静的过程。不同动量类技术指标涉及原理不同，其参数也各不相同。 动量效应来源于“羊群效应”，指的是动物在迁移，觅食过程中的一种现象，在人类社 会中，羊群效应指在群体内，不需要中心化协调和学习，个体之间的行为表现出高度的 一致性。从另一个方面来说，判断股票的趋势对于投资来说至关重要，动量类策略提供 了一个判断趋势的角度。该类策略会提供卖点、买点、无信号点，我们会在触发买卖点 的第二天进场，持有一定天数。

（8）平均趋向指数 Average Directional Movement Index，控制参数（N，adv） ADX 无法单独判断方向，只能衡量趋势的强度。因此 ADX 通常与 Directional Movement 结合。在我们的策略中，进场的时刻为 ADXR 大于阈值，同时正向 DM 指数大于负向 DM 指数的日期做多。出场的时刻为 ADXR 大于阈值，同时负向 DM 指数大于正向 DM 指数的日期做多。如果不满足以上条件，空仓。

自 2010 年，在上证指数上的回测，可以获得 5.5%的年化回报，年化波动 13.5%，夏普比 例 0.46。 （9） 绝对价格震荡 Absolute Price Oscillator ，控制参数（F，S） APO = SMA(F)-SMA(S) APO 大于 0 为牛市，APO 小于 0 为熊市。在我们的策略中入场时间点为 APO 变号的时 间，如果 APO 提示做多，则做多并持有 10 天，如果 APO 提示做空，则做空并持有 10 天，在持有期限内，如果有新的信号出现，以新的信号作为出场入场时间点。

自 2010 年，在上证指数上的回测，可以获得 5.5%的年化回报，年化波动 13.5%，夏普比 例 0.46。 （9） 绝对价格震荡 Absolute Price Oscillator ，控制参数（F，S） APO = SMA(F)-SMA(S) APO 大于 0 为牛市，APO 小于 0 为熊市。在我们的策略中入场时间点为 APO 变号的时 间，如果 APO 提示做多，则做多并持有 10 天，如果 APO 提示做空，则做空并持有 10 天，在持有期限内，如果有新的信号出现，以新的信号作为出场入场时间点。

自 2010 年，在上证指数上的回测，可以获得 5.5 %的年化回报，年化波动 15.7%，夏普 比例 0.41。 （11） 均势指标 Balance Of Power BOP，控制参数（N） BOP = MA((close – open)/(high-low)，N) 力量平衡（BOP）是衡量买卖压力强度的振荡器。该指标由 Igor Levshin 在 2001 年 8 月 发行的《股票与商品技术分析》杂志中介绍，将买方将价格推向更高极端的力量与卖方 将价格推向较低极端的能力进行了比较。当指标处于正区域时，多头主导；当指标为负 时，空头占主导地位。零线附近表示两者之间的平衡，意味着趋势反转。当 BOP 大于 0 时发出做空信号，当 BOP 小于 0 时发出做多信号。发出多空信号后持仓 10 天。

自 2010 年，在上证指数上的回测，可以获得 8.4 %的年化回报，年化波动 21%，夏普比 例 0.48。 （12） 平滑异同移动平均线 Moving Average Convergence/Divergence MACD 控制参数 （F，S，M） 当 MACD 线穿过信号线上方或跌破信号线时，MACD 会触发技术信号。MACD 可以 帮助衡量证券是超买还是超卖，提醒交易者方向性走势的强度，并警告潜在的价格反转。 我们的策略主要关注 MACD 是否超过或者跌破 0，作为买卖点。 DIF = EMA(F) – EMA(S) DEA = EMA(DIF, M) MACD = 2*(DIF-DEA)。

自 2010 年，在上证指数上的回测，可以获得 7.5 %的年化回报，年化波动 17.8%，夏普 比例 0.49。 （13） 百分比价格震荡 Percentage Price Oscillator（PPO），控制参数（f，s） 当 PPO 高于零时，表明上升趋势，因为短期 EMA 高于长期 EMA。当 PPO 低于零时， 短期平均值低于长期平均值，表明下降趋势。 PPO =( EMA(f) – EMA(s))/EMA(s)。自 2010 年，在上证指数上的回测，可以获得 8%的年化回报，年化波动 14.1%，夏普比 例 0.61。

（14） 动量指标 Momentum MOM 控制参数（N） 动量衡量股票价格上涨或下跌的速度。 MOM = p - ?? MOM 大于 0 做多，MOM 小于 0 多空。自 2010 年，在上证指数上的回测，可以获得 9.7%的年化回报，年化波动 15.2%，夏普比 例 0.68。

（三）反转指标

从因子角度，1990 年，Jegadeesh 和 Lehmann 研究了美国股票市场后发现，反转效应不 仅存在于长期，在期限小于一个月的投资组合中也能发现，即短期反转效应。 行为金融学认为反转效应是投资者的心理和行为带来的影响。投资者的投资行为中存在 很多心理学和行为学上的偏差。比如，过度自信（投资者高估自己的能力）、处置效应 （倾向于卖出自己盈利的股票和持有亏损的股票）、拇指法则（凭借直觉或者经验做出 决定）。 利用技术指标寻找短期内的反转信号正是建立在这一基础上。

（15） 顺势指标 Commodity Channel Index CCI，控制参数（N，high，low） CCI 指标测量股价是否超出正常范围。 ??? = ??????? ????? − ?? 0.015 × ???? ????????? ??????? ????? = ∑ ???? + ??? + ????? ????? ????????? = ∑|??????? ????? − ??|/? ? ? 当 CCI 超过阈值提示做空，当 CCI 小于阈值提示做多。出场时间为提示做空信号结束的 第二天，入场时间为提示做多结束的第二天。

自 2010 年，在上证指数上的回测，可以获得 5.7%的年化回报，年化波动 18.2%，夏普比 例 0.39。 （16） 钱德动量摆动指标 Chande Momentum Oscillator ，控制参数（N，high，low） Chande 动量振荡器是 Tushar Chande 在他 1994 年出版的《新技术交易者》一书中引入的 技术动量指标。该公式计算近期收益之和与近期损失之和之间的差额，然后将结果除以 同期所有价格变动的总和。 CMO = 100 ∗ （ su − sd）/（su + sd） su = 近期最高价之和 sd = 近期最低价之和 当 CMO 突破高点阈值时，提示做空，当 CMO 跌破低点阈值时，提示做多。

自 2010 年，在上证指数上的回测，可以获得 2.7%的年化回报，年化波动 12.0%，夏普比 例 0.27。 （17） 资金流向指标，Money Flow Index MFI 控制参数（N，H，L） 资金流量指数（MFI）是一种技术振荡器，它使用价格和交易量数据来识别资产中的超 买或超卖信号。它还可用于发现警告价格趋势变化的背离。振荡器在 0 和 100 之间移 动。 typical price = (High + Low + Close)/3 positive raw money flow = positive typical price * volume negative raw money flow = negative typical price * volume money flow ratio = (positive raw money flow（14）)/(negative raw money flow （14）) money flow index = 100 - 100/(1 + money flow ratio) 当 MFI 超过阈值时做空，当 MFI 低于阈值时做多。

自 2010 年，在上证指数上的回测，可以获得 9.4%的年化回报，年化波动 18.3%，夏普比 例 0.58。 （18） 相对强弱指标 Relative Strength Index RSI 控制参数（N，H，L） 相对强弱指数（RSI）是技术分析中使用的动量指标。RSI 衡量证券近期价格变化的速度 和幅度，以评估该证券价格的高估或低估条件。RSI 范围为 0 到 100。该指标由 J. Welles Wilder Jr. 开发，并在其 1978 年的开创性著作《技术交易系统的新概念》中介绍。RSI 可以做的不仅仅是指向超买和超卖的证券。它还可以指示可能为趋势逆转或价格修正性 回调做好准备的证券。它可以发出何时买入和卖出的信号。传统上，RSI 超过 70 或更 高表示超买情况，低于 30 或更低表示超卖情况。 RSI = 100-100/(1+RS) RS 为 n 日涨幅合计/n 日跌幅合计 当 RSI 超多 H 做空，RSI 跌破 L 做多。

自 2010 年，在上证指数上的回测，可以获得 2.7%的年化回报，年化波动 12.0%，夏普比 例 0.28。 （19） 随机指标 Stochastic 控制参数（F，S, H，L） Stochastic Oscillator 指标又名 KDJ 指标，是由 George Lane 首创的，最早用于期货市场。 Stochastic Oscillator 指标在图表上采用％K 和％D 两条线，在设计中综合了动量观念、强 弱指标与移动平均线的优点，在计算过程中主要研究高低价位与收市价的关系，反映价 格走势的强弱和超买超卖现象。 ? = 100 ∗ ? − ?? ?? − ?? ? = 100 ?? ?f、

自 2010 年，在上证指数上的回测，可以获得 4.4%的年化回报，年化波动 12.3%，夏普比 例 0.41。 （20） 终极波动指标 Ultimate Oscillator 控制参数（p1，p2，p3） 终极振荡器是一个范围限制指标，其值在 0 到 100 之间波动。与相对强弱指数 （RSI） 类似，低于 30 的水平被视为超卖，高于 70 的水平被视为超买。 ?? = ?7 ∗ 4 + ?14 ∗ 2 + ?28 4 + 2 + 1 A : Average BP = close – Min(low ，PC) PC = prior close TR = max(high ，PC)-min(low，PC) ?7 = ∑ ?? ? ? ∑ ?? ? ? ??? = ∑ ?? ?? ? ∑ ?? ?? ? ??? = ∑ ?? ?? ? ∑ ?R。

自 2010 年，在上证指数上的回测，可以获得 11.9%的年化回报，年化波动 25.2%，夏普 比例 0.57。 （21） 威廉指标 Williams R 控制参数（F，S, H，L） WR 指标的数值范围为 0—100。不同的是 WR 指标是以 0 为顶部，以 100 为底部。当WR 在 20-0 区间时，是 WR 指标的超买区（卖出），表明市场处于超买状态，股票已经 进入顶部，可考虑卖出（WR=20 这一横线，一般视为卖出线）。当 WR 在 80—100 区间 时，是 WR 指标的超卖区（买入），表明市场处于超卖状态，股票已接近底部，可考虑 买入（WR=80 这一横线，一般视为买入线）。

自 2010 年，在上证指数上的回测，可以获得 1.6%的年化回报，年化波动 13.2%，夏普比 例 0.18。 （22） 布林带 BBANDS，控制参数（F，S，H，L） 布林带（Bollinger Bands）是一种常用的技术分析工具，由约翰·布林格（John Bollinger） 于 1980 年提出。它通过价格的标准差来衡量价格波动的程度，并提供价格的上下限范围。 中轨（中线）：中轨是以移动平均线为基础计算得出的，通常采用简单移动平均线（SMA）。 常用的周期长度为 20 天。中轨代表了一段时间内的平均价格，用于显示价格的趋势。上 轨（上限线）：上轨是在中轨的基础上计算得出的，其值等于中轨加上价格的标准差乘 以一个系数。常用的系数为 2。上轨可以用来表示价格的高位区域。下轨等于中轨减去 价格的标准差乘以一个系数。常用的系数为 2。下轨可以用来表示价格的低位区域。当 价格触及或突破布林带的上轨时，可能意味着市场处于超买状态，建议谨慎入场或平仓。 当价格触及或突破布林带的下轨时，可能意味着市场处于超卖状态，建议谨慎卖出或入 场。

自 2010 年，在上证指数上的回测，可以获得 3.8%的年化回报，年化波动 14.8%，夏普比 例 0.32。 需要注意的是，以上都是通过上证指数上的参数优化得到的策略净值，但实际应用技术 指标过程中，由于不同资产存在特异性，我们对每一个资产都进行了技术指标测试与参 数寻优，实际应用计算量更大，系统也更为复杂，为了方便投资人使用，我们建立了技 术指标投研系统。

二、有效性检验

（一）买卖点有效性

技术指标内策略通常会发出买卖信号，然而对于很多策略，其是以胜率换取较高的盈亏 比，这使得该类策略的择时准确率变差。 在系统中，我们统计了每个策略在历史 2010 年至今发出多空信号后，次日，第三，五， 十，二十，六十日的股价变化情况，胜率，次数等信息。

（二）策略多空有效性

对于一个择时策略，我们可以将策略分为三个部分进行假设检验。 多头信号期间的收益需要大于 0： ??:? < ? 空头信号期间的收益需要小于 0： ??:? > ? 择时收益需要大于 0： 理论上对于任意一个择时策略，可以将策略的收益拆解成两个部分：??,? = ??,? ????????? + ??,? ??? 其中??,?为策略 j 在 i 日的绝对收益，第一部分是选股收益??,? ?????????，另一个分布是??,? ???。 这样做的目的是，对于一个一直涨的股票，不做择时也能有较好的正收益，对于一个一 直跌的股票，最好的择时就是空仓，这种情况下，并不能严格反应策略的择时收益。其 中??,? ?????????是计算方法是??,? ????????? = ( ? ? ∑ ?? ?−? ? ? )??,?，?? ?是信号，在我们策略中为（-1，0， 1）。 检验??,? ???： ??:? < ? 另一个较为简单检验方法是直接检验日均超额是否显著大于 0，即??,? ∗ = ??,? − ??,?。 其中，??,?为标的收益，??,?为策略收益，??,? ∗ 为超额收益。 检验 ??:? < ? 一个优秀的择时策略，应当同时满足以上假设检验。

（三）样本内外有效性

量化策略容易出现过拟合，因此可以取策略一段期间样本外的数据进行样本外检验。比 较样本内外策略的收益是否有显著差异。但由于很多择时的择时信号发出次数较少，我 们仅对部分策略进行了该类有效性检验测试。以上证指数为例： 样本内 2010 年 1 月 1 日至今：年化 10.22%，年化波动 19.39%，夏普 0.59。样本外 2000 年 1 月 1 日-2010 年 1 月 1 日：年化 11.68%，年化波动 25.31%，夏普 0.56。如果 ??? ?????? − ???? ?????? 的差异与 ??????之比在一定范围，则认为策略在样本内外没 有差异，??????的计算可以用√????????? ∗ ??????????，我们取阈值比例为 0.1。

三、数据窥探检验

数据窥探是指在数据中发现统计上显著但是实际上并不存在的关系。本质上，只要算力 足够，可以不考虑经济上的合理性从而直接寻找金融变量上的统计关系。在回测时，总 是可以通过调整或者增加参数使得某一策略在历史测试数据集表现得很好。 在之前内容中，我们已经说明了策略背后的逻辑是行为金融学中交易者的心理共性。本 节，我们将介绍我们系统中采用的数据窥探检验。数据窥探检验的核心是通过正交消除策略与收益率的关联，再通过 Bootstrap 进行重采样获得依靠运气造成的统计量分布。由 此统计分布，判断原始策略是真实有效，还是仅仅依靠运气。 Bootstrap 的方式有很多例如 stationary bootstrap，block bootstrap 等

。本研究中，我们不 考虑收益的时序相关性，采用 stationary bootstrap。 数据窥探检验的方法有 Reality Check (RC) 检验，但是 RC 检验非常严格，后续有更宽松 的 Superior Predictive Ability (SPA) 检验和 StepM 检验等，其都是放松了对于检验量 T 的 要求。 Reality Check 检验由 White 在 2000 提出，原假设是基准收益不比任何一个策略收益差。 即： ??:? ≤ ? 这里? = E(??)，是一个 m× 1的向量，同时?? = (??,? , ⋯ ??,?)，是一个 m× 1的向量，??,? 是衡量表现的指标，可以是收益，也可以是其他参数。绝对原假设要求，至少有一个策 略打败了基准收益。White 设计了检验： ?? = max(? 1 2?̅ 1, ⋯ , ? 1 2?̅?) d̅m是策略 m 在 n 个观测上的均值。通常，学术界使用的??是策略超过买入并一直持有的 收益（buy and hold return）。

为了计算原假设的 p 值，White 使用了 Politis and Romano 使用的 stationary bootstrap 方法 产生的??经验分布。 ?? ∗ (?) = max(? 1 2(?̅ 1 (?) − ?̅ 1), ⋯ , ? 1 2(?̅?(?) − ?̅?)) b = 1，⋯，?。将??与??经验分布?? ∗比较可以得拒绝原假设的置信度。 其原理是，?? ∗ (?)得到的分布是B次 stationary bootstrap 的分布，?? ∗ (?)选取了每次 stationary bootstrap 的最优??,?，也就是靠运气获得的策略组合的最佳收益。

如果在这种最优情况产 生的分布下，原始策略的表现依然在一定水平之上，我们就可以说，在一定的置信度下 策略是并不是靠运气取胜的。 与 White 提出得 RC test，不同的是，Hansen 在 2005 年提出的 Superior Predictive Ability （SPA） test。SPA 与 RC test 不同的是，SPA test 使用了 t 值作为检验量。在我们的策略 检验中，我们的衡量策略的指标是策略的收益 t 检验是否显著（SPA test）： ?? = ?̅? ? − ?̅0 ? ?? ? 以 601696.SH 为例，取 1000 次 stationary bootstrap，原始策略组共计 834 个策略通过买卖 点有效性检验，多空有效性检验。经过 SPA test 以后剩下 33 个有效策略，其置信度超过 90%。

由于 Reality Check 过于严格，我们补充了 StepM 检验，在 StepM 检验下，共有 61 策略 通过检验。 我们将常见的 22 种技术指标和当中的参数取值与优化进行了详细的研究。对每个个股， 我们测试了 1121 个技术指标参数，通过多种假设检验最终选取数十个有效策略。并放入 系统中供投资者使用。

四、总结

我们详细介绍了常见的 22 种技术指标，并对技术指标当中的参数优选进行了详细的研究。 我们将不同技术指标分类三大类：分别为均线类，动量类和反转类。均线类技术指标是 对股价做出平滑，过滤出噪声，从而判断股价运行的趋势。动量类指标主要是利用了“羊 群效应”，对股价运行的强度做出判断。反转类指标主要利用了交易时的恐慌效应，判 断股价是否超过正常的运行区间。 我们详细讨论了技术指标的有效性检验与数据窥探检验的实现，提出一个优秀指数指标 需要满足买卖点有效性、策略多空有效性与样本内外有效性。 将本篇报告中所使用的技术指标应用与个股，是需要极大的算力与时间的，并涉及到个 股上多个技术指标的合成，具体结果和合成方案请参考华创金工技术指标投研平台 (https://mark.hcquant.com)。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）