商品期货“横久必跌”现象的量化实证研究

引言

横盘现象对于每一个交易者来说都具有鲜明的回忆。当我们在横盘阶段前入场，横盘期间我们往往会在焦虑中等待——账户上的小额盈利或亏损不断波动，却始终无法突破。而横盘结束后，市场往往会迎来剧烈的波动，我们的盈利或亏损也随之巨幅上升或下降。这种“横盘前的期待、横盘中的煎熬、横盘后的狂喜或崩溃”构成了交易者记忆中最深刻的片段。

横盘现象是金融市场中的一种常见价格走势状态，就像一场激烈的足球比赛中的中场休息，价格在某个区间内来回波动，既不上涨也不下跌。许多交易者认为，横盘的持续时间越长，突破后的价格波动幅度越大，即“横久必跌”或“横久必涨”。但真的是这样吗？本文从量化的角度出发，通过具体的代码和数据分析，研究这一现象的实际表现及其潜在规律，为交易者提供更理性的认知和参考。

横盘现象：交易者的“困惑时刻”

商品期货横盘现象往往令交易者感到困惑和担忧。横盘期间，价格波动幅度较小，市场缺乏明显的趋势信号，导致交易策略的选择变得困难。交易者可能面临的问题包括：

1. 信号判断困难：横盘状态容易触发虚假信号，导致交易策略频繁止损。
2. 机会成本增加：在横盘期间持仓可能导致资金效率降低，尤其是杠杆交易中。
3. 心理压力加剧：微小的波动让人麻痹大意，错过止损时机，最终在单边行情中遭受重大损失。

这部分的分析为后续探讨横盘成因和应对方法提供了背景。接下来，将结合市场行为，探讨横盘现象的具体原因。

横盘现象的成因：市场的“沉默时刻”

横盘现象的成因与市场中的供需关系密切相关。以下是常见的几种原因：

1. 市场分歧加剧：当买卖双方对市场未来走势的预期接近时，市场进入供需平衡状态，价格波动收窄。
2. 消息面真空：在重要经济数据发布前，市场缺乏驱动因素，投资者往往保持观望。
3. 技术性支撑与阻力：价格可能在关键技术位置附近反复测试，但未能形成突破。

横盘现象本质上反映了市场参与者的不确定性。随后，我们将围绕横盘时间和突破幅度的关系展开进一步讨论。

关于“横久必跌”现象，有两种观点值得探讨：

1. 横久必跌的支持观点：认为横盘时间越长，积累的市场情绪越强，突破后价格波动幅度更大。
2. 横盘突破方向随机的反对观点：认为横盘只是市场中的随机现象，突破方向和幅度并无统计学上的必然性。

这两种观点各有道理，但在实际交易中如何验证？本文通过量化分析尝试解答。

量化分析：用数据说话

本研究基于优宽量化平台的数据，对横盘现象进行了具体量化分析，主要包括以下几个方面：

1. 横盘现象的定义：横盘区间定义为价格波动范围在一定阈值以内，且持续一定时间。
2. 横盘失效的定义：当价格波动超出横盘区间阈值时，视为横盘结束。
3. 横盘后的统计分析：记录横盘后价格的上涨和下跌幅度，分析其分布特征。

以下是关键代码的逻辑说明：

• 定义横盘状态：利用价格波动范围阈值（如±0.1%）判断是否处于横盘状态。
• 统计横盘数据：记录横盘持续时间、期间价格变化范围及持仓量变化。
• 失效后数据分析：记录横盘失效后的20根K线数据，计算价格的最大上涨幅度和下跌幅度。

import pandas as pd

def main():
    # 初始化变量
    records_list = []  # 用于存储横盘阶段的价格数据
    sideways_count = 0  # 横盘阶段连续计数器
    sideways_detected = False  # 横盘阶段是否已被检测到
    followup_data = []  # 存储横盘后的后续K线数据
    dur_change = 0  # 盘整阶段的价格变化范围
    init_int = 0  # 盘整开始时的持仓量
    end_int = 0  # 盘整结束时的持仓量
    change_int = 0  # 盘整阶段的持仓量变化
    dur_even = 0  # 盘整持续时间（单位：K线根数）
    threshold_sideways = 0.001  # 横盘波动范围阈值（±0.1%）
    min_sideways_bars = 20  # 检测横盘的最小K线数
    followup_bars_count = 20  # 横盘结束后的后续K线数量
    symbol = 'rb888'  # 合约标识

    # 创建一个DataFrame来存储横盘统计数据
    df = pd.DataFrame(columns=[
        'dur_change', 'init_int', 'end_int', 'change_int', 'dur_even', 
        'followup_up', 'followup_down'
    ])

    while True:  # 主循环
        # 获取最新的K线数据
        records = exchange.GetRecords(symbol)
        if not records:
            Sleep(1000)  # 若无数据，等待1秒后重试
            continue
        
        # 获取最新K线的收盘价并添加到横盘价格列表
        latest_close = records[-1]['Close']
        records_list.append(latest_close)

        # 获取当前持仓量
        current_int = records[-1]['OpenInterest']

        # 计算当前横盘价格范围
        max_price = max(records_list)  # 横盘价格的最高价
        min_price = min(records_list)  # 横盘价格的最低价
        range_sideways = max(max_price - records_list[0], records_list[0] - min_price)

        # 判断是否处于横盘阶段
        if range_sideways / records_list[0] <= threshold_sideways and not sideways_detected:
            # 横盘阶段持续中
            sideways_count += 1

            # 当达到最小横盘K线数时，确认检测到横盘阶段
            if sideways_count == min_sideways_bars:
                Log("检测到横盘，当前横盘阶段包含 {} 根K线".format(len(records_list)))
                sideways_detected = True  # 标记为检测到横盘
                # 记录横盘开始时的持仓量和时间
                init_int = records[-min_sideways_bars]['OpenInterest']
                start_time = _D(records[-min_sideways_bars]['Time'])

        elif sideways_detected and range_sideways / records_list[0] > threshold_sideways:
            # 横盘结束时处理逻辑
            Log("横盘结束，包含 {} 根K线".format(len(records_list)))
            Log("横盘价格范围：最高 {:.2f}, 最低 {:.2f}, 范围 {:.2f}".format(max_price, min_price, range_sideways))

            # 记录横盘结束时的持仓量和相关统计
            end_int = current_int
            change_int = end_int - init_int  # 持仓量变化
            dur_even = sideways_count  # 横盘持续时间（K线根数）
            dur_change = range_sideways  # 横盘价格变化范围

            # 开始收集横盘结束后的后续K线数据
            followup_data = []
            while len(followup_data) < followup_bars_count:
                Sleep(1000 * 60)  # 等待1分钟
                new_records = exchange.GetRecords(symbol)
                if not new_records:
                    continue
                
                # 收集后续K线的收盘价
                new_close = new_records[-1]['Close']
                followup_data.append(new_close)

            # 统计后续K线的价格范围
            followup_high = max(followup_data)
            followup_low = min(followup_data)
            followup_up = (followup_high - followup_data[0]) / followup_data[0]  # 上涨幅度
            followup_down = (followup_low - followup_data[0]) / followup_data[0]  # 下跌幅度

            # 输出后续K线范围日志
            Log("后续20根K线变化范围：上涨幅度 {:.2%}, 下跌幅度 {:.2%}".format(followup_up, followup_down))

            # 将横盘数据记录到DataFrame
            new_row = pd.DataFrame([{
                'start_time': start_time,
                'dur_change': dur_change,
                'init_int': init_int,
                'end_int': end_int,
                'change_int': change_int,
                'dur_even': dur_even,
                'followup_up': followup_up,
                'followup_down': followup_down
            }])
            df = pd.concat([df, new_row], ignore_index=True)

            # 保存统计数据到CSV文件
            df.to_csv('rb_sideways_analysis.csv', index=False)

            # 重置所有变量以检测下一个横盘阶段
            records_list = []
            sideways_count = 0
            sideways_detected = False
            followup_data = []

        elif range_sideways / records_list[0] > threshold_sideways and not sideways_detected:
            # 若波动范围超过阈值且尚未进入横盘阶段，重置状态
            sideways_count = 0
            records_list = []

        elif sideways_detected and range_sideways / records_list[0] <= threshold_sideways:
            # 横盘阶段仍在持续，增加计数
            sideways_count += 1

        # 等待下一根K线
        Sleep(1000 * 60)  # 假设K线周期为1分钟

数据分析：横盘的“真相”

为了研究横盘现象的具体表现，我们在螺纹钢主力合约（2020-2025年）数据上运行上述代码，并在Jupyter Notebook中进行数据分析。根据数据收集结果，我们共收集到1644条数据，按照每年250个交易日，每个交易日中出现横盘的平均次数为1.31次，证明横盘现象是普遍存在的。

1. 横盘平均持续时间的分布： 通过统计发现，横盘的平均持续时间为28分钟，分布呈现偏态特征，说明大部分横盘状态较短，但存在少量长时间横盘的极端情况。

1. 横盘后价格变化的分布对比： 对横盘后上涨幅度和下跌幅度进行分布分析发现，上涨幅度均值为0.138%，下跌幅度均值为0.148%，二者并不呈现正态分布，因此采用非参数检验。结果显示，两者之间并无显著统计学差异。

import scipy.stats as stats

# 使用Mann-Whitney U检验来比较两列的分布
u_stat, p_value = stats.mannwhitneyu(data['followup_up'], data['followup_down'], alternative='two-sided')

# 打印结果
if p_value < 0.05:
    print(f"p值: {p_value:.5f}，拒绝零假设，意味着两列数据的分布有显著差异")
else:
    print(f"p值: {p_value:.5f}，无法拒绝零假设，意味着两列数据的分布没有显著差异")

结果显示p值为0.54575，无法拒绝零假设，意味着两列数据（横盘后的上涨幅度和下跌幅度）的分布没有显著差异。因此，在一定程度上来说，“横盘必跌”和“横盘必涨”的说法并不成立。横盘后的价格突破方向（上涨或下跌）并没有显著的统计学规律，突破方向更可能是随机的。

结论：横盘，市场的“随机漫步”

横盘现象就像市场的“随机漫步”，虽然看起来平淡无奇，但背后却隐藏着无数的可能性。这种市场状态既可能是趋势行情的“中场休息”，也可能是新一轮波动的蓄势阶段。然而，横盘期间的不确定性和潜在风险往往让交易者感到困惑和焦虑。因此，面对横盘，交易者需要更加注重风险管理和策略的灵活性，而非依赖主观预测或盲目猜测突破方向。

在横盘期间，市场波动性较低，价格在某一区间内反复震荡，缺乏明确趋势。这种表面上的平静并不意味着风险消失，反而可能因突破后的剧烈波动而放大潜在风险。例如，横盘结束后，价格可能迅速向某个方向突破，导致未做好准备的交易者蒙受重大损失。因此，交易者需要建立完善的风险管理体系，包括设置合理的止损和止盈点位，控制仓位和杠杆，以及通过分散投资降低单一品种或策略的风险敞口。这些措施可以帮助交易者在横盘期间保护资金安全，避免因市场突然转向而陷入被动。

与此同时，交易者还应保持策略的灵活性，根据市场变化及时调整交易方法。例如，在横盘区间明确时，可以采用区间交易策略，低买高卖，利用价格在支撑位和阻力位之间的波动获利；在横盘结束后，可以转向突破跟踪策略，捕捉趋势行情；在价格偏离均值时，可以尝试均值回归策略，等待价格回归合理区间；而在重要经济数据或政策发布前后，则可以关注事件驱动策略，利用消息面带来的波动寻找机会。通过灵活运用多种策略，并结合严格的风险管理，交易者可以更好地应对横盘行情的不确定性，降低潜在损失，并在市场突破时抓住机会。

总之，横盘虽然是市场的“沉默时刻”，但也是交易者优化策略、提升风险管理能力的宝贵时机。希望本文的分析能为交易者提供一些新的思路和启发，帮助大家在市场的“中场休息”中找到属于自己的机会，并在横盘结束后从容应对市场的风云变幻。

需要注意的是，本研究基于螺纹钢数据进行分析，结果不一定适用于其他品种和时间段。交易者可以基于本文提供的框架，在优宽量化平台上针对其他品种进行分析。通过构建自己的量化研究体系，交易者可以获得更具针对性和实用价值的结论。

横盘现象的拓展：从数据到策略

基于以上分析，可以进一步探讨横盘现象在量化策略中的应用。例如：

• 因子构建：利用横盘期间的价格变化范围、持续时间和持仓量变化构建回归模型，探索其对横盘后价格涨跌幅度的预测能力。
• 因子有效性验证：虽然因变量并非正态分布，但可使用非参数模型或数据转换方法，进一步挖掘因子的潜在意义。