Cycles Analysis

NOTE

本文为公开交易策略的技战术复盘，聚焦方法逻辑、交易场景与风险边界。

策略解读

“周期”这个词，在金融市场里既令人着迷，又让人迷惑。有人把周期当作万能钥匙，试图用历史韵律精准捕捉每一次顶底；也有人认为周期只是事后诸葛亮的叙事游戏。这篇公开脚本的作者GapLogic显然属于前者——他坚定地相信周期存在，并试图通过可视化的方式，让交易者能够直观看到牛熊的交替，同时基于此前数据给出具有一定前瞻性的判断。

与传统“死板”的牛熊定义不同，作者特别强调了一个关键问题：不同资产的波动率天差地别。标普500这种成熟市场的指数，20%的跌幅就足以让主流媒体高呼“熊市来了”；但对于比特币这种高波动的数字资产，35%的回撤可能只是市场在周末的一个“喘息”。因此，如果采用一套固定的阈值来定义所有市场的牛熊，必然会产生大量误判。作者据此提出：如何界定一轮周期的转折，应当由使用者自己决定，并且给出了两种可选的判断方式。第一种是传统的百分比涨跌阈值，第二种虽然在原文中被截断，但结合常见做法，可以理解为“基于自定义规则或技术指标”的动态判定，例如移动平均线交叉、趋势线突破、波动率状态切换，或是用户自己回测得出的条件。

这种设计思路非常务实：它把一个宏观的、模糊的“周期”概念，转化成了一个交易者可以自主控制参数的识别工具。你不必被“20%”或“35%”这些数字绑架，而是可以根据自己交易资产的波动特征，选择或构造最合适的“牛熊开关”。

更重要的是，该策略的思路并不是简单地把市场分成“涨”和“跌”两段，而是强调“预测”二字。通过观察历史周期反复出现的形态、持续时间、幅度等统计特征，策略试图在当下时刻给出“当前处于周期的什么位置”“接下来可能发生什么”的参考信息。这其实是一种典型的统计套利/均值回归世界观：如果市场价格围绕某一长期均值波动，那么偏离均值越远，回归的力量就越强；而识别牛熊周期，本质上就是识别“偏离”和“回归”的过程。

名词解释

均值回归（Mean Reversion）：一种金融理论，认为资产价格在极端偏离其长期平均或内在价值后，大概率会向均值回归。例如，价格短期内暴涨超过均值太多，就可能出现回调；暴跌太多，则可能出现反弹。该策略被标注为“均值回归”，意味着它相信牛熊交替本质上就是价格围绕价值中枢上下摆动的结果。
牛市/熊市（Bull/Bear Market）：牛市指价格整体上升、市场情绪乐观、买入力量占优的行情阶段；熊市指价格整体下跌、市场情绪悲观、卖出力量占优的阶段。严谨定义因市场而异，通常以累计涨跌幅、持续时间或技术形态来划分。
回撤（Drawdown）：从某个高点回落到局部低点的幅度，通常用百分比表示。例如从100元跌到80元，回撤就是20%。回撤是衡量风险的重要指标，也是定义牛熊转向的关键参数。
阈值（Threshold）：判断某个事件是否发生的临界值。在上述策略中，阈值就是“被认定为熊市的最低跌幅”。阈值设定越严格，对噪音的过滤越强，但也会导致信号滞后。
序列相关性（Serial Correlation）：指同一时间序列在不同时刻取值之间的相关性。如果资产收益率具有正序列相关性，则过去上涨预示未来更可能上涨；负序列相关性则相反。周期策略隐含了负序列相关性假设——超涨后会超跌，超跌后会反弹。
滚动窗口（Rolling Window）：一种统计计算方法，在时间轴上不断移动的固定长度区间内计算指标。比如计算过去100个交易日的涨幅，然后每天更新窗口，就能得到一条动态的周期状态曲线。

策略思路讲解

这个策略的核心可以拆解为三步：定义周期、识别状态、生成预测。

第一步：定义周期。

作者明确表示，没有普适的牛熊定义。因此，策略要求使用者自行输入“转折判定条件”。最常见的是百分比阈值：例如，从最近的一个局部高点下跌超过30%，就判定进入熊市；从最近一个局部低点上涨超过30%，则判定进入牛市。但这个“30%”完全取决于标的的历史波动率。对于波动率较低的股票指数，可能15%就足够；对于加密货币，可能需要50%。

除此之外，另一种方式可以使用“是否出现某个结构性信号”，比如价格是否跌破一条长期移动平均线、是否创出一年新低、收益率是否连续N个月为负等等。这种方式的优势在于更加贴合价格行为本身，而不是机械地依赖固定百分比。

第二步：识别状态。

一旦设定了规则，策略就会在历史数据上自动标记每一个“牛市段”和“熊市段”。比如从2020年3月低点到2021年高点，可以标记为一个完整的牛市周期；从2021年高点到2022年低点，则是熊市周期。通过对历史周期进行分段，策略会生成一个可视化的“钟形图”或“周期带”，让交易者一眼看出当前正处于周期的哪个阶段，以及历史上类似阶段的后续走势。

这个步骤的关键在于：它不依赖于单一的价格绝对水平，而是把价格序列转化为“周期状态序列”。即使两段牛市的涨幅不同、持续时间不同，但它们在统计特征上可能具有相似性，比如“牛市中后段往往伴随加速上涨”、“熊市末段往往伴随恐慌性放量”。

第三步：生成预测。

基于分割好的历史周期，策略会计算一些统计规律，例如：

各段牛市和熊市的平均持续时间、平均幅度；
在类似当前所处阶段（例如“牛市第X个月”或“距上一个高点已回撤Y%”）下，历史后续走势的概率分布；
从当前状态到潜在转折点的“预期路径”或“参考支撑/阻力区间”。

换句话说，该策略并不试图告诉你“明天是涨是跌”，而是告诉你“如果历史会重演，那么当前所处的周期位置意味着什么，后续最可能出现的场景是什么”。这种预测天然是概率性的，而非确定性断言。

作者特意强调“如何决定牛熊周期由你自己决定”，这其实是把解释权交给了使用者。同一个资产，用不同的阈值会得到截然不同的周期划分，进而产生不同的预测。这个策略是工具，而不是圣杯。

优点

灵活性极高，适配多市场：由于牛熊阈值完全由使用者定义，策略可以同时用于股票、加密货币、外汇等波动率差异巨大的资产，不需要为每个市场硬编码一套固定参数。
可视化直观，便于理解周期状态：通过将历史牛熊周期标注出来，交易者可以用肉眼感知当前市场的“位置”，比起单纯看K线，多了一重历史参照系。
符合均值回归的基本原理：策略背后隐含的是“极端之后会回归”的逻辑。这种逻辑在长期来看具有合理性，能够帮助交易者避免盲目追高杀跌。
预测方式具有统计支撑：它不是拍脑袋猜顶猜底，而是基于历史周期统计出的概率分布，给交易者提供可量化的背景信息，有助于设置止损和止盈。
可以用于多种用途：既可以作为独立的择时信号，也可以作为仓位管理、衍生品定价的参考，甚至可以用来校验其他策略的稳健性。

缺点

历史会重演，但不会简单重复：周期规律并非恒久不变，市场结构、流动性环境、投资者结构的变化，会导致历史统计特征失效。例如2008年的熊市和2020年的熊市传导机制完全不同。
周期界定存在严重的主观性：不同阈值会切出完全不同的牛熊段，于是“预测”结果很大程度上取决于使用者的设定，这带来了一种“看答案出题”的嫌疑。如果你把阈值调到刚好能解释历史，那么预测本质上是在拟合噪音。
滞后性明显：无论是百分比阈值还是均线交叉，都需要价格已经走出一段距离后才确认趋势转折。这意味着信号发出时，行情往往已经走了一大截，盈亏比可能不理想。
预测区间与真实行情之间的误差可能很大：策略输出的“参考路径”是历史平均，而实际走势方差极大。尤其是在宏观大变局、黑天鹅事件面前，周期的“相位”可能发生漂移，导致预测偏差超出可接受范围。
对异常值极为敏感：如果历史数据中包含极端行情（如金融危机、暴涨暴跌），这些异常值会对平均持续时间、平均幅度等统计量产生较大影响，导致预测偏移。

起源年份考证

“周期”这一思想在金融市场中源远流长，但作为系统化的技术分析方法，它经历了几个关键节点。这里考证的是“这类方法”——即基于价格周期牛熊识别与预测的技术分析流派——的公认发展时间线：

1900年前后：查尔斯·道（Charles Dow）提出道氏理论，首次将市场分为主要趋势（牛市/熊市）、次级趋势和小型波动，这是现代牛熊周期分析的雏形。道氏理论认为市场运动具有周期性特征，且可以通过价格行为识别阶段。
1930年代：艾略特（Ralph Nelson Elliott）提出波浪理论，把市场走势划分为五浪上升、三浪下降的循环结构，这是对周期形态最著名的系统化尝试。
1970年代：循环分析成为一个独立的技术分析分支。J.M. Hurst在1970年出版的《The Profit Magic of Stock Transaction Timing》中，系统性地讲述了如何利用周期循环预测市场价格，包括叠加不同周期的波长来构造价格模型。这是“基于历史周期做预测”的直接方法论源头。
1980-1990年代：随着计算机普及，量化交易兴起，研究人员开始用统计方法检验周期现象，比如自相关分析、频谱分析。均值回归策略也在此时大量进入机构投资者的视野。
2010年代之后：加密货币等新兴资产的出现，使得传统的固定阈值牛熊定义明显失效，于是出现了像本文所述这种“自定义周期阈值”的灵活工具。这类策略在公开交易社区中逐渐流行，成为很多波动率交易者的基础分析框架之一。

综上，本文所述策略所代表的“现代灵活牛熊周期识别与预测方法”，其学术与技术思想可追溯至1970年代的系统性循环理论；而将阈值参数交给使用者的开放式设计，则更像是2010年代中后期出现的社区实践。由于原脚本没有公开完整的历史版本记录，无法精确考证其首次发布时间，只能将其归入上述时间线中的“当代发展”范畴。

改进建议

引入自适应阈值：不要固定一个百分比，而是使用滚动波动率动态调整牛熊判定阈值。例如，当近100日波动率上升时，自动提高阈值；波动率下降时，降低阈值。这样既保留灵活性，又能减少人为试错成本。
叠加多周期确认：将短周期（20日、60日）与长周期（200日、400日）的牛熊状态结合起来。只有当短周期与长周期方向一致时才发布强信号；方向不一致时则保持观望，从而过滤掉大量假信号。
加入趋势强度过滤：周期反转判断之外，可以添加趋势强度指标（如均线斜率、ADX）作为辅助。如果价格虽然已经回调超过阈值，但趋势强度依然很高，则可能只是“小调整”而非“熊市开启”，此时应延缓信号。
对历史周期进行聚类分析：不是简单统计所有牛市的平均长度，而是把历史上的牛市分成“快牛”“慢牛”“震荡牛”等不同类别，分别统计。当前周期与哪一类更相似，就采用那一类的历史分布作为预测依据。
引入宏观或基本面变量：纯价格周期判断存在盲区。可以增加经济周期指标（如利率、失业率、制造业PMI）作为外部过滤。比如当利率处于上升通道时，即便是达到跌幅阈值，也不一定意味着新牛市马上开始。
结合误差带输出：预测结果不要只给一条参考路径，而要给出以分位数（例如25%～75%）为界的“概率通道”。这样交易者可以更直观地评估预测的不确定性，避免将平均线当成必然走势。
滚动回测与参数敏感性分析：对阈值参数进行网格化回测，观察结果是否对参数轻微变化极其敏感。如果敏感度过高，说明策略存在过拟合风险，应选择更稳健的参数区间。

总结

“周期分析”本质上是一套看待市场的视角：价格不是随机游走，而是围绕着某种内在均衡进行有规律的摆动。GapLogic的这篇公开策略脚本，恰到好处地把宏大的周期理念转化为一个开放式的牛熊识别工具。它不提供万能答案，而是给交易者一把可自由调节的尺子，让你用自己的规则去丈量市场。从百分比阈值的灵活性，到周期状态可视化的直观性，都体现了“以历史为镜”的朴素智慧。

但我们也必须清醒地看到，周期的规律是概率性的，不是确定性承诺。任何基于历史数据的策略，都在与“未来不可完全预测”这个终极困难作斗争。该策略的优缺点都源于同一件事——它把定义权交给了使用者。使用得当，它是帮助你看清宏观格局的望远镜；使用不当，它也可能成为让你在噪音中自嗨的哈哈镜。

最终，一个有经验交易者应该明白：工具永远只是工具。真正的决策依然要依赖你对市场的理解、对风险的控制以及对自己信念的坚持。周期分析可以告诉你“现在在哪里”，但“去哪里”和“走多远”，仍需要你用止损、仓位和耐心去回答。