Multi-Asset Performance [Spaghetti] - By Leviathan

策略解读

在公开交易社区中，有一个被交易者昵称为“意大利面”的多资产表现观察工具。这个昵称很形象：当你在同一张图表上叠加几十个品种的累计涨跌幅曲线时，那些彼此交错、上下翻飞的线条，确实像一盘煮熟的意大利面条。这种可视化方式最初是为了解决一个非常实际的问题：当市场中有几十个甚至上百个可交易标的时，如何快速判断“今天到底哪些资产在涨、哪些在跌、资金在往哪里流动”？

传统的做法是逐个查看每个品种的K线图，然后手工记录涨跌幅。这不仅效率低下，而且很难形成全局观。而“多资产表现”工具的设计理念，就是把所有品种的“成绩单”放在同一张图上，用统一的尺度进行对比。这里的统一尺度并不是价格本身，而是“累计百分比变化”。为什么不用价格？因为不同品种的绝对价格差异巨大——黄金可能是每盎司2000美元，某只股票可能是50美元，某个加密货币可能是30000美元。直接比较价格没有意义，但把它们都归一化为“从起点开始的涨跌幅”，就具有了横向可比性。

更深入一层，这个工具不仅仅支持价格数据。原作者在描述中提到，它还可以监控持仓量（Open Interest）和能量潮指标（On Balance Volume）。这意味着，它不只是告诉你“价格涨了”，还能帮你观察“推动涨跌的力量”是否在增强或减弱。比如，某个品种价格创出新高，但如果持仓量在下降，说明这轮上涨可能是空头回补导致的，持续性和可靠度需要打折扣；又比如，某品种价格快速上涨而能量潮指标却没有同步创新高，就暗示上涨动能可能正在衰竭。

从数据处理逻辑上看，这个工具大致会经历以下几步：第一，选定需要对比的一篮子品种；第二，设定一个共同的起始日期或时间窗口；第三，计算每个品种在窗口内的累计收益率；第四，将多条曲线绘制在同一坐标轴下；第五，叠加一些辅助分析工具，比如均值线、偏离度统计、排名表等。最终形成的图表，宏观上是一团“意大利面”，微观上每根线条都是一个独立资产的生命轨迹。

这种观察视角的核心价值在于“相对强弱”而非“绝对涨跌”。当市场整体处于震荡行情时，绝对涨跌幅可能都很小，但相对强弱的差异却能清晰地指示出资金正在从哪些板块撤出、又涌入了哪些板块。对于做多空对冲的组合型交易者来说，这种信息尤其宝贵——你可以同时持有相对强的资产、做空相对弱的资产，无论大盘涨跌都有机会获利。

名词解释

累计百分比变化：以某一基准日的价格为起点，后续每个交易日的“（当日价格 - 基准价格）/ 基准价格 × 100%”所构成的序列。它消除了不同标的之间的价格基数差异，使跨品种比较成为可能。

持仓量（Open Interest）：在期货、期权市场中，当前所有未平仓合约的总数量。持仓量增加通常意味着新资金正在流入市场；持仓量减少则可能代表投资者正在平仓离场，趋势的持续性往往随之减弱。

能量潮（On Balance Volume, OBV）：由Joseph Granville于1963年提出的成交量类指标。它的计算方式是：当日收盘价上涨，则当日成交量加到累计值上；当日收盘价下跌，则从累计值中减去当日成交量。OBV用于验证价格走势是否得到成交量的支持，是一种典型的“量价配合”分析工具。

相对强弱：在同一时间窗口内，比较不同资产之间涨跌幅度的相对大小。某资产涨5%而另一资产涨1%，则前者的相对强弱更高。这个概念不等于RSI指标，而是泛指横向对比的强弱关系。

均值回归（Mean Reversion）：一种金融理论，认为价格在偏离其长期平均值后会向均值靠拢。该策略的标签为“均值回归”，意味着在多资产表现图中，如果某个资产的累计涨幅远远偏离了群体平均水平，交易者可能会预期它出现回落。

归一化（Normalization）：将不同量纲或不同数量级的数据通过数学变换转化为同一尺度，以便比较。在本文语境中，将价格转化为百分比变化就是一种最简单的归一化方式。

多资产（Multi-Asset）：指同时包含股票、商品、债券、外汇、数字货币等不同类型交易标的的投资组合或观察范围。多资产分析的核心收益是分散风险、捕捉资产间的轮动机会。

横截面分析（Cross-Sectional Analysis）：在某个特定时间点上，对一组不同的标的进行横向对比分析，而非对单个标的自身进行时间序列分析。多资产表现图本质上就是横截面数据的时间序列演化。

策略思路讲解

“多资产表现”并不是一个直接给出买卖信号的交易策略，而是一个顶层的观察与筛选工具。它的策略思路可以拆解为三个层次：观察、筛选、回归。

第一层：观察全局。 在这一层，交易者把所有关注品种的价格累计涨跌幅画在一张图上。此时，图表就像一幅市场热力图：哪些线条高高在上，说明对应品种近期表现优异；哪些线条沉在底部，说明对应品种表现萎靡。这本身没有交易含义，但大大降低了信息获取成本。原作者将窗口期设为可调参数，默认可能是一段时间的收益率曲线。周期越短，越能捕捉到近期动能；周期越长，越能看清中期趋势结构。

第二层：筛选强弱。 在观察基础上，交易者会依据“相对强弱”进行排序。例如，在所有品种中选出过去20日累计涨幅前5名和后5名。前5名被视为强势资产，后5名被视为弱势资产。这是“动量效应”的体现——过去强势的资产在未来一段时间内大概率继续强势。然后，交易者可以在强势资产中寻找回调做多机会，在弱势资产中寻找反弹做空机会。这也就是“意大利面图”最常见的实战用法：它告诉你今天应该把注意力放在哪几根面条上。

第三层：均值回归交易。 该工具本身带有“均值回归”标签，说明设计者希望用户不仅仅用它来做动量筛选，还可以反向操作。具体逻辑是：当某根面条的累计涨幅显著高于其他所有面条，即该资产相对群体平均水平的偏离达到历史极端值时，做空该资产；反之，当某根面条的累计跌幅显著低于群体平均，即出现超跌时，做多该资产。这种做法背后的假设是：短期内推动资产走出单边行情的资金流可能过度了，价格最终会回到群体平均水平附近。

结合多资产品种内部的量价信息，这一策略可进一步升级。例如，在股价、持仓量、OBV三者同时配合时，确认信号强度。假设某资产价格累计上涨，同时持仓量持续增加，OBV也同步创出新高，那么即使其相对强度较高，也不急于做空，因为趋势很可能仍在延续。相反，若价格上涨但OBV走平甚至下降，说明上涨缺乏成交量配合，这时如果累计涨幅已经远远高于群体均值，则是一个更值得关注的做空信号。

在实际交易中，这套思路往往被集成到一个完整的系统里。用户先设定观察池，比如30个品种；然后设定时间窗口，比如60天；再设定偏离阈值，比如该品种收益率排名处于前10%且超过中位数3个标准差时，触发关注。接着，再通过K线形态、支撑阻力、市场情绪等做进一步过滤，最终形成入场与出场计划。

优点

第一，全局视野，效率极高。 传统的单品种盯盘方式容易“只见树木，不见森林”。多资产表现图让你在短短几秒内就能判断整个观察池的强弱分布，快速锁定值得关注的品种，极大地节省了筛选时间。

第二，天然支持横向对比，结论更客观。 所有品种使用统一的时间窗口和归一化方法，不存在基数差异或复权问题。相比于看单个品种的涨幅，横向对比能剔除市场整体性波动的影响。比如某股票涨了5%，但同期大盘涨了6%，那么它实际上是在跑输大盘；而在多资产表现图上，它的面条相对下沉，这一信息一目了然。

第三，融合多种数据维度，信号更立体。 同时监控价格、持仓量和OBV，意味着它不是单一维度的价格跟踪工具。量价配合、持仓变化与趋势方向之间的背离，常常能提前预示拐点。这种多维度验证使得交易信号的成功率显著提高。

第四，灵活性高，适配多种交易风格。 无论是动量交易者还是均值回归交易者，都能从中找到适合自己的使用方法。动量交易者关注最强和最弱的“面条”并顺势介入；均值回归交易者则关注偏离过大的“面条”并采取反向策略。参数可根据品种数量和窗口长度自由调整。

第五，有利于风险管理和组合再平衡。 对于多资产投资组合管理者而言，通过观察各资产表现的离散程度，可以动态调整仓位权重：增配相对强势资产、减配相对弱势资产。同时，也能提前察觉到资产间相关性升高的风险——如果所有面条都朝同一方向剧烈运动，意味着市场正在进入系统性上涨或下跌状态，需要防范尾部风险。

缺点

第一，实际交易中时序误差不可忽视。 图中的累计涨跌幅是基于每日收盘价计算的，但盘中实时价格变动会导致显示的面条位置不断抖动。如果交易者依据盘中瞬时偏离值下单，可能很快被反向波动打脸，产生大量无效交易。

第二，样本选择偏差严重影响可靠性。 观察池中的30个品种是人为挑选的。如果只选择近期表现差异较大的品种，或者漏掉了市场中的关键资产，那么“相对强弱”的排名可能产生误导。比如只选取加密货币而不选美股，很难说清资金究竟是真正流向加密市场，还是只是从美股流出后暂时停泊。

第三，均值回归逻辑在单边趋势市中容易失效。 当市场处于强劲的牛或熊趋势中，强势品种可能持续保持强势，偏离度达到历史极值后仍然继续扩大。若盲目按“超买做空、超卖做多”操作，很可能与趋势对抗，产生大幅亏损。均值回归假设在平稳、震荡市中表现更佳，但市场恰恰经常是不平稳的。

第四，忽视了基本面与消息面的冲击。 累计涨跌幅只是一个纯粹的统计结果，它无法区分资产价格上涨是因为基本面改善、资金涌入，还是因为突发消息刺激、流动性稀缺。同一个涨幅，背后成因完全不同，后续走势也大相径庭。仅靠技术性指标难以捕捉这种差异。

第五，多品种同时观察容易导致注意力分散与决策延迟。 当图上有几十根线条交织在一起时，视觉上的“意大利面效应”可能使人感到混乱，尤其在市场剧烈波动时。交易者可能花费大量时间在辨认和确认线条归属上，错过了最佳执行时机。

起源年份考证

需要说明的是，本文讨论的“多资产表现图”这一具体实现，公开社区中通常认为出自2019年前后，其灵感来源显然不是凭空出现的。就“该类方法”而言，可以追溯出以下时间线：

• 20世纪50年代至60年代：现代组合理论兴起，马科维茨（Harry Markowitz）在1952年提出均值-方差框架，首次系统性地把多资产配置纳入数学分析体系。虽然当时没有电脑绘制多资产收益率曲线，但是“比较不同资产表现”的思想已开始萌芽。
• 20世纪70年代至80年代：美国金融分析师Donald R. Rowland等人开始使用“相对强弱”图表，对比股票与市场基准的表现。1986年，Mebane Faber提到的“相对强度排名”方法逐渐在CTA（商品交易顾问）圈子中流行开来。早期这些都用于单资产与基准的对比，尚未形成多资产同时展示的通用工具。
• 20世纪90年代：随着个人电脑和图表软件的普及，一些交易软件开始支持用户在一个窗口内叠加多种金融序列。此时已有交易者手动绘制多个资产的累计涨跌幅曲线，这算是该类方法最早的自发实践。但这些功能并未标准化，也没有统一的名称。
• 2000年代：对冲基金和量化交易机构内部普遍使用“市场内部强度报告”（Market Breadth Report）和“跨资产强弱雷达图”。例如，Bridgewater和Man Group等都拥有类似的多资产展示系统，但属于专有技术，未公开。
• 2010年代：在线社交交易平台和公开脚本社区逐渐繁荣。量化爱好者开始编写可共享的多资产绩效对比脚本，并陆续发布。由于曲线交错形似一盘意大利面，因而获得了“Spaghetti”的昵称。据可查证的信息，这个昵称在2015年前后已在部分英文交易论坛中出现。
• 2019年前后：一位名为LeviathanCapital的社区作者发布了名为“Multi-Asset Performance [Spaghetti]”的公开脚本，整合了价格、持仓量、OBV三种维度，并提供了更完整的统计面板。这一版本被广泛引用，成为该类方法公开传播中最具代表性的具体实现之一。尽管不能完全确认“首个”或“创始者”的身份，但可以说，就该特定工具形式而言，其公开流行年份大致在2019年。

综上所述，若从更宽泛的“多资产相对强弱对比”这一方法论角度看，其雏形可追溯至20世纪70、80年代的相对强弱分析；若特指“意大利面”式的可视化整合工具，则公认成型于2015年前后，在2019年通过Leviathan的版本为大众所熟知。

改进建议

第一，引入动态窗口与自适应偏离阈值。 固定窗口可能无法适应不同市场环境。建议根据市场波动率（例如ATR或历史波动率）动态调整窗口长度：波动率升高时缩短窗口以更快反应，波动率降低时延长窗口以过滤噪音。同样，偏离阈值不应是固定百分比，而应使用滚动均值±k倍滚动标准差，让过滤条件自适应于当前市场的离散程度。

第二，区分趋势状态，建立模式切换机制。 为避免均值回归策略在趋势市场中遭受重大损失，可以加入趋势判断模块。例如，用长期均线方向或ADX指标判断当前是趋势市还是震荡市。只有在震荡市中才启用均值回归做空或做多偏离极大的资产，而在趋势市中仅追踪动量最强的资产，不做反向操作。

第三，增加基本面或事件过滤层。 技术面信号只解决“何时”的问题，而不能解释“为何”。建议在信号触发后，加入一个简单的基本面检查清单：该品种近期是否有重大政策、财报、地缘事件？若存在已知的强力驱动因素，即使技术面出现超买，也应放弃做空。反之，若无实质利好，仅靠资金推动的快速上涨，则更值得做空。

第四，数据清洗与权重调整。 不同资产的流动性差异极大。建议对观察池中的品种设置最小成交量或持仓量过滤，剔除那些流动性过差、容易产生价格跳空的标的。同时，在计算群体平均值或分散度时，可考虑按市值或成交额加权，以免小型资产的大幅波动扭曲整体基准。

第五，增加信号衰减与退出管理机制。 多头信号触发后，并不代表价格会立即回归均值。建议设定一个“等待期”，如果信号发出后的N个交易日内价格未出现预期的回归走势，则放弃该信号以避免资金占用。同时，为每笔交易设置固定的止损位置（例如偏离均值的最大容忍度）和分批止盈规则，以防范极端行情。

第六，开发可视化辅助层级，降低“意大利面”干扰。 当品种数量超过20个，图线便容易混淆。可以增加交互式放大镜、鼠标悬停显示品种名称、按强弱排序自动调整线条顺序、将处于前10%和后10%的品种加粗或变色。还可以在图表下方添加一个排名表，让用户在不看曲线时也能快速获取排名。

第七，引入归因分析。 改进工具，不仅可以看每个品种的累计涨跌幅，还可以进一步拆解其收益来源，例如归因于板块、因子（价值、动量、规模）、汇率或利率变动等。这样，交易者能够更清晰地认识驱动资产表现的根本原因，而不是停留在表面数据上。

总结

“Multi-Asset Performance [Spaghetti]”这个公开脚本，本质上是一个把多资产横向对比做到极致的可视化和分析框架。它用一条条蜿蜒的曲线将不同资产的累计收益变化浓缩进同一张图，让交易者能以全局视角审视市场强弱结构。它的核心理念很简单：绝对价格不重要，相对强弱才是关键；仅仅看价格不够，还要看持仓量与成交量的配合。

从策略应用看，它既适合动量交易者捕捉强者恒强的机会，也适合均值回归交易者捕捉过度偏离的修正机会。然而，任何工具都不是万能的。“意大利面”只是为交易者提供了一个更为便捷的观察窗口，它并不涉及具体的风险控制、基本面判断和复杂的交易执行。真正的盈利仍然取决于交易者如何结合市场环境、资金管理和纪律执行来使用这一窗口。

回顾这类方法的发展历程，从20世纪70年代的相对强弱分析，到2015年前后社区中“Spaghetti”名称的出现，再到2019年Leviathan版本集大成式的整合，体现了量化交易社区在信息展示和交互方式上的持续追求。未来，随着机器学习与动态数据可视化的进一步融合，我们有理由相信，多资产对比工具会变得更加智能，自动识别异常状态、提示潜在的均值回归机会，甚至直接输出可执行的交易建议。

但请记住：无论工具如何进化，交易成功的核心始终不变，那就是——理解市场的本质，敬畏风险，并拥有属于自己的、经得起考验的交易逻辑。“意大利面”可以帮你同时盯着许多只锅，但最终怎么煮，还是要靠你自己。