Nonparametric Relative Momentum [BackQuant]

策略解读

在技术分析的世界里，动量类指标一直是趋势交易者的核心工具。从早期的趋势线突破，到后来的移动平均线交叉，再到各类振荡器，本质上都在回答同一个问题：当前价格运动的速度和方向，相对于过去是加速了还是减速了？然而，传统动量指标，如经典的MACD或RSI，大多建立在固定的数学公式之上——它们假设价格变化服从某种特定的算术关系，比如价格与移动平均线的固定倍数差，或是特定周期内的涨跌比率。

这种固定关系暗含一种强假设：市场的波动模式在时间上是平稳的、同质的。但真实市场显然并非如此。不同历史时期的市场波动率差异巨大，不同品种之间的波动特征也天差地别。一个在低波动环境下表现良好的参数设置，在高波动环境下可能会频繁发出虚假信号。这里，我们讨论一种截然不同的动量度量方式——非参数相对动量。

核心思想极为简洁：我们不做任何关于价格分布形态的假设，也不使用固定的算术变换。我们只关心一个简单问题——当前的价格变化水平，在过去N个周期里能排到第几名？如果当前涨幅在最近一年的历史观测中排在第95百分位，那么动量之强不言自明；如果只排在第20百分位，说明当前上涨力度在近期属于偏弱水平。

这种做法的本质是非参数统计在技术分析中的直接应用。它避开了对收益率分布的具体假设，转而使用经验累计分布函数来刻画当前观测值的历史位置。从信息论的角度看，百分位秩保留的是观测值的相对排序信息，而非绝对数值。这带来一个显著的好处：在不同波动率环境下具有天然的尺度不变性。当市场波动放大时，当前值在窗口内的排序未必会变差；当市场波动收窄时，排序也未必会变好。这使得指标在不同市场状态下具有更好的稳定性，也正是其名称中"非参数"的深层含义所在。

名词解释

非参数统计 不假定数据服从特定分布（如正态分布、t分布等）的统计方法。它依靠数据的秩、符号或排序信息进行推断，对异常值和分布形态波动具有更强的鲁棒性。在技术分析中，非参数方法可以避免对价格收益率的分布做不切实际的假设。

百分位秩 将所有观测值从小到大排列，某个特定值所处的相对位置用百分比表示。例如，当前涨幅处于过去100个交易日中的第80百分位，意味着大约80%的过往观测值低于当前值。这是一个无量纲的标准分数，取值范围为0到100。

滚动窗口 固定长度的样本区间，随着时间推移不断向前滑动，将最新的数据点纳入并剔除最旧的数据点。在技术指标中，滚动窗口决定了指标反应的速度与稳定性：窗口越短，指标越灵敏；窗口越长，指标越平滑。

动量 此处特指价格变化的速度和幅度，一般定义为当前价格与某历史时期之前价格的差值或比值。动量策略的核心逻辑是"强者恒强"——过去表现较好的资产在未来一段时间内往往继续表现较好。

振荡器 一类在固定区间内上下波动的技术指标，通常用于识别超买与超卖状态。动量振荡器往往将价格变化转换为0-100或-1到1等固定区间，以便跨品种和跨时间比较。但其有效性高度依赖参数设定和市场环境适配程度。

经验分布函数 由样本观测直接构造的分布函数估计，即对每一个数值，统计样本中小于等于该值的比例。百分位秩本质上是经验分布函数的逆运算。经验分布函数随着样本量增大而收敛于真实分布，因此具有渐近一致性。

策略思路讲解

指标计算的直觉

从逻辑上拆解，非参数相对动量的构建分三步。第一步是确定"要衡量什么"——是原始价格水平，还是价格变化的比率（即收益率）？原作者提到"price or momentum observation"，意味着可灵活选择。若选择收益率，则指标度量的是动量强度的历史位置；若选择价格本身，则度量的是价格高低的分布位置，更接近一个统计化的RSI变体。

第二步是构建滚动窗口。窗口长度决定了"自身相对历史"的时间跨度。一个典型的窗口可能是200个交易日，对应约一年的交易历史。窗口长度的选择直接决定了指标的时间尺度，短窗口捕捉短期波动，长窗口反映中期趋势。

第三步是进行百分位秩映射。当前观测值与窗口内的所有历史值放在一起排序，计算其经验分位，输出0到100的数值。这个输出天然适合作为振荡器的值来使用。与RSI类似，可以将高于70或80的区域视为超买，低于20或30的区域视为超卖。但不同的是，这里的阈值含义更加稳定：在过去N个观测中，只有10%的时间处于80以上，因此80以上天然代表"极端"状态。

结合趋势过滤

单独使用该指标，可以直接用作超买超卖触发器：当百分位秩跌破20后再度回升，可视为动量回归的早期信号；当百分位秩升破80后开始回落，则视为动能衰竭的预警。但更稳健的策略设计是叠加趋势过滤层。

例如，可以先用移动平均线方向判断大趋势的偏向。在上升趋势中，侧重把握指标回落后出现的低吸机会；在下降趋势中，则利用指标冲高后的回落信号来布局空头或减仓。逻辑在于，趋势形成后，动量排序的极值并不总是意味着反转，它更可能代表当前趋势的推进力度。此时，百分位秩的极值区间可以和趋势方向结合起来，产生更高质量的入场条件。

时间尺度的延伸

另一个重要维度是引入多周期确认。可以在周线级别和一个较短窗口的日线级别同时计算该指标。若周线指标的百分位秩处于高位（表明中期趋势健康），同时日线指标的百分位秩回落到较低位（表明短期超卖），这种"大周期强、小周期弱"的组合往往对应较好的顺势介入点。

优点

第一，对极端值稳健。由于百分位秩基于排序而非数值本身，单个极端行情（如闪崩或暴涨）只会使其映射到100或0，而不会扭曲指标的连续输出。传统基于均值与方差的指标则容易受到少数极端值的影响，导致信号失真。

第二，天然具有截面可比性。不同品种、不同波动率水平的资产，其收益率的绝对数值差异巨大。而百分位秩消除了这种量纲差异，使得同一套阈值可以广泛适用于不同类型资产。这一点对于管理多品种组合的策略者尤其便捷。

第三，对参数不敏感。传统动量指标通常会有一个最优参数区间，偏离之后性能衰减迅速。非参数方法由于只使用排序信息，其输出对窗口长度的变化相对稳健。这降低了参数优化过程中的过拟合风险。

第四，信号统计含义直观清晰。一个百分位为90的观测值意味着当前动量强度在过去200个交易日内属于最极端的10%。这种直观的概率化解释有助于量化交易者评估信号发生的频繁程度和极端程度。

第五，适应性好。由于始终基于最新窗口内的经验分布，指标能自动适应市场波动率的动态变化。当波动率升高时，较大偏离不会立即被标记为极端；当波动率走低时，微小变动也可能被识别为异动。这种自适应性减少了不必要的交易频繁程度。

缺点

第一，滞后性显著。由于必须等待滚动窗口收集足够数据，指标对趋势拐点的反应相对缓慢。尤其是趋势由强转弱的初期阶段，百分位秩往往仍处于高位，难以立即提供反转信号。

第二，与正态假设脱节可能导致信息的浪费。在收益率近似正态的市场中，均值和方差的经典统计量能够提取更多有效信息。非参数方法仅依赖排序，丢弃了数值之间的间距信息。当数据分布接近正态时，这一特性会带来一定程度的信息利用不足。

第三，极值区间内的分辨率低。当百分位秩达到95以上时，后续的上升也无法进一步表达"更极端"的状态——输出值被截断。在极端单边行情中，这会导致指标长时间停留在上限区域，出现钝化现象，信号参考价值减弱。

第四，缺乏对窗口外历史信息的利用。滚动窗口本质上是"遗忘机制"，窗口外的数据对当前指标毫无作用。但如果某些结构性特征（如长期均值回归水平）具有重要参考价值，这种完全弃用窗口外信息的做法就可能导致判断失误。

第五，过短窗口下的噪音放大。如果窗口设置过短（如20个交易日），百分位秩的统计稳定性不足。此时任何一次偶然的价格脉冲都可能造成指标的急剧跃变，产生大量虚假信号。

起源年份考证

非参数相对动量属于"排序统计"和"经验分布函数"在金融时间序列分析中的应用。这类方法在金融领域的时间线大致如下：

20世纪50-60年代，非参数统计方法在统计学界逐步完善。Frank Wilcoxon于1945年提出的秩和检验以及后续的符号秩检验，为非参数推断奠定了方法论基础。这一时期，非参数方法主要应用于实验设计领域，尚未进入金融技术分析。

20世纪60年代中期，学术界开始系统研究股票价格的随机游走特征。1965年，Eugene Fama发表有效市场假说的开创性论文时，普遍使用非参数方法检验价格收益率的分布特征。但这里主要用于实证检验，而非构建交易信号。

20世纪70年代，技术分析领域开始流行振荡器类指标。1978年，Welles Wilder出版的《New Concepts in Technical Trading Systems》中系统介绍了RSI，Adjusted RSI等指标。这一时期，交易者普遍采用固定参数的比例计算和移动平均线技术，基于秩统计的动量指标仍属罕见。

20世纪80年代中期到90年代，量化交易兴起后，更多的统计方法被引入技术分析。排序法逐渐用于横截面动量策略——著名的Jegadeesh和Titman在1993年发表的动量研究，虽然在方法上采用连续复合收益率排序，但它将"排序"这一非参数思想引入资产选择，影响了之后的动量研究。

21世纪初至2010年代，随着开源量化工具的普及，非参数估计技术开始进入常规技术指标工具箱。百分位秩、滚动分位数等方法逐渐被用于构建振荡器类指标，可以认为"非参数相对动量"这一具体形式大约成型于这一阶段。

综合来看，该类方法的思想萌芽可追溯至20世纪40至60年代的非参数统计方法体系建立；排序法应用于金融动量研究的范式成型于20世纪90年代初期；而将百分位秩作为独立技术指标面向普通交易者传播，则更接近2010年前后。

改进建议

第一，引入自适应窗口。可以结合波动率特征自动调整窗口长度。当市场波动率下降时，缩短窗口以增强灵敏度；当波动率升高时，延长窗口以减少噪音干扰。这种做法在无形中将波动率状态纳入考量，使指标适应不同市场阶段。

第二，结合分位数回归。以百分位秩为基础，进一步构建分位数回归模型，预测在不同分位水平下价格变动方向与幅度。这可以作为动态止损或动态目标的参考，使风险管理更具统计依据。

第三，融合信息量加权。可以按时间衰减方式为窗口内的历史观测值赋予权重，距离当前越近的观测值权重越高，这有助于缓解过长的记忆效应带来的滞后问题，同时保留对极端历史事件的有限记忆。

第四，加入双窗口差序分析。计算长周期百分位秩与短周期百分位秩之差，构造"动量加速度"的信号。当短周期百分位秩快速超过长周期百分位秩时，表示动能正在加速积聚，这可能是更早期的趋势启动信号。

第五，应用于多资产横截面排序。合理用法不仅限于作为单品种的时序振荡器，也可应用于多个资产之间的横截面比较。定期计算各品种的相对动量百分位秩，构建多头一篮子动量最强、空头一篮子动量最弱的多空组合，将单标的信号拓展为组合策略。

第六，将百分位秩纳入机器学习特征集。由于百分位秩具有自然的标准化特性和对不同资产的普适性，非常适合作为机器学习模型的输入特征。与价格差异、收益率等其他特征相比，百分位秩辅助模型更易于学习到跨品种的共性规律。

总结

非参数相对动量作为动量家族中的一个异类，其设计哲学颇为独特。它告别了对价格变动数值的依赖，将关注重心完全赋予了排序信息。这种做法的价值，并非体现在预测精确度的绝对提升——而是体现在对不同市场环境、不同波动率特征的适应性上。它反映了一种重要的思维：在复杂多变的市场面前，有时排名比绝对数值更稳定，次序比大小更可靠。

当然，任何指标都无法独立解决交易的全部问题。百分位秩的优势在于稳定、直观、便于跨品种比较；它的短板则在于天然滞后与极值钝化。真正的艺术在于，如何将这一工具与趋势识别、风险管理以及多周期协调加以融合。对于主观交易者而言，它可作为一种行情状态的客观量度，过滤噪音；对于量化投资者而言，它可作为特征工程中的一个稳健维度。

回望技术分析近百年的发展历程，从简单画线到今天各类极尽精细的计算指标，多数方法不断更迭、淘汰、重来。但好的思想常常具有跨越时间的力量——基于排序而非数值描述世界的思路，早在统计学诞生之初便已确立，在半多世纪前便已进入金融研究。而如今用在价格走势分析上依然显得新颖。或许这正是非参数思想的持久魅力所在——朴素，却历久弥新。