SeansIciDisi

策略解读

这个策略看似简单，却切中了市场微结构研究中的一个核心问题：价格的上涨究竟是在“人群在场”的时候发生的，还是在“人群散场”之后通过跳空缺口发生的？这个问题对于理解市场情绪、主力行为以及趋势质量有重要参考价值。

从中文语境来说，我们可以把它理解为“日内/隔夜收益贡献度分析”。假设某只股票在一段时间内从100元涨到120元，总涨幅是20%。这20%中，有多少是在盘中分时图上积少成多累积出来的？又有多少是第二天开盘时直接高开形成的跳空？如果大部分涨幅来自高开，而非盘中拉升，那么说明买入力量更倾向于在非交易时段等待消息落地，而在盘中反而表现平淡；反之，如果大部分涨幅来自盘中，则说明日内买盘主动性强，趋势持续性可能更好。

该策略选择“几何方式”而不是算术方式，是它的点睛之笔。算术方式把每一段涨幅直接相加，而几何方式考虑复利效应。举个例子：假设第一天涨10%，第二天跌10%，算术累计收益是0%，但几何实际收益是 -1%。在拆解多个时段贡献时，必须用几何方式才能让各部分贡献与总收益相互一致。如果使用算术方式，很容易出现“各部分之和大于或小于总涨幅”的悖论。

“仅适用于小时级别”这一限制，也体现了避免数据失效的谨慎。小时K线既能清晰地划分出交易时段与非交易时段的边界（例如，股票市场一天包含若干根小时K线，而隔夜只有一根跳空K线），又不会像分钟K线那样产生海量噪声和大量“空时段”缺失。在日K线上，日内与隔夜都被压缩在同一根柱子里，根本无法追溯其来源。因此，小时级别是这类分解问题的一种天然合适粒度。

该指标的具体算法可以概括为：识别每个交易时段的开盘与收盘，以及相邻时段之间的休市区间；分别计算交易时段内和交易时段外的几何收益率；然后计算二者分别占总体几何收益率的比例。最终输出的结果，可以是“日内贡献度”和“隔夜贡献度”两个数值，也可以是它们随时间变化的曲线。这个思路可以用于衡量市场参与者的“时段偏好”，尤其是当某些品种长期出现“高开低走”或“低开高走”的规律时，这类指标会给出非常直观的提醒。

名词解释

几何收益率（Geometric Return）：又称复利收益率，是指将多个时期的收益按连乘方式计算出来的复合收益率。公式为：总收益率 = (1 + r1)(1 + r2)...(1 + rn) - 1。它考虑了盈利和亏损在后续期间的复利效应，比算术收益率更能反映实际资产变化。

算术收益率（Arithmetic Return）：将各期收益直接相加后除以期数，或者简单相加。对于单个区间，它等于价格变化除以初始价格；但在多区间累加时，算术平均值会高估真实增长，因为它忽略了“亏钱后再赚钱需要更大涨幅才能回本”这一事实。

交易时段（Trading Session）：指交易所规定的正常连续交易时间。例如中国A股为工作日的上午9:30至11:30、下午13:00至15:00（其实有两个子时段）；美国股票市场为美东时间9:30至16:00。在本文语境中，交易时段是指小时K线连续出现的时段。

非交易时段（Non-Trading Session）：指交易市场休市的时间段，包括隔夜时段、午间休市、周末及节假日。在价格K线上，非交易时段通常体现为价格跳空缺口，没有对应的成交量与连续K线。

小时级别（Hourly Timeframe）：指以一小时为周期形成的K线，每一根K线涵盖一个小时的交易数据（开盘、最高、最低、收盘及成交量）。小时级别是日内中频交易常用的时间框架，可以保留足够的日内细节，又不会像分钟级别那样过于琐碎。

跳空缺口（Price Gap）：当非交易时段发生重大事件或买卖力量失衡时，新时段的第一笔成交价与前一时段最后一笔成交价之间通常存在明显差异，表现为K线图上的空档。跳空缺口往往是隔夜收益的主要来源，也是本文所说的“交易时段外涨幅”的主要载体。

基数效应（Base Effect）：在计算涨幅时，涨跌的绝对幅度虽然相同，但相对于不同的起点价格，其百分比意义不同。几何方式天然会处理基数效应，因为复利计算中利率的基数是动态变化的。

策略思路讲解

这个策略的核心逻辑可以拆解为两步：第一步，对每个交易日，分别统计“交易时段内”与“交易时段外”的几何收益；第二步，将整体涨幅按几何框架分解，得到两个部分的贡献比例。

我们先从最简单的情况说起。假设某个市场每天只有4根小时K线：9点、10点、11点、12点，且每天收盘后到第二天开盘前为隔夜时段。那么，在计算一天的总涨幅时，如果以当日开盘价为起点，以次日开盘价为终点（或者以当日开盘到次日开盘为周期），总收益可以写成：

总收益率 = (1 + 日内收益率) × (1 + 隔夜收益率) - 1

其中，日内收益率等于当日最后一根小时K线收盘价除以当日第一根小时K线开盘价再减1；隔夜收益率等于次日第一根K线的开盘价除以当日最后一根K线的收盘价再减1。这里必须先做几何乘法，才能保证“日内涨幅+隔夜涨幅”在复利意义上与总涨幅严格相等。

进一步地，如果我们把时间拉长到一周、一月甚至更长，那么就需要把每天的日内收益率和隔夜收益率分别连乘，再得到两个区间上的复合收益率。之后，我们可以用对数收益来分配贡献比例：取总收益率的自然对数，日内部分的对数收益和隔夜部分的对数收益之和，精确等于总对数收益。于是，日内贡献率 = ln(1 + 日内复合收益) / ln(1 + 总收益)，隔夜贡献率 = 1 - 日内贡献率。这种几何分解是数学上最严谨的做法。

在实战中，该指标可以用于观察以下现象：

• 强势股的“高开模式”：如果某只股票长期处于上涨通道，大部分涨幅来自隔夜高开，而日内始终震荡甚至回落，那么这种上涨属于“消息驱动型上涨”。一旦没有新消息支撑，高开可能变少，涨势就会衰竭。
• 弱势股的“低开模式”：如果下跌过程主要发生在非交易时段（比如低开下跌），则说明卖方在隔夜更为激进，盘中反而有反弹。这种模式往往与恐慌性抛售后的修复行情有关。
• 市场时段的“轮动效应”：不同市场（股票、期货、债券）的交易时段不同，全球资金会轮番影响资产价格。例如某种商品的价格可能主要在欧洲交易时段上涨、在亚洲交易时段下跌。使用小时K线并识别各市场交易时段，就能量化这种轮动关系。

不过，该策略并没有给出直接的买卖信号。它更多是一个分析工具，需要配合其他技术指标或基本面事件来使用。比如，当“日内贡献度”处于历史高位时，说明当前上涨主要是场内资金推动，趋势可能更健康；而“隔夜贡献度”持续走高时，需要警惕追高操作。

优点

1. 几何计算避免了复利扭曲：采用几何方式而非算术方式，让“日内贡献+隔夜贡献”能够严格等于总收益，不会出现总涨幅等于10%，但两部分加起来却有12%的逻辑错误。
2. 拆解维度具有洞察力：通过区分交易时段内外，可以揭示上涨的“时间质地”。这帮助交易者识别上涨是由隔夜消息、跳空缺口带来的“虚涨”，还是由场内连续买盘带来的“实涨”。
3. 适用范围清晰，操作成本低：只需要小时级别的开高低收数据，不需要成交量、订单流等额外信息。数据容易获取，计算逻辑简单，适合作为研究框架的基础层。
4. 与多种策略兼容：它可以作为趋势跟踪、均值回归、事件交易等策略的过滤器或加权因子。例如，一个趋势策略要求“日内贡献度>50%”才入场，可以过滤掉大量隔夜驱动型的伪突破。
5. 时间对称性好：该指标不只关注上涨，同样可以用于下跌。下降趋势中也可以分解日内与隔夜的跌幅，从而观察空头的行动时段。

缺点

1. 时间框架单一：仅适用于小时级别，这在很大程度上限制了它的灵活性。其他时间框架（如15分钟、4小时、日线）无法直接套用，尤其是日线级别无法拆分日内与隔夜贡献。
2. 市场类型受限：对于加密货币或外汇等7×24小时连续交易的市场，根本不存在传统的“交易时段”概念，因此该策略直接失效。即使在股票市场，不同交易所的休市安排也有差异，需要针对性地定义时段边界。
3. 只描述不预测：该指标是一个“后视镜”，它能告诉你过去一段时间涨跌幅来自哪里，但并未给出任何前瞻性预测或统计显著性判断。交易者如果把它当成未来信号，很容易掉入“数据挖掘陷阱”。
4. 容易受到极端跳空误导：某些个股在发布财报、重大新闻后会出现非常大的隔夜跳空，这个跳空可能一次性贡献了过去一年中超过50%的隔夜收益。此时该指标会严重偏向隔夜贡献，但实际上这只是个例，并非稳定的时段行为。
5. 忽略成交量和流动性：涨幅相同的两根K线，一是有巨量支撑，一是无量空涨，它们的市场含义完全不同。该策略完全没考虑成交量，导致无法区分真实驱动与偶然波动。
6. 时段划分存在歧义：例如A股有午间休市，此时“交易时段”实际上被拆成上午和下午两个子时段。如果把午休时间也视为非交易时段，则“日内贡献”会被切分，需要额外定义。不同划分方式会得出不同的结果。

起源年份考证

关于“SeansIciDisi”这个具体策略，由于公开信息中未提供发布日期或作者所在地，且作者使用的标签仅有“其他”，我们无法考证该策略确切的诞生年份。但就其方法归属——“几何拆解交易时段内/外收益”——而言，我们可以给出该类方法在行业公认的演化脉络：

• 20世纪90年代初至中期：金融市场微观结构研究兴起。学者们开始把每日收益拆解为“隔夜收益”与“日内收益”，并观察到二者在统计特征上存在显著差异，例如隔夜收益往往具有更低的波动率或更显著的正均值。这一阶段属于学术起步期。
• 2000年代初至中期：随着高频数据和交易成本数据的可得性提高，隔夜收益与日内收益的研究进入数量化投资领域。对冲基金开始利用“隔夜/日内收益分解”来设计新的阿尔法因子，并用于优化执行算法。此时该类方法在专业机构中流行。
• 2010年前后：零售量化交易社区快速壮大，许多原本属于学术研究的方法被翻译成通俗的脚本和图表指标。由于小时K线数据在各大平台中易于获取，“时段贡献度”类工具开始在公开社区中传播。该策略很可能就是在这个时期被编写的。
• 2015年之后：随着在线社区和移动端交易软件的发展，越来越多的交易者使用这类时段收益分析辅助复盘。同时，机器学习方法也开始利用时段特征作为输入，使得该方法从“展示性指标”演变为“模型特征”。

因此，虽然该具体策略的发布时间无法考证，但可以将“交易时段内/外几何收益分解”这一方法的普及背景大致定位在2010年至2015年的零售量化社区中。

改进建议

1. 加入成交量加权：在计算时段贡献时，可以额外计算该时段的成交量占总成交量的比例，并将涨幅贡献乘以成交量权重，或者生成一个“单位成交量涨幅”的指标，以识别哪些时段的上涨更有资金支撑。

2. 支持多时间框架自适应：将小时级别扩展到其他粒度，比如把“非交易时段”替换为“相邻两个周期之间”的时段，从而适用于15分钟、4小时甚至日线。关键在于用统一的方法识别“有K线与无K线之间的边界”。

3. 引入统计显著性判断：对历史时段的日内/隔夜贡献度进行滚动分位数或Z-score计算，当最新贡献度偏离历史均值超过一定标准差时，才给出提示。这样可以过滤掉随机扰动，避免对单次跳空过度反应。

4. 增加波动率或ATR过滤：在低波动时段，价格涨幅没有太多信息量；可以设定一个最小波动率阈值，只有当一个交易时段内的价格变化幅度超过阈值时，才将其纳入贡献度统计。

5. 开发前向收益率对照：将当前时段的日内/隔夜贡献度与未来1日、3日或5日的收益率进行对照分析，检验该指标是否具有预测性。若统计上无显著性，则更适合作为复盘工具而非信号源。

6. 可视化改进：使用堆积柱状图或面积图，将每天的涨幅分解为“日内部分”和“隔夜部分”叠加显示；同时用颜色区分正负贡献，使交易者能一眼识别出上涨或下跌主要由哪个时段驱动。

7. 多市场联动分析：将该指标应用在具有跨市场关联的品种上，例如某种股票与它的期货合约，或者沪深300指数与富时中国A50期货。通过对比不同市场在同一时段内的贡献情况，可以捕捉到跨市场的信息领先方。

8. 增加事件过滤：在财报发布日、政策公布日等已知重大事件日，隔夜跳空往往具有特殊含义。可以设置一个“排除事件日”的开关，让使用者同时看到含事件和不含事件的两种结果，从而评估稳定时段行为。

总结

“SeansIciDisi”这个策略虽然名字有些陌生，但它的思想内核并不复杂：用几何方式将一段价格的上涨（或下跌）拆分为“交易时段内”和“交易时段外”两个组成部分，并在小时级别的时间框架上呈现其贡献比例。这种方法本质上是在回答一个朴素而重要的问题——市场的参与者们究竟在什么时间推动价格发生变化？

从交易理念上看，它提醒我们不要被整体上涨的单一数字所迷惑。一个连续上涨的品种，如果所有涨幅都由隔夜跳空贡献，而日内始终保持横盘甚至回落，那么这种上涨的持续性可能会受到怀疑。相反，如果日内贡献占比稳定，说明买卖双方在交易时段内有着真实的博弈和资金流，趋势基础可能更为扎实。

当然，这个指标也有明确的边界。它仅适合具有清晰开闭市时间、且数据粒度刚好落在小时级别的市场。对于连续交易市场，或者需要更高精度判断时，需要修改或重构其核心定义。作为交易者，我们应当把它当作一块“放大镜”，而不是一台“预言机”。用它来审视市场结构，并结合成交量、波动率、基本面事件等信息综合决策，才能真正发挥其价值。

在量化分析不断普及的今天，像“交易时段内外收益分解”这样源自学术殿堂的方法，已经变成普通交易者也能触手可及的工具。理解其几何计算背后的数学逻辑，比记住某个固定的参数或公式更有意义。因为只有真正理解了它如何拆分收益，我们才能判断它给出的结论是否可靠，也才能把它恰到好处地嵌入自己的交易体系。