Sigma Spike Filtered Binned OPR ( Adam H. Grimes )

策略解读

OPR，全称是 Open Price Range，直译为“开盘价区间位置”。简单来说，它回答了一个问题：在一天的价格波动范围中，开盘价落在哪里？这个问题看似基础，却隐含着丰富的市场行为信息。

我们知道，一天的开盘价往往反映了隔夜消息、市场情绪以及参与者的预期。如果开盘价接近当天最高价，说明市场一开始就有强烈的买盘推动，或者出现了跳空高开；如果开盘价接近当天最低价，则说明卖压沉重。然而，单看某一天的 OPR 意义不大，因为噪声太多。Adam H. Grimes 提出的思路是：把历史上所有交易日的 OPR 值收集起来，做成分箱直方图，观察整体分布形态。

这里的“分箱”是统计学中的常用操作。假如把 OPR 的取值从 0 到 1 分成十个等宽区间，每个区间宽度为 0.1，那么每一个交易日的 OPR 值就会被归入其中一个区间。统计所有区间的出现频率，就能得到一张直方图。如果 OPR 是随机的，直方图应该大致均匀；但如果直方图在两端出现明显高耸的“厚尾”，就说明市场经常以接近高点或低点的位置开盘，这背后一定有某种行为逻辑。

更关键的是，Grimes 并不对所有交易日一视同仁。他引入了一个波动率过滤器，即“Sigma Spike”。这个名称中的“Sigma”通常指标准差，而“Spike”表示尖峰。组合起来，Sigma Spike 描述的是波动率出现异常放大的状态——仿佛在平静的波动率曲线上突然竖起一根尖刺。只有当这种尖峰出现时，OPR 才会被计入统计。换言之，Grimes 的关注点不是普通日子，而是那些波动剧烈、可能出现极端行情的高波动日。

为什么要这样做？因为普通交易日的 OPR 分布往往杂乱无章，难以提炼出规律。而在高波动日，市场参与者的情绪会被放大，开盘位置通常更能体现出真实的供需力量或机构意图。比如，在一段上升趋势中，高波动日如果频繁出现 OPR 接近 1 的情况，可能意味着多头力量极强，趋势有望延续；反之，如果高波动日经常低开，则可能是趋势反转的前兆。

当然，这种分析方法并不是一个完整的交易系统。它更像是一种研究工具或过滤信号，帮助交易者理解市场状态、寻找不对称的统计机会。需要特别注意的是，OPR 只观察开盘价在当日价格区间中的位置，并不包含开盘后的价格走向。因此，单独使用它无法产生买卖信号，必须与其他分析手段结合。

名词解释

1. OPR（Open Price Range）
   开盘价在当日最高价与最低价构成的价格区间中所处的位置。计算公式可理解为 (开盘价 - 最低价) / (最高价 - 最低价)，取值落在 0 到 1 之间。0 表示开盘即最低价，1 表示开盘即最高价。

2. 分箱（Binning）
   将连续数据分成若干个离散区间的过程。例如将 0 到 1 的区间等分为 10 份，每个数据点被归入某一个区间内。分箱可以减少噪声，便于观察整体分布形态。

3. 直方图（Histogram）
   一种统计图表，用等宽矩形的高度表示每个区间中数据出现的频数或频率。横向代表数据取值区间，纵向代表频数。它能直观展示数据的集中趋势、分散程度以及尾部特征。

4. 厚尾（Fat Tail）
   在概率分布中，尾部（两端的极端值区域）比正态分布更厚、更高的现象。厚尾意味着极端事件发生的概率高于常规模型预期。在 OPR 直方图中，厚尾出现在 0 和 1 两侧，说明开盘价经常出现在极值附近。

5. Sigma Spike
   由 Adam Grimes 提出的波动率过滤概念。Sigma 代表标准差，Spike 代表尖峰。它用于识别波动率远超平时的交易日，可以理解为一个检测波动率突增的指标，目的是只保留市场剧烈变化的样本。

6. 波动率（Volatility）
   资产价格变动的剧烈程度，通常用标准差或真实波幅衡量。波动率越高，价格的不确定性越大。在金融分析中，高波动率往往与市场情绪亢奋、重要消息发布或趋势加速有关。

7. 相对高波动日（Relative High Range Days）
   指当天价格波动幅度相对历史平均水平显著放大的日子。这类日子往往包含更多信息，也更容易出现趋势性行情或转折点，因此是许多策略的重点研究对象。

策略思路讲解

这个策略的核心思想可以用一句话概括：只在波动率异常放大的日子里，研究开盘价在当日区间中的位置分布，以此推断市场的倾向性。

首先，我们需要理解为什么开盘位置如此重要。开盘价是一天中第一个成交价，它集合了隔夜所有消息和参与者的预期。如果市场在开盘时低开，往往意味着隔夜有坏消息或空头力量占优；如果高开，则说明多头情绪浓厚。然而，如果只看单日开盘位置，很容易被局部噪声误导。比如，一只股票可能在开盘后立刻被散户推高，但随后机构卖出，最终收盘远低于开盘。因此，单日 OPR 的价值有限，但大量历史样本的分布规律却能揭示某种统计倾向。

于是，Grimes 的方法分两步走：

第一步，计算每个交易日的 OPR 值，并按数值大小分箱。假设我们将 OPR 从 0 到 1 等分为 20 个区间，那么每天都会落在一个区间内。经过长期累计，就能画出一条分布曲线。这条曲线如果中间高、两端低，说明开盘价大多在当日区间中段附近；如果两端高、中间低，说明市场经常在极端位置开盘。

第二步，用 Sigma Spike 过滤样本。这里的核心逻辑是：普通日子的 OPR 分布可能没有明显规律，因为市场处于均衡状态，开盘位置相对随机。但在高波动日，基本面或技术面驱动力量较强，开盘位置往往是多空双方真刀真枪博弈的结果，因此更可能呈现结构性的偏斜。例如，在暴跌行情中，开盘价常常接近当日最低点，导致 OPR 分布偏向 0；在暴涨行情中，则偏向 1。过滤掉低波动日后，这些极端倾向会变得更加清晰。

从交易角度，这种分析可以帮助我们建立一些概率优势。比如，历史数据显示，在高波动日开盘价接近当日最高价时，随后往往出现获利回吐或反转；而在高波动日开盘价接近当日最低价时，日内反弹概率较高。当然，这些经验需要结合不同市场和品种进行验证。更常见的用法是将其作为一种背景条件，与其他指标（如趋势、成交量、支撑阻力）配合使用。如果 OPR 分布显示市场长期偏斜，交易者可以顺应这个偏斜方向，避免逆势操作。

值得注意的是，该策略并不提供具体的入场和出场规则，它更像是一把“尺子”，用来衡量市场情绪的温度。交易者需要用这把尺子去审视每一天的开盘特征，并结合实际盘面做出决策。

优点

1. 逻辑清晰，易于理解
   OPR 和 Sigma Spike 都建立在直观的统计学概念之上，无需深奥的数学知识就能理解其含义。交易者可以快速掌握并应用于自己的分析体系中。

2. 滤除噪声，聚焦极端行情
   通过波动率过滤，策略将注意力集中在高波动日，避免普通日子中随机开盘带来的干扰。这有助于提高统计规律的显著性。

3. 提供独特的市场情绪视角
   OPR 直方图能够直观呈现市场开盘行为的长期偏好。厚尾位置告诉我们，市场什么时候容易情绪化，什么时候相对理性，这是许多传统指标无法反映的。

4. 可组合性强
   该策略不是一个封闭系统，可以轻松融入现有交易框架。比如作为趋势跟踪的过滤条件，或者作为日内反转策略的参考信号。

5. 边际成本低
   OPR 的计算仅依赖开盘价、最高价和最低价，数据获取容易，计算开销小，适合在一定周期内批量分析。

缺点

1. 策略本身不产生交易信号
   无论 OPR 分布如何，它都没有告诉交易者具体应该入场还是离场，也没有止损止盈规则。过度依赖它容易导致分析满天飞，却无法落地。

2. 历史分布可能失效
   市场结构会随环境变化。过去几十年中开盘位置的特殊规律，可能因交易制度改变、算法交易兴起或市场风格切换而变得不再适用。直方图显示的是历史统计，而不是永恒真理。

3. Sigma Spike 的参数设定主观性强
   如何定义“波动率超过阈值”？阈值过高会损失太多样本，过低则过滤效果不明显。这个参数的优化需要反复测试，且不同市场、不同周期可能没有统一标准。

4. 忽略开盘后的价格行为
   OPR 只观察开盘价的位置，不关心随后价格如何发展。两个 OPR 相同的日子，可能会出现一天单边上涨、另一天冲高回落的截然相反走势。这会导致统计结论失去部分可操作性。

5. 样本数量可能不足
   高波动日的占比通常不高，尤其在长期低波动环境下。如果历史数据不够长，分箱后的某些区间可能样本极少，直方图呈锯齿状，无法形成稳健结论。

起源年份考证

这里需要说明：本文考证的是“OPR + 波动率过滤”这类方法的出现时间线，而不是具体某个脚本的发布时间。由于公开社区中该脚本未标注明确发布日期，具体发布时间无法考证。但根据策略类型和相关人物，可以梳理出大致的行业演变轨迹。

• 20 世纪 70 年代至 80 年代：日内价格模式研究萌芽
  随着期货市场和计算机化交易的兴起，交易员开始系统性地研究开盘价、最高价、最低价之间的关系。例如，开盘区间突破策略（Opening Range Breakout）在 1980 年代就已经出现，其核心思想就是关注开盘后一段时间的价格区间。OPR 这类“开盘位置”指标与之一脉相承，同属于开盘行为分析范畴。

• 20 世纪 90 年代：统计分箱与直方图分析进入技术分析领域
  随着个人电脑普及，交易者开始使用统计工具对历史数据分布进行实证研究。将连续指标分箱并绘制直方图成为常见手法。此时，学术界和交易界对金融资产收益率的厚尾、尖峰特征已有大量文献，但将 OPR 单独作为研究对象并做分箱分析的做法仍较为少见。

• 2012 年前后：Adam H. Grimes 的系统化总结
  Adam H. Grimes 是知名的技术分析师和交易员，其代表作《The Art and Science of Technical Analysis》于 2012 年出版。在该书中，他系统阐述了市场结构、趋势、均值回归等概念，也多次提及波动率状态对交易决策的影响。OPR 指标和 Sigma Spike 过滤思路虽然并未完全照搬书中内容，但明显带有 Grimes 的统计实证风格，可以视为他长期研究的一部分。

• 2010 年代中后期：公开交易社区传播与变体
  这类量化脚本在公开交易社区中大量出现，许多作者会将自己的经验写成可复用的指标或策略。rumpypumpydumpy 发布的这个脚本，从内容描述来看，属于将 Grimes 的思路进行软件化表达。具体年份可能集中在 2015 至 2020 年之间，但由于没有原始发布时间，无法精确考证。

综上，我们可以说：OPR 以及“用波动率过滤后分析开盘位置分布”的方法论，成型于 21 世纪初，并在 2010 年代随着系统化交易和开源社区的繁荣而广泛传播。

改进建议

1. 引入成交量因子
   高波动日如果伴随天量，其信号强度往往更强。建议在过滤条件中加入成交量放大因子，只保留“波动率放大且成交量显著高于均值”的日子，进一步提高样本质量。

2. 动态调整分箱数量与边界
   固定数量分箱可能无法适应不同市场。可以尝试根据样本量自适应选择分箱数量，例如使用史特吉斯规则或平方根规则，使直方图既平滑又不失细节。

3. 结合开盘缺口与前一日的收盘关系
   OPR 没有区分跳空高开和跳空低开，而这两种情况的市场含义完全不同。建议增加一个变体：将收盘价与开盘价的距离也纳入统计，形成二维分布，从而区分高开高走、高开低走、低开高走、低开低走等不同状态。

4. 使用多种波动率估计方法
   Sigma Spike 的具体定义可以更丰富。除了基于标准差的过滤，还可尝试平均真实波幅（ATR）比率、已实现波动率、日内振幅百分位等。不同波动率衡量指标可能带来不同的过滤效果，应比较后择优。

5. 与其他量化信号交叉验证
   不要孤立使用 OPR 直方图。可以将其与趋势指标（如移动平均线斜率）、动量指标（如 RSI）或支撑阻力位结合。例如，只在长期均线多头排列的前提下，才认可 OPR 偏高的统计优势。

6. 滚动窗口分析
   历史分布可能随时间改变。建议使用滚动窗口（如过去 250 个交易日）重新计算 OPR 直方图，而不是一次使用全部历史。这样能够捕捉市场风格的缓慢变化，减少过时统计的影响。

7. 加入随机对照检验
   为了确认 OPR 厚尾不是偶然现象，可以使用随机排列测试或蒙特卡洛模拟，对原始 OPR 数据进行随机打乱，比较真实分布与随机分布之间的差异显著性。

8. 开发内日统计模型
   既然 OPR 只描述开盘位置，我们还可以进一步统计“当 OPR 处于某一区间时，随后 N 小时的价格变化方向与幅度”。这样就能从纯粹分布分析升级为带有期望收益的统计套利模型。

总结

Sigma Spike Filtered Binned OPR 是一个颇具巧思的策略研究工具。它用统计学家的眼光重新审视盘中最简单、最不受噪声干扰的数据之一——开盘价的位置。通过分箱直方图，交易者能够一眼看出市场开盘行为的长期倾向；通过 Sigma Spike 过滤，又进一步聚焦于那些信息密度较高的高波动日。这种将“市场行为分布”与“波动率状态”结合的思路，在技术分析中显得理性而扎实。

然而，必须清醒地认识到，这个策略并不提供完整交易答案。它的价值在于帮助我们理解市场、提出假设、筛选条件，而非直接产生买卖信号。任何基于该方法的实盘使用，都应经过严格的历史检验、参数优化和风险控制。市场永远在变化，昨天的厚尾也许明天就会消失；唯一不变的是，人类的贪婪与恐惧依然会在开盘那一刻留下痕迹，而 OPR 就是捕捉这些痕迹的一把钥匙。

对于交易者而言，最合理的态度或许是：把 Sigma Spike Filtered Binned OPR 当作工具箱中的一件辅助工具，让它与其他方法相互印证。在充满噪声和不确定性的金融市场中，多一把尺子总比少一把好，但最终决定盈亏的，仍然是深度的理解、严格的纪律和稳健的资金管理。