Spread by

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。

在量化交易中，衡量价格数据的离散程度与集中趋势是构建策略的基石。传统指标如标准差、均值等已被广泛使用，但当数据分布存在偏态或极端值，或我们需要针对特定平均类型进行匹配时，标准工具往往不够精确。公开交易社区中，一位署名 gorx1 的作者分享了一个综合离散度指标脚本，它整合了多种离散度和集中趋势度量，并允许用户自由选择来源、长度和基准。本文将从该脚本的原始描述出发，深入探讨其背后的统计思想、交易应用与改进方向。

策略解读

该脚本的核心价值在于将四类离散度指标集成于一体，并针对不同平均类型设计了对应的偏离计算方法。作者不仅提供了通用的标准差和平均绝对偏差，还特别加入了几何标准差与调和偏差，以匹配几何平均和调和平均的使用场景。这种设计在公开交易社区中并不常见，因为大多数指标仅提供单一的标准差或简单波动率计算。

从统计角度看，不同平均类型对数据分布有不同的敏感性：算术平均对极端值敏感，而几何平均和调和平均则更抗异常值。相应地，它们的离散度度量也应当采用乘法或倒数形式，而非简单的减法。gorx1 的脚本正是基于这一思想，让交易者能够根据数据特性选择最合适的“均值—离散度”组合。例如，当研究价格的对数收益时，几何平均和对数标准差更适用；当处理时间或汇率类数据时，调和平均与调和偏差可能更有意义。

此外，脚本允许用户自行设定“基准”（basis），这意味着离散度可以围绕一个自定义的移动平均线或价格带进行计算，而不局限固定均值。这种灵活性为自适应波动带、均值回归通道等策略提供了更多可能性。虽然原描述未给出具体买卖规则，但它为构建统计驱动的交易系统提供了一个全面而严谨的工具箱。

名词解释

标准差（Standard Deviation）：衡量数据点相对于算术平均值的分散程度，是所有数据点到平均值距离的平方的平均数的平方根。标准差越大，价格波动越剧烈，常用于衡量资产的历史波动率。
平均绝对偏差（Average Deviation / Mean Absolute Deviation）：各数据点与平均值之差的绝对值的算术平均。相比标准差，它赋予极端值更小的权重，因此对于含有异常值的数据分布更为稳健。
几何平均（Geometric Mean）：n 个正数的乘积开 n 次方。它适用于计算增长率、比例等具有乘法关系的数据，例如多期收益率连乘后开方。几何平均值通常小于等于算术平均值，并且不受极端大值的影响。
调和平均（Harmonic Mean）：各数据点倒数的算术平均的倒数。它适用于速率、比值类数据，如平均价格在单位成本中的计算。调和平均值对极小值敏感，但大于等于几何平均且小于等于算术平均。
几何标准差（Geometric Standard Deviation）：用于衡量数据围绕几何平均值的乘法离散程度。其计算基于对数变换，即先取对数，计算标准差后再指数还原。它常用于对数正态分布的数据，如资产价格和收益率的长期分布。
调和偏差（Harmonic Deviation / Harmonic Standard Deviation）：与调和平均配套的离散度度量，通过倒数变换后的偏差计算，用于描述数据在调和均值附近的波动幅度。虽然不如标准差常见，但在某些特定场景下能更准确反映数据的变异。
集中趋势（Central Tendency）：描述一组数据向其中心值聚合的统计量，包括均值、中位数、众数等。在交易中，集中趋势通常代表价格的中枢或“公平价值”。

策略思路讲解

利用这个综合离散度指标，我们可以构建多种交易策略，核心逻辑是“价格偏离均值”的回归与突破。具体思路如下：

首先，选择一个合适的集中趋势基准。如果价格数据近似正态分布，使用算术平均和标准差；如果价格走势呈对数正态或需要考察长期复合收益，则使用几何平均和几何标准差；如果关注高频交易中的平均成本或汇率倒数，调和平均更合适。该脚本允许我们同时切换这些组合，从而适应不同的市场环境和标的。

其次，基于选定的离散度指标，构造波动带。例如，以基准均值加减 k 倍标准差或平均绝对偏差作为上下轨。当价格触及上轨时，可视为超买，做空或减仓；触及下轨时，视为超卖，做多或加仓。若数据存在极端值，使用平均绝对偏差可以减少伪突破的干扰；当使用几何平均时，上下轨实际上呈现乘法关系，更适合长期趋势跟踪。

更为精细的策略是关注离散度本身的收缩与扩张。当标准差或几何标准差下降至历史低位时，往往预示着市场即将突破；而当离散度快速扩张时，可结合趋势方向进行顺势交易。也可以通过比较不同离散度指标之间的差异，筛选出当前数据分布的类型：如果标准差远大于平均绝对偏差，说明存在极端值或厚尾分布，此时应调整交易仓位或改用更稳健的指标。

该脚本的“自定义基准”功能还允许我们使用动态均值（如移动平均）替代固定均值，从而构建动态波动带。例如，将基准设为一条 20 期指数移动平均线，然后计算价格相对该均线的离散度，这样既能捕捉趋势，又能识别短期乖离的极端情况。

优点

综合性强：一个脚本集齐了四种离散度度量，覆盖了算术、几何、调和三种平均体系，省去了切换多个指标的麻烦，也便于直接对比不同算法的结果。
稳健性可调：平均绝对偏差、几何标准差和调和偏差都对极端值有不同的容忍度，交易者可以根据标的的尾部风险特征选择最合适的指标，避免单一标准差的误判。
可视化友好：原文特别提到状态行和可视化，用户能直观地看到不同指标随时间的变化，有助于及时识别波动率的异常状态。
高度自定义：支持选择源数据（如收盘价、最高价、成交量）、计算长度以及基准（动态均值或固定值），使得同一套逻辑可以适配多品种、多周期、多策略。

缺点

认知门槛高：普通交易者可能不熟悉几何平均、调和平均及其对应的离散度概念，若误用指标，容易得出错误结论。
缺乏明确买卖信号：该脚本只提供统计度量，不生成具体的开平仓信号，需要交易者自行设计交易规则，对初学者不友好。
滞后性：所有离散度指标都基于历史数据计算，在快速变动的市场中存在固有滞后，可能错过最佳入场点或给出迟到的离场信号。
过度参数化风险：过多的自定义选项（源、长度、基准、指标类型）容易导致“参数过拟合”。在不同的市场状态下，没有一组固定参数能始终有效。
数据分布假设严格：几何标准差和调和偏差有其特定的数学前提，如果数据不满足相应分布（如含负数或零），则无法计算或产生错误。

起源年份考证

由于该脚本的作者并未提供原始发布年份，且其内容属于公开社区的自定义实现，我们无法考证该具体脚本的创作时间。然而，其中所涉及的该类方法（即使用平均绝对偏差、标准差、几何平均和调和平均进行金融数据分析）有着清晰的历史脉络：

18 世纪：算术平均和调和平均等基础统计概念已在数学与应用领域存在。调和平均的早期研究可追溯到古希腊，但现代定义为 19 世纪所确立。
1794 年：德国数学家卡尔·弗里德里希·高斯提出最小二乘法，其中引入了基于残差平方和的标准差概念（虽早年由勒让德于 1805 年发表）。标准差作为衡量离散度的方法逐渐被学术界采用。
1880 年代：英国统计学家弗朗西斯·高尔顿在研究优生学时推广了平均绝对偏差，并深入探讨了几何平均在生物测量中的应用。
1952 年：哈里·马科维茨的现代投资组合理论正式将标准差作为风险的度量引入金融学，奠定了均值-方差分析框架，此后标准差成为量化分析的核心工具。
1960-1970 年代：金融经济学家开始重视收益率分布的肥尾和非对称性，几何平均和对数正态模型被广泛应用于股价建模，几何标准差随之在期权定价和风险管理中普及。
1980 年代后：随着计算机技术发展，均值回归策略和统计套利在机构交易中兴起，平均绝对偏差等稳健统计量被重新引入，用于抵抗异常值干扰。

综上，该脚本所采用的统计工具均有逾百年学术积淀，且自 20 世纪中期以来逐步被量化交易界吸收。因此我们考证：这类“多中心趋势-离散度组合”指标的方法论源头可追溯至 18 世纪以降的统计学发展，而其金融应用则在 1950 年代后逐步成型。

改进建议

添加自适应选择机制：脚本可依据数据分布的偏度或峰度，自动推荐最合适的离散度指标。例如，当峰度较高时自动切换到平均绝对偏差，或当数据呈现正偏时使用几何标准差，从而减少人工选择的主观性。
引入非对称波动带：市场上涨和下跌的波动性往往不同，可分别用上侧和下侧的标准差（或平均绝对偏差）构建非对称通道，更贴合实际价格行为，提高交易信号的有效性。
增加极端值过滤功能：在计算标准差或平均绝对偏差前，可使用如中位数绝对偏差（MAD）或 Winsorize 裁剪法对极端值进行预处理，增强指标的抗噪性，避免个别异常点扭曲整体离散度。
结合多周期与多指标确认：建议在离散度指标之上叠加趋势方向（如均线斜率）或量能变化。例如，只有当价格突破波动带且成交量放大时才触发交易，以过滤低质量的假突破。
动态调整计算长度：根据市场波动率或价格到达基准的回归速度，动态缩短或延长计算窗口。例如，当市场进入高波动期时，自动缩短长度以提升响应速度，而在低波动期延长长度以减少噪音。
输出标准化信号分数：将不同离散度指标归一化为 0-100 的百分位或 z-score，并以固定阈值或动态阈值（如布林带百分比）映射为多头/空头强度，使得策略可量化、可回测。
补充图表注释与警示：脚本可在关键位置（如离散度创历史新高、均值回归信号出现）自动高亮，并为主观交易者提供易读的状态提醒，降低理解成本。

总结

gorx1 的“Spread”指标以多窗口、多基准、多分布假设的离散度计算为核心，为交易者提供了一个兼具深度与灵活性的统计工具箱。它提醒我们：在金融市场中，波动并非只有“标准差”一种表达。针对不同数据特征选择正确的集中趋势和离散度组合，是构建稳健统计分析、进而转化为交易优势的前提。尽管它存在参数复杂、缺乏直接信号等不足，但通过结合自适应规则、动态窗口和趋势过滤，完全可以将其改造成一个完整策略的核心组件。无论是均值回归的波段交易，还是趋势跟踪的波动通道，理解和善用这些基础统计量，都是量化研究道路上不可忽视的一环。对于希望深入探索统计驱动型交易的人而言，该脚本是一个极有价值的起点。