TASC 2022.06 Ehlers Loops

策略解读

在量化交易与技术分析领域，约翰·埃勒斯（John Ehlers）是一位享有盛誉的研究者与信号处理专家。他长期致力于将数字信号处理技术引入金融市场分析，开发出了一系列兼具理论深度与实用价值的指标和工具。2022年6月，美国著名技术分析刊物《技术分析股票与商品》（Technical Analysis of Stocks & Commodities，简称TASC）在其"交易者技巧"专栏中，发表了埃勒斯撰写的专题文章《埃勒斯环：第一部分》（Ehlers Loops, Part 1）。随后，公开交易社区中出现了基于该文章思想的具体实现脚本，使得这一前沿工具得以被更广泛的交易者了解和使用。

埃勒斯环的核心贡献在于：它提供了一种全新的视觉化方法，用于评估两个不同数据流之间的动态关系——尤其是领先与滞后关系。在传统的技术分析中，我们通常习惯于观察单一指标在时间轴上的变化，或者将两个指标叠加在同一个价格图表上进行对比。然而，这种对比往往是粗糙的、非量化的，难以精确捕捉两个数据流之间细微的相位差异。埃勒斯环则通过一套精密的滤波与缩放流程，将两个数据流映射到一个二维平面之上，形成一条随时间延展的轨迹。这条轨迹在平面上的形状、方向与旋转方式，蕴含了关于两个数据流相对关系的丰富信息。

这篇文章所附的代码实现，正是围绕价格与成交量这对经典变量展开的。在技术分析的历史长河中，"量价关系"一直是一个被反复提及却又充满争议的话题。传统格言告诉我们"量在价先"、"放量突破"等，但这些说法是否总是成立？是否存在某些阶段，价格确实领先于成交量？埃勒斯环正是为了回答这类问题而生——它试图以严谨的信号处理手段，客观地刻画价格流与成交量流之间的动态领先-滞后结构，从而验证或摒弃那些流传已久的教条式论断。

在本文中，我们将深入剖析埃勒斯环的底层逻辑、设计理念与实战应用方法，并探讨其优势、局限与可能的改进方向。无论你是量化交易的研究者，还是对技术分析本质有好奇心的交易者，相信这篇文章都能为你提供一个全新的观察视角。

名词解释

在进入策略细节之前，有必要先厘清几个贯穿全文的核心术语。这些概念不仅是理解埃勒斯环的基础，也是整个信号处理式技术分析流派的关键支柱。

1. 约翰·埃勒斯（John Ehlers）：一位电气工程师出身的金融技术分析研究者，曾在美国空军从事雷达与信号处理领域的工作。他将这一领域的专业知识迁移至金融市场，提出了大量基于数字信号处理的指标，如自适应周期估计、中值滤波器、超级平滑器等。他的著作与文章深刻影响了技术分析量化研究的方向。

2. 滞后滤波器：在信号处理中，滤波器被用于改变信号的频率成分。滞后滤波器（Lag Filter）是一种会引入输出相对于输入延迟的滤波器。在埃勒斯环中，滞后滤波器的目的是对原始数据流进行某种程度的平滑处理，并建立一条具有可控延迟的基准线，以便与另一条数据流进行比较。通过调节滤波器的参数，我们可以控制延迟的幅度，从而观察不同延迟水平下两个数据流之间的关系是否为"稳定的领先"。

3. 频率域与时域：任何时间序列信号都可以从两个角度进行描述。时域（Time Domain）描述的是信号随时间变化的形态，即我们日常在图表上看到的曲线。频率域（Frequency Domain）则描述信号中包含的不同周期成分的强度与相位。埃勒斯环的设计理念深受频率域分析的影响，其滤波器的参数设定往往需要结合频率响应来理解。

4. 归一化与缩放：在比较两个物理意义不同、数值范围迥异的数据流（如价格与成交量）时，直接比较是毫无意义的。归一化（Normalization）是将数据按比例缩放至一个统一区间（如-1到1之间）的过程，其目的是消除量纲和量级差异的影响。埃勒斯环中，两个数据流在输入之前都必须经过严格的缩放处理，否则生成的图形将失去比较价值。

5. 领先-滞后关系：描述两个变量在时间演变中谁先谁后的动态关系。如果变量A的变化模式总是先于变量B出现，则称A领先于B，B滞后于A。这种关系并非恒定不变，它会随市场状态的变化而切换。埃勒斯环的核心目标之一，就是实时监控这种关系的切换状态。

6. 陷波滤波器：一种特殊的带阻滤波器，它允许大多数频率成分无损通过，仅对某个特定频率（或极窄的频率范围）产生强烈衰减。在埃勒斯环的流程中，陷波滤波器被用于去除数据流中因零频率均值漂移而导致的偏离，确保两个信号围绕零点对称波动，从而让环状图形分布在平面的中心区域。

7. 相位：在周期运动中，相位描述的是波形在一个完整周期内所处的相对位置，通常用角度表示。当两个波形之间存在相位差时，它们在时间轴上会出现错位。埃勒斯环图像中轨迹的旋转方向，本质上反映了两个波形之间的相位差是正值还是负值。

策略思路讲解

埃勒斯环的设计思路可以分解为一条清晰的逻辑链路：数据输入——独立滤波——自适应缩放——二维映射——图形解读。

第一步：数据选择与初步对齐。 埃勒斯环需要两个输入数据流。在本文的具体实现中，这两个数据流分别是价格的某种度量（如典型价格）和成交量的某种度量。为了使两者可比，需要先进行初步的时间对齐。值得注意的是，成交量本身具有明显的趋势性与季节成分（如日内不同时段的成交量基准不同），而价格则是一个均值回归性较强的序列。因此，直接在原始序列层面进行处理是不合适的。

第二步：滞后滤波——制造"时间错位"。 对两个数据流分别施加滞后滤波器。这里的核心思想是：如果我们想要判断"价格是否领先于成交量"，一个直观的思路是人为地对价格序列施加一个已知的延迟，然后观察它是否与未经延迟（或延迟较小）的成交量序列相匹配。如果匹配度高，则说明在自然状态下，价格确实领先于成交量。为了实现这一判断，埃勒斯设计了一个巧妙的滤波结构：不仅要产生一条平滑的基准线，还要产生一条滞后于该基准线的延迟线。两条线之间的时差形成一个可控的"观测窗口"，我们通过观察窗口内两条线的相对运动来推断领先-滞后状态。

第三步：自适应缩放——消除量纲鸿沟。 价格以货币单位计价，成交量以股数或手数计价，两者的数值范围可能相差多个数量级。如果直接送入二维坐标系，图形将被量纲大的一方主导。因此，需要对滤波后的信号进行标准化处理。这种标准化不是静态的"除以最大值"，而是动态的、自适应的。具体而言，系统会实时追踪信号的波动幅度（如基于某种均方根计算），并将信号缩放至一个以零为中心、振幅稳定的状态。缩放之后，价格信号和成交量信号都变成了振幅大致相当的无量纲序列，这时它们在正交坐标系中的合成运动才具备几何意义。

第四步：二维映射——生成"环"。 经过滤波和缩放后的两个信号，分别作为平面直角坐标系的X轴与Y轴分量。在每个时间点上，两个信号值共同确定平面上的一个点。随着时间推进，这些点会连续地描绘出一条轨迹。如果两个信号是同相位的（完全同步涨落），这条轨迹将趋近于一条直线；如果两个信号存在正相位差（如价格领先），轨迹将呈现逆时针旋转的环状；如果存在负相位差（成交量领先），轨迹将呈现顺时针旋转。而环的扁率、面积和稳定性则反映了两个信号之间相关性的强度与持续性。一个饱满、规则的环，意味着两个数据流之间存在显著且稳定的领先-滞后结构；而一个扭结、混沌的图形，则意味着两者之间的关系不清晰或快速切换。

第五步：图形解读与交易应用。 埃勒斯环本身不产生直接的买卖信号，它是一种诊断工具。交易者需要观察环旋转方向的变化，尤其是从一种旋转方向切换为另一种旋转方向的时刻。例如，如果传统认知是"量在价先"（即成交量领先于价格），那么在埃勒斯环中应该观察到顺时针旋转的环。若环的方向逆转为逆时针，则说明价格正在领跑成交量，这可能预示着当前放量是一种"确认性"行为，而非"预示性"行为，上涨的可持续性存疑。更进一步，交易者可以结合环的形态变化，判断量价关系的强度是否在增强或衰减，从而调整对趋势健康度的评估。

优点

第一，创新性的视觉化机制。 埃勒斯环将抽象的信号处理概念转化为直观的二维图形。相比于观察两条曲线的前后交错，这种环状轨迹图能更直观地呈现两个数据流的相位关系。对于经验丰富的使用者而言，快速扫一眼环的旋转方向与形状，就能对量价关系的状态形成整体印象。

第二，严谨的信号处理基础。 整个方法论建立在成熟的数字信号处理理论之上，而非经验式的观察归纳。这意味着其中的滤波、缩放与变换步骤都具有明确的数学定义，可以进行严格的参数敏感性分析与优化，也便于在不同市场、不同品种上进行程序化回测。

第三，对传统量价关系的"客观裁决"。 埃勒斯环并不预设"量在价先"或"价在量先"的立场，而是通过数据自身的动态来呈现事实。这种"让数据说话"的方法，有助于交易者摆脱教条主义的束缚，针对不同市场、不同周期建立起真正符合实际的量价关系认知。

第四，适用于多种市场与周期。 埃勒斯环的原理不依赖于特定的市场制度或交易品种的微观结构。无论是股票、期货、外汇还是加密货币，只要有价格与成交量的数据流，就可以应用该工具。时间周期也可以灵活选择，从分钟级到周线级均可适应。

第五，为跨数据流分析提供了范式。 这一工具并不局限于价格与成交量。两个任意经济指标、两个不同板块指数、甚至同品种不同周期的价格序列，都可以作为输入。因此，埃勒斯环为多维金融时间序列分析提供了一个灵活而强大的通用框架。

缺点

第一，信号滞后性与参数敏感性。 尽管埃勒斯环中的滤波器在相位响应上有所优化，但任何滤波操作都无法完全避免滞后。在快速变动的市场中，环的状态切换可能滞后于实际转折点，导致交易者错过最佳介入时机或在新趋势确立初期产生误判。滤波器的长度、类型等参数设置对结果影响显著，但最优参数往往随市场状态变化而漂移。

第二，解读门槛较高。 虽然图形直观，但背后涉及滤波器、相位、频率响应等信号处理概念，对于缺乏相关知识的交易者而言，理解环旋转方向与市场状态之间的精确对应关系需要相当的学习成本。试图用简单的"顺时针看多、逆时针看空"来概括，会严重简化问题，导致错误使用。

第三，原始数据质量依赖性强。 成交量数据的噪声水平远高于价格数据，尤其是在流动性较差的品种或非连续交易时段。噪声可能在环状轨迹上制造大量短促、不稳定的扭结，干扰对主要环结构的判断。此外，部分市场中存在成交量的"真空期"（如涨跌停、停牌），这些特殊状态会被缩放机制放大，造成图形异常。

第四，缺乏方向性信息。 虽然埃勒斯环能揭示两数据流之间的相位关系，但它本身并不包含两数据流的绝对方向信息——即它是涨是跌。交易者无法单独依靠埃勒斯环判断市场的多空方向，必须结合原始价格趋势或其他趋势跟踪指标，这意味着它是一个"辅助诊断工具"而非独立的交易系统。

第五，伪信号难以完全避免。 在振荡市或低波动环境中，两个噪声序列的相位关系可能呈现随机的、频繁切换的状态，从而产生大量虚假的环向反转信号。如果没有额外的过滤机制（如波动率阈值、最小持续周期要求），交易者很容易被这种噪声诱导而频繁交易。

起源年份考证

需要明确的是，本文讨论的"埃勒斯环"（Ehlers Loops）这一具体方法论，是约翰·埃勒斯于2022年在TASC刊物上首次发表的。该文章的标题为《埃勒斯环：第一部分》，这一时间节点有明确的文献依据。发表于2022年6月刊的这篇文章，是该类方法考证的可靠起点。需要注意的是，由于TASC的"交易者技巧"专栏通常会在文章正式刊发后，将配套代码同步至公开交易社区，因此即便在发布当月，开源社区中就已经出现了该方法的可运行实现，这极大促进了该方法的传播与验证。

从更宽广的视角来看，埃勒斯环并非无源之水。它是约翰·埃勒斯长期以来运用信号处理理论进行金融分析的系统性研究的最新成果。我们可以在其学术与著作生涯的时间轴上，追溯这一方法的思想渊源：

• 20世纪90年代末至2000年代初：埃勒斯开始系统性地将数字信号处理概念引入技术分析。这一时期他提出了如"自适应均线"、"周期追踪器"等一系列早期成果，奠定了"用频率域思维审视金融市场"的基础。
• 2001年：埃勒斯出版著作《交易者的火箭科学》（Rocket Science for Traders），对周期、滤波与指标设计进行了系统性阐述。这本书成为了该流派经典的起始锚点。
• 2004年：他开始在TASC杂志上稳定地发表一系列系列文章，内容涉及"超级平滑器"、"滞后消除技术"等，这些技术成为了日后埃勒斯环内部滤波器设计的直接组成部分。
• 2014年：埃勒斯出版第二本重要著作《交易者的周期分析》（Cycle Analytics for Traders），进一步深化了自适应滤波、希耳伯特变换等高级技术在市场中的应用，为后来埃勒斯环中涉及的"实时相位测量"与"自适应缩放"提供了方法论前提。
• 2022年：埃勒斯在TASC 6月刊正式发表《埃勒斯环：第一部分》，引入这一全新的可视化分析框架。这一时间点是该方法在公开文献中确凿可考的首发日期。
• 2022年之后：公开交易社区在杂志发行当月即发布了该方法的实现脚本。随着社区用户的使用与反馈，该方法开始为更广泛的受众所知悉，并衍生出一些改进与变体讨论。

综合来看，埃勒斯环作为一种具体的方法，其提出时间可以明确考证为2022年。而其所根植的"信号处理式金融分析"这一更宏大的思想流派，则有着超过二十年的发展历史，埃勒斯本人是这一流派最核心的建构者之一。

改进建议

第一，引入自适应参数调整机制。 当前滤波器参数和缩放机制多依赖于固定预设值。一个重要的改进方向是让这些参数能够根据市场波动的变化自行调整。例如，在市场波动率上升时，自动缩短滤波窗口，以捕捉更快的量价关系切换；在低波动环境中，自动延长窗口以过滤噪声。这种自适应机制可以通过结合波动率估计器实现。

第二，增加趋势方向过滤层。 如前所述，埃勒斯环不包含方向信息。一种有效的改进是引入一个额外的趋势滤网（如使用价格相对长期均线的位置或ADX指标判断趋势强度），只有当趋势方向与环的形态变化相互印证时才发出有效信号。例如，在上升趋势中，仅当环从混乱状态逆转为规则的顺指针旋转时，才确认"放量涨升"的有效性。

第三，进行多周期共振分析。 单一周期上的埃勒斯环可能受到周期噪声的严重干扰。改进方法是同时在甚短周期、短周期和中期周期上分别绘制埃勒斯环，观察其旋转方向是否在多个时间框架上保持一致。只有当多个周期的环均指向同一领先-滞后关系时，构成的信号才具有更高的可靠性与交易价值。

第四，引入"环形态"量化指标体系。 可视化解读存在一定的主观性。改进方向是开发一系列的量化指标来客观描述环的形态，例如：计算环轨迹在一段时间内的方向积分（以判断旋转方向的持续性）、计算环面积的变化率（以反映量价相关性的强度）、计算环中心点的轨迹偏移（以捕捉均值漂移）。这些量化描述可以极大地增强该方法的可回测性与系统性。

第五，扩展数据流组合。 突破原始的价格-成交量框架，将埃勒斯环应用于其他具有隐含因果关系的变量对。例如：将资金流向指标与价格变化率组合；将宏观经济数据与行业指数收益率组合；将短期动量与长期趋势组合。不同变量对的组合可能揭示市场中不同侧面的领先-滞后结构，为多因子分析提供新的可视化手段。

第六，结合机器学习进行模式识别。 既然埃勒斯环的二维轨迹本质上是一种时间演化的曲线，可以借助机器学习中的序列学习算法（如RNN或Transformer结构）来端到端地学习环轨迹形状与未来价格走势之间的非线性映射关系。这将消除人工解读的主观性，同时可能发现人眼难以察觉的潜在模式。

总结

埃勒斯环，是约翰·埃勒斯这位信号处理大师在2022年贡献给技术分析领域的一件颇具启发性的工具。它不仅仅是一个指标，更是一整套方法论：将两个数据流经过滞后滤波、自适应缩放后投射到二维平面，通过观察环的旋转方向与形态，来动态评估两者之间的领先-滞后关系。该方法背靠扎实的信号处理理论，具有严谨的数学基础，与传统的经验式量价分析形成了鲜明的对照。

在该工具的核心应用场景——验证"量在价先"这一传统教条——中，它提供了一种客观的、可视化的验证途径。交易者不再需要依赖模糊的直觉来感受量价配合度，而是可以通过观察环的旋转特征来形成判断。与此同时，任何一种工具都不是万能的，埃勒斯环也具有滞后性、参数敏感性、解读门槛高等固有局限。对于交易者而言，正确的态度是把它纳入自己的分析工具箱中，作为诊断量价关系与跨数据流动态的重要参考，而不是孤立地依赖它做出交易决断。

金融市场是一个复杂的、非线性的动态系统，任何单一工具都只能捕捉其某一维度的特征。埃勒斯环以其独树一帜的视觉呈现和严谨的理论根基，为我们在数据流交织的迷宫中提供了一盏明亮而独特的探照灯。当我们学会正确地使用它，理解它的光芒所照亮的边界，我们就能在市场的混沌中，多一份从容的观察与理性的判断。将来，随着自适应技术的加持与跨领域应用的推广，这一方法体系有望进一步演进，为量化交易的世界贡献更多的智慧。