高频交易算法研发心得--WAVT指标（Warensoft交易量趋势指标）算法及应用

高频交易算法研发心得--WAVT指标（Warensoft交易量趋势指标）算法及应用

注：WAVT指标由Warensoft(王宇)原创。

前面聊了一系列的常见应用指标，包括短线、长线的指标，并且也无耐的指出每种指标的问题。当然每写一篇文章，也都是一次学习过程。经过一年多的学习研究，笔者也自创了一个应用指标，并将其命名为WAT指标，本次让我们一起来探讨一下，欢迎大家扔砖！

1.指标定义

WAVT：Warensoft交易量趋势（Warensoft Volume Trend），是根据一定时期内交易量描述出买卖趋势的指标量，适合于中长期交易。WAVT指标表达形式，如下所示：

如图所示，WAVT指标包括两种显示形式，一个是曲线图，一个是方波图，方波图是由曲线图计算得到的。其中，曲线图可以较为直观的显示当前行情的变化趋势，但是不便于量化交易；而方波图是对曲线图进行了一次数值变换，适合计算机进行量化交易。

2.趋势线的计算

我相信有很多程序猿和我一样，一直都希望通过行情变化曲线的极值点，来捕获最合理的买卖时机。这里存在两个技术难点：

• 曲线是否平滑（曲线不平滑，就难以确定极值点）
• 曲线的末端是否稳定（不稳定，就会常常出现误判）

对于趋势线的计算，最简单的想法是利用K线进行绘制。由于K线是市场的最直接反映，所以其波动性会比较大，因此，以K线作为数据源的话，整个图像中出现的M头或W底会非常的多。

前段时间，研究了一下OBV指标，同时，有一个10多年的老股民朋友（也是资深软件工程师）告诉我说：“可以利用交易量来模拟行情”。本人大受启发，因此，WAVT的趋势线的数据源是来自市场交易量的。

前一篇文章中（谈RSI指标），我们说过经典的MACD以及MA均线，都是从固定周期的价格作为判读的指导思想，并将价格进行平滑处理，然后得到可参考的判读结果。排除个人经验外，这些计算方法从方法论层面上来说是一种数值化判定方法（即：先有数据，再判定结果）。

然而基于交易量的OBV指标，则是从交易量的角度，分析人们的交易信心（信心是无法量化的），因此，OBV指标是带有预测性。另外，相同周期的OVB指标要比MA指标更靠近真实行情，同时OBV的曲线要比MA的曲线平滑得多！

咱们书归正文，WAVT指标中的趋势线算法描述如下：

public List<TimeValuePair> GetWAVTTrendLine()

        {

            //1.首先获取带有Vol值的K线数据。

            var kline = GetKline();

            //2.计算OBV指标值,注意这里使用40做为平滑周期

            var obv = GetOBV(kline,);

            //3.获取极值点采样，注意这里需要进行两次采样，因此参数为2

            var peeks = GetPeekPoints(obv, );

            //4.因为极值点数据，在时间上是不连续的，

            //因此，需要对极值点数据进行线性插值，以保证每个时间点上都有数据

            peeks = InterplotData(peeks);

        }

经过上面4个步骤，我们就可以得到WAVT趋势线。具体算法比较复杂，看官们可以自己实现，或者调用Warensoft Stock Service Client来实现。其图像如下所示：

3.方波图的计算

趋势线的特点是比较直观，适合人眼来观察行情，但是不便于计算机量化处理。下面我们来进行方波化变换，以便计算机量化。其过程如下：

//1.计算WAVT趋势线

            var trendLine = GetWAVTTrendLine();

            //2.所有数据减去前一个数值，得到方波值

            var value = trendLine[i] - trendLine[i - ];

            //3.对方波数据进行噪声滤波，以去掉干扰数据

            value = MakeFilter(value);

经过上面3个步骤，我们就可以得到WAVT方波图，其图像如下所示：

4.应用方式

通过前面的算法描述，我们不难发现，方波图可以较好的把握大体的买卖时机，即：

• 当数据由负值向上穿越0线时，可以买入
• 当数据由正值向下穿越0线时，可以卖出

如下图所示：

5.总结

本指标算法尚在测试中，应用需要谨慎。

WAVT指标可以用于中长期的交易，但是只能大体来把握趋势，和其他技术指标一样，WAVT指标存在一定的延时性，在应用的时候会错过最最低值和最最高值。