7 均线择时与趋势因子的八十年沉浮
在金融学讲堂与真实交易室之间，技术分析一直处在一个微妙的位置。
学术界长期信奉有效市场假说，认为股票价格遵循随机游走，任何试图从历史K线和技术指标中寻找未来线索的做法，常被调侃为金融领域的「占星术」。然而在实务界，从早期画图表的手工交易员，到管理百亿美元的量化CTA基金，均线和趋势跟踪从来没有离开过主流舞台。
技术分析到底还有没有用？简单的均线交叉是过时的神话，还是依然能打的硬核工具？
2021年，资产定价学者韩玉峰（Yufeng Han）、刘洋（Yang Liu）、周国富（Guofu Zhou）与朱英姿（Yingzi Zhu）在SSRN发布了一篇重磅综述论文：Technical Analysis in the Stock Market: A Review（《股市技术分析综述》）1。周国富与朱英姿是量化投资与资产定价领域的知名学者，也是学术界趋势因子与均线理论的代表人物。
在这篇论文中，作者们整理了跨越1897年至2020年、长达一百二十余年的历史数据，对大盘指数择时、波动率组合择时、截面趋势选股以及机器学习前沿，做了一次全面的实证复盘。
复盘的结果，揭示出均线与技术分析在现代市场中的得与失。
7.1 大盘均线择时与发表效应
学术界对技术分析态度的转变，始于1992年。
当时，Brock、Lakonishok和LeBaron（简称BLL）在《金融学期刊》（Journal of Finance）上发表了一篇里程碑式的论文。他们使用道琼斯工业平均指数从1897年到1986年的近百年数据，系统检验了26种常见的技术分析策略，包括可变长均线（VMA）、固定长均线（FMA）和交易区间突破（TRB）。
BLL的实证结论轰动一时：所有26种技术策略不仅能产生正收益，而且显著跑赢了买入持有策略。这项研究第一次用严密的计量方法，为传统技术分析正了名。
然而，三十年过去了，当这篇综述的作者们将道琼斯指数的数据延长至2020年底，重新检验这些经典策略时，却看到了截然不同的景象。
| 统计区间 | 策略平均买入日 收益(%) |
策略平均卖出日 收益(%) |
买卖收益差(%) |
|---|---|---|---|
| 1897-2020 全样本 | 0.04 | -0.01 | 0.05 |
| 1897-1914 子样本 | 0.03 | -0.03 | 0.06 |
| 1915-1938 子样本 | 0.04 | -0.02 | 0.06 |
| 1939-1962 子样本 | 0.04 | 0.00 | 0.04 |
| 1962-1986 子样本 | 0.03 | -0.01 | 0.04 |
| 1987-2020 样本外 | 0.02 | 0.06 | -0.04 |
1986年之前的各个历史时期，可变长均线策略（VMA）买入信号日均收益在0.03%至0.04%左右，卖出信号日均收益为负，买卖信号收益差稳健且显著。
但到了1987年至2020年的样本外区间，均线策略在宏观大盘上几乎彻底失效。在10组VMA策略中，卖出信号出现后的日均收益上升至0.06%，反而高出了买入信号的0.02%，买卖差值整体转为负数（-0.04%）。固定长均线策略（FMA）和区间突破策略（TRB）的更新结果也如出一辙。
为什么大盘均线择时会失灵？
作者们指出了关键原因：发表效应（Publication Effect）。正如McLean和Pontiff（2016）在顶刊论文中所论证的，许多在学术文献中被公开证明有效的市场规律，在论文发表之后都会面临收益衰减甚至消失。当全市场的量化机构和套利资金都知晓了大盘均线规则，集中的套利交易会迅速抹平指数层面的时序超额。
再加上宽基指数受宏观利率、地缘政治和行业轮动等海量因素交织影响，单纯依靠几根时序均线对大盘做择时，胜率早已大不如前。
7.2 波动率组合中的避风港
如果大盘指数层面的均线择时已经消解，这是否意味着均线工具彻底失去了实用价值？
答案并非如此简单。
早在2013年，Han、Yang和Zhou就提出过一个不同的视角：不要对着成分极其复杂的宽基大盘指数做均线择时，而把均线应用到按波动率排序的细分股票组合上（Volatility Decile Portfolios）。
他们将美股股票按过去一年的日收益率波动率从低到高分成10组，然后对每个波动率组合分别执行最朴素的10日均线策略：当组合前一天的价格高于其10日均线时全仓买入，跌破10日均线时切换至无风险资产（30天国债）。
在这篇综述论文中，作者们将检验区间延长到了2020年9月。结果令人惊喜：与大盘指数的失效相反，均线择时在波动率组合上的表现极其坚挺，甚至在论文发表后的样本外区间更加强劲。
| 组合分类 | 买入持有年化 超额收益(%) |
买入持有年化 波动率(%) |
买入持有夏普比率 | 10日均线年化 超额收益(%) |
10日均线年化 波动率(%) |
10日均线夏普比率 |
|---|---|---|---|---|---|---|
| 1组(最低波动) | 10.17 | 7.35 | 0.77 | 17.72 | 4.21 | 3.15 |
| 4组 | 13.97 | 13.92 | 0.68 | 21.33 | 8.68 | 1.94 |
| 7组 | 14.80 | 17.85 | 0.58 | 24.73 | 11.34 | 1.79 |
| 10组(最高波动) | 38.13 | 21.59 | 1.77 | 53.14 | 15.06 | 3.53 |
| 高波 - 低波 | 27.96 | 19.33 | 1.45 | 35.42 | 14.49 | 2.45 |
在全样本中，买入持有高波动组合的年化超额收益为38.13%，年化波动率为21.59%；而在施加了10日均线择时后，年化超额收益提升到了53.14%，年化波动率反而下降到了15.06%，夏普比率从1.77跃升至3.53。
在各个波动率分位上，10日均线策略的波动率大约只有买入持有策略的65%。更显著的改变在于收益分布：原先高波动资产普遍具有明显的负偏度（存在断崖式下跌的肥尾风险），均线策略将其成功纠偏为正偏度。
为了检验这种超额是否来自于市场已知风险因子的补偿，作者们使用Fama-French五因子模型进行了对冲回归。
| 组合分类 | 全样本年化 Alpha(%) (1963-2020) |
全样本t值 | 发表后样本外 年化Alpha(%) (2010-2020) |
发表后t值 |
|---|---|---|---|---|
| 1组(最低波动) | 9.36 | 10.50 | 5.91 | 2.24 |
| 4组 | 12.20 | 10.39 | 4.82 | 1.47 |
| 7组 | 15.59 | 11.31 | 5.24 | 1.41 |
| 10组(最高波动) | 19.49 | 11.53 | 19.30 | 3.84 |
| 高波 - 低波 | 10.13 | 6.42 | 13.38 | 2.75 |
在扣除市场、市值、估值、盈利与投资五大因子暴露后，均线择时多头对冲买入持有组合（MAP）依然保有显著的正Alpha。尤其在最高波动率组，年化Alpha接近20%。
在2010年至2020年发表后的样本外区间，高波减低波的多空Alpha达到13.38%（t=2.75），甚至超过全样本的10.13%。
为什么波动率组合能抵御发表效应？
是的，这里存在两重机制。
第一重机制在于信息不确定性。高波动股票往往伴随着巨大的基本面分歧与信息不确定性。当利好或利空出现时，大资金很难瞬间完成调仓，需要数日甚至数周在市场上缓慢建仓或出清，从而在价格曲线上留下了清晰的趋势印记。均线充当了一种快速贝叶斯学习机制，帮助投资者在不确定性中跟上资金步伐。
第二重机制在于套利摩擦（Limits to Arbitrage）。大盘指数流动性充裕，股指期货和ETF交易摩擦微乎其微，套利资本极易将其抹平；但分散在高波动个股上的组合，涉及高昂借券成本、流动性冲击与交易佣金，限制了套利资金的介入。
7.3 截面趋势因子的多空表现
技术分析的演进并没有止步于时序择时。它在现代量化投资中的另一条主线，是截面选股。
在传统多因子模型中，动量因子（UMD）通常只使用过去12个月（剔除最近1个月）的收益率。然而，这种单一时间窗口的设定存在天然缺陷：它无法区分一只股票是在过去一个月突然暴涨，还是在过去一年中持续平稳上涨。
2016年，Han、Zhou和Zhu提出了趋势因子（Trend Factor）。他们选取了从3天、5天、10天一直到1000天的11根均线，覆盖了日度、周度、月度、季度以及1至5年的完整价格路径。在每个月末，通过截面Fama-MacBeth回归预测全市场个股在下个月的预期收益，并构建五分位多空组合。
在1930年至2019年近90年的长周期中，趋势因子展现出了对传统因子的压制力。
| 因子名称 | 月均 收益(%) |
月波动率 (%) |
夏普率 | 偏度 | 峰度 |
|---|---|---|---|---|---|
| 趋势因子 (Trend) |
1.56 | 3.42 | 0.46 | 1.44 | 11.30 |
| 趋势因子 FF 构建法 |
1.22 | 2.90 | 0.42 | 1.61 | 11.20 |
| 短期反转 (SREV) |
0.77 | 3.43 | 0.23 | 1.00 | 8.38 |
| 传统动量 (UMD) |
0.61 | 4.74 | 0.13 | -3.02 | 27.40 |
| 市场因子 (Market) |
0.64 | 5.31 | 0.12 | 0.25 | 8.13 |
| 价值因子 (HML) |
0.36 | 3.52 | 0.10 | 2.19 | 19.20 |
| 长期反转 (LREV) |
0.28 | 3.44 | 0.08 | 2.92 | 25.10 |
| 规模因子 (SMB) |
0.24 | 3.19 | 0.08 | 2.01 | 20.00 |
趋势因子的月均收益达到1.56%（年化约18.7%），月度夏普比率为0.46，均达到传统动量因子的两倍以上。
更关键的差异体现在偏度上。传统动量因子（UMD）具有高达-3.02的严重负偏度，这意味着它在常规行情中表现良好，但在市场反转时容易遭遇剧烈的动量崩溃（Momentum Crash）；趋势因子同时容纳了短期反转与长周期均线信号，其偏度为正的1.44，右侧肥尾特征明显。
在2015年至2019年的样本外区间，美股处于以科技巨头为主导的单边牛市，大盘月均收益达0.89%（夏普0.25），而传统多因子普遍遭遇逆风，规模因子（-0.14%）、价值因子（-0.36%）和长期反转因子（-0.72%）均陷入亏损。
在这一极端行情下，趋势因子的月均收益回落至0.24%（夏普0.09），虽然不及历史平均水平，但依然略优于传统动量因子（0.22%，夏普0.06）。
7.4 算法进化与三条认知
随着计算能力的发展，技术分析早已超越了简单的划线工具。
在现代研究中，学者们开始将传统均线与非线性机器学习技术相结合。例如，周国富等人在后续研究中引入了C-Lasso算法与遗传规划，并将均线与宏观预测变量、成交量指标进行融合。在A股市场的实证中，结合大单资金流向的成交量趋势因子，对市场定价异象展现出了更强的解释力。
然而，在这篇综述的结尾，四位作者并没有盲目鼓吹算法的神奇，而是给出了三条清醒的总结：
第一，预测力通常是微弱的，必须考量交易成本。 截面选股的统计预测力往往强于时序择时，但截面调仓的换手率和冲击成本远高于时序交易。如果无法妥善控制交易摩擦，账面Alpha很容易在实盘中被侵蚀殆尽。
第二，规律具有时变性，简单的公开策略会面临发表效应。 任何被公众广泛知晓且极易复制的单一择时规则，其超额收益都会随时间衰减。唯有在高信息不确定性、高套利摩擦的领域，均线才能保持长久的生命力。
第三，市场博弈始终存在锦标赛效应（Tournament Effect）。 无论交易者使用传统的尺规几何，还是前沿的神经网络与深度学习，在零和博弈市场中，能够长期战胜基准的永远只是少数人。
7.5 风浪深处的罗盘
回到最初的问题：技术分析还管用吗？
这篇跨越百年的综述研究给出了清晰的答案：迷信单根均线在大盘指数上精确抄底逃顶，在如今高度机构化的市场里早已行不通。
均线的真正力量，不在于预测明天的涨跌，而在于提供一套纪律性的风险预算框架。在高波动资产面临下行风暴时，均线能够及时斩断尾部风险；在复杂多变的市场环境中，多周期的趋势信号能帮助组合识别资金阻力最小的方向。
在平缓开阔的水域，人人都能辨明航向；只有当风浪骤起、不确定性笼罩海面时，这枚古老而朴素的罗盘，才显露出它不可替代的分量。
7.6 扩展阅读
综述论文引用： Han, Yufeng, Yang Liu, Guofu Zhou, and Yingzi Zhu, Technical Analysis in the Stock Market: A Review (May 18, 2021). Available at SSRN: https://ssrn.com/abstract=3850494 or http://dx.doi.org/10.2139/ssrn.38504942
文中涉及的关键经典文献：
- Brock, W., Lakonishok, J., and LeBaron, B., 1992. Simple technical trading rules and the stochastic properties of stock returns. Journal of Finance, 47(5), 1731–1764.
- Han, Y., Yang, K., and Zhou, G., 2013. A new anomaly: The cross-sectional profitability of technical analysis. Journal of Financial and Quantitative Analysis, 48(5), 1433–1461.
- Han, Y., Zhou, G., and Zhu, Y., 2016. A trend factor: Any economic gains from using information over investment horizons?. Journal of Financial Economics, 122(2), 352–375.
- McLean, R.D., and Pontiff, J., 2016. Does academic research destroy stock return predictability?. Journal of Finance, 71(1), 5–32.
- Zhu, Y., and Zhou, G., 2009. Technical analysis: An asset allocation perspective on the use of moving averages. Journal of Financial Economics, 92(3), 519–544.
本文由 Gemini 3.7 Flash 撰写综述。
Yufeng Han 等, 《Technical Analysis in the Stock Market: A Review》, prepublished 2021年, https://doi.org/10.2139/ssrn.3850494.↩︎
Han 等, 《Technical Analysis in the Stock Market》.↩︎