JUKUAN/Lib/research

期货市场研究算法库

概述

本目录包含期货市场的各种研究算法和分析工具，用于量化分析期货市场的技术指标、价格走势和交易策略。所有代码基于聚宽API开发，适用于聚宽在线研究平台。

算法文件结构

1. 期货多均线穿越分析 (future_ma_cross_analysis.py)

功能描述

分析期货合约的多均线穿越事件，识别同时穿越至少3条均线的K线，并分析后续收益表现。

主要特点

• 多均线系统: 使用MA5、MA10、MA20、MA30四条移动平均线
• 穿越识别: 精确判断K线实体上穿或下穿至少3条均线
• 后续跟踪: 分析穿越后5日、10日、20日、30日的收益率表现
• 批量处理: 自动分析所有期货主力合约

核心算法

def check_multi_ma_cross(row):
    """检查单日K线是否向上或向下穿越了至少3条均线"""
    # 条件：开盘价在均线一侧，收盘价在均线另一侧
    # 上穿：开盘价 < 均线 且 收盘价 > 均线
    # 下穿：开盘价 > 均线 且 收盘价 < 均线

输出结果

• CSV文件：包含所有穿越事件的详细信息和后续收益率
• 统计报告：穿越方向分布、收益率统计、品种统计等

2. 期货市场整体变化趋势分析 (future_all_change_trend.py)

功能描述

分析期货市场整体的价格变化趋势，计算每日市场平均变化率和正负变化分布。

主要特点

• 市场全貌: 分析所有期货品种的价格变化
• 趋势识别: 计算滚动平均值识别市场趋势
• 异常检测: 使用标准差检测异常市场波动
• 可视化: 生成趋势图表展示市场变化规律

核心算法

def process_data(df, std_dev_multiplier=3):
    """处理数据并过滤异常值"""
    # 计算每日平均变化率
    # 统计正负变化数量
    # 计算滚动平均值
    # 过滤异常值

输出结果

• 每日市场平均变化率
• 正负变化品种数量统计
• 滚动平均值和趋势图表
• 异常市场行为检测报告

3. 期货技术形态规律分析 (future_pattern_comprehensive.py)

功能描述

核心研究项目 - 研究期货品种在大幅下跌后出现特定K线形态的规律，并分析后续走势表现。这是一个综合性的技术形态分析工具。

主要特点

• 全自动化: 从数据获取到结果输出全程自动化
• 多维度筛选: 结合回撤、K线形态、时间位置等条件
• 量化验证: 通过10周跟踪验证形态有效性
• 可视化展示: 自动生成K线图标记技术形态
• 综合集成: 单文件包含配置、分析、测试全部功能

文件结构

第一部分：分析配置参数 (AnalysisConfig类)
第二部分：技术形态分析器主类 (FuturePatternAnalyzer类)  
第三部分：测试和演示代码 (PatternAnalysisTests类)
第四部分：主程序入口 (main函数)

分析流程

1. 构建期货品种数据: 创建80+个期货品种的8888主连合约代码
2. 筛选大幅下跌品种: 识别最大回撤>30%的期货品种
3. 获取主力合约映射: 获取下跌期间的主力合约变化
4. 获取周线K线数据: 扩展时间范围的周线OHLCV数据
5. 识别目标K线形态: 十字星+长上影线组合形态识别
6. 分析后续10周走势: 量化跟踪后续收益率表现
7. 生成可视化图表: K线图展示和统计报告
8. 保存分析结果: 完整的CSV数据文件输出

技术形态条件

• 条件A: 开盘价与收盘价差异 ≤ 1% (十字星特征)
• 条件B: 最高价相对开盘价涨幅 ≥ 3% (长上影线特征)
• 位置条件: 形态出现在大幅下跌期间或附近

配置参数

# 时间设置
START_DATE = '2022-01-01'  # 建议至少2年数据
END_DATE = '2024-12-31'

# 筛选条件
MIN_DRAWDOWN_THRESHOLD = 0.30  # 30%最小回撤
KLINE_CONDITIONS = {
    'max_open_close_diff': 0.01,  # 1%开收差异
    'min_high_open_gain': 0.03,   # 3%最高涨幅
}

# 分析参数
FOLLOW_UP_WEEKS = 10           # 后续跟踪10周
SUCCESS_RETURN_THRESHOLD = 0.05 # 5%成功率阈值

支持的期货品种

• 大商所(XDCE): A、B、C、I、J、JM、L、M、P、PP、V、Y等
• 郑商所(XZCE): AP、CF、FG、MA、RM、SR、TA、ZC等
• 上期所(XSGE): AG、AL、AU、CU、RB、RU、ZN等
• 中金所(CCFX): IC、IF、IH、T、TF、TS
• 广期所(GFEX): SI、LC
• 上海国际能源(XINE): SC、BC、LU、NR

使用方法

# 基本使用 - 完整分析
results = run_pattern_analysis(mode='full')

# 快速测试
results = run_pattern_analysis(mode='quick')

# 自定义参数测试
results = run_pattern_analysis(mode='custom')

# 逐步功能测试
run_pattern_analysis(mode='step')

# 直接使用分析器类
analyzer = FuturePatternAnalyzer('2022-01-01', '2024-12-31')
results = analyzer.run_full_analysis()

输出文件

• future_major_decline_YYYYMMDD_HHMMSS.csv - 大幅下跌期货品种
• future_kline_patterns_YYYYMMDD_HHMMSS.csv - 识别的K线形态
• future_pattern_performance_YYYYMMDD_HHMMSS.csv - 后续走势分析
• future_pattern_summary_YYYYMMDD_HHMMSS.csv - 统计汇总
• kline_pattern_{品种}_{日期}.png - K线图表

性能统计示例

=== 期货技术形态规律分析报告 ===
总分析期货品种数: 85
大幅下跌品种数: 12
识别出的目标形态数: 8
完成后续走势分析数: 8

=== 后续走势统计分析 ===
10周内最高收益率统计:
  平均值: 15.32%
  正收益比例: 7/8 (87.5%)

=== 交易成功率分析 ===
成功率: 75.0%

技术架构

数据源

• 聚宽API: 使用jqdata获取期货价格数据
• 数据频率: 支持日线和周线数据
• 数据字段: OHLCV (开高低收量)

核心库依赖

import pandas as pd      # 数据处理
import numpy as np       # 数值计算  
from jqdata import *     # 聚宽API
import matplotlib.pyplot as plt  # 图表绘制

代码规范

• 函数命名: 使用下划线分隔的描述性命名
• 类设计: 面向对象设计，功能模块化
• 错误处理: 完善的异常捕获和日志记录
• 配置管理: 集中的参数配置和管理
• 文档注释: 详细的函数和类文档字符串

使用建议

1. 运行环境

• 推荐平台: 聚宽在线研究环境
• Python版本: Python 3.6+
• 内存要求: 建议至少2GB内存
• 数据权限: 需要聚宽期货数据访问权限

2. 最佳实践

• 时间范围: 建议使用至少2年的历史数据进行分析
• 品种选择: 可通过配置文件筛选活跃品种
• 参数调优: 根据研究目标调整筛选阈值
• 结果验证: 结合基本面分析验证技术分析结果

3. 性能优化

• 批量处理: 使用并行处理提升大规模数据分析速度
• 内存管理: 及时释放不需要的数据对象
• 缓存策略: 对重复查询的数据进行缓存
• 测试模式: 使用测试模式快速验证算法逻辑

更新日志

v1.3 (2025-09)

• 重构: 将期货技术形态分析整合为单一综合文件
• 优化: 改进代码结构，增强在线平台适配性
• 新增: 添加多种测试模式和配置选项
• 完善: 统一的README文档和算法说明

v1.2 (2025-06)

• 新增: 期货技术形态规律分析算法
• 扩展: 支持更多期货品种和交易所
• 优化: 改进可视化效果和报告格式

v1.1 (2024-12)

• 新增: 多均线穿越分析功能
• 优化: 改进数据处理效率
• 修复: 修复部分品种数据获取问题

v1.0 (2024-06)

• 初始版本: 基础的期货市场趋势分析
• 核心功能: 市场整体变化趋势分析

研究成果

学术价值

• 提供了期货市场技术分析的量化研究框架
• 验证了特定K线形态在期货市场的有效性
• 建立了系统性的期货品种分析方法论

实用价值

• 为量化交易策略提供技术分析工具
• 辅助投资决策和风险管理
• 支持期货市场的深度研究和分析

未来发展

• 集成机器学习模型提升预测准确性
• 扩展更多技术指标和形态识别
• 建立实时分析和预警系统
• 开发策略回测和评估框架

---

维护团队: jukuan研究团队
最后更新: 2025年9月
技术支持: 基于聚宽平台开发，需要相应API权限
使用许可: 仅供研究和学习使用