Momentum：CMO（钱德动量震荡指标）技术指标详解

Momentum：CMO（钱德动量震荡指标）技术指标详解

一、CMO的定义

CMO（Chande Momentum Oscillator，钱德动量震荡指标） 是由著名技术分析师Tushar Chande于1994年在《The New Technical Trader》一书中正式提出的一种动量技术指标。

核心思想

CMO的核心设计理念是捕捉Chande所说的"纯动量"（Pure Momentum）。与许多传统动量指标不同，CMO在计算过程中同时使用上涨日和下跌日的数据，通过比较一段时间内累计涨幅与累计跌幅的比率，来量化市场的净动量。

CMO的核心特征

CMO与RSI的对比

CMO与RSI在计算思想上密切相关但又各有特色：

二、CMO的计算方法

1. 核心公式

CMO的标准计算公式为：
$$\mathrm{CMO}=\frac{S_u-S_d}{S_u+S_d}\times 100$$
其中：

• $S_u$：指定周期内上涨日（当日收盘 > 前日收盘）的收盘价差之和
• $S_d$：指定周期内下跌日（当日收盘 < 前日收盘）的收盘价差绝对值和

2. 详细计算步骤

步骤一：计算每日价格变化

对于每个周期 $t$，计算当日收盘价与前一日收盘价的差值：

$\Delta P_t={\mathrm{Close}}_t-{\mathrm{Close}}_{t-1}$

步骤二：分离上涨值和下跌值

• 上涨值：$U_t=\max (\Delta P_t,0)$
• 下跌值：$D_t=|\min (\Delta P_t,0)|$

步骤三：计算周期总和

设周期为 $N$（默认14或20）：

$$\begin{gathered} S_u=\sum _{i=t-N+1}^t{U}_i \\ {S}_d=\sum _{i=t-N+1}^t{D}_i \end{gathered}$$
步骤四：计算CMO值
$$\mathrm{CMO}=\frac{S_u-S_d}{S_u+S_d}\times 100$$

• 当 $S_u=S_d$ 时，CMO = 0（多空平衡）
• 当 $S_d=0$ 时，CMO = +100（极端超买）
• 当 $S_u=0$ 时，CMO = -100（极端超卖）

3. CMO的等价变形公式

CMO也可以表示为：

$$\mathrm{CMO}=\left(\frac{2S_u}{S_u+S_d}-1\right)\times 100$$
这种变形清楚地显示了CMO与上涨占比的关系。

4. 参数说明

5. 计算示例

假设某股票最近7个交易日数据（N=5）：

计算过程（以Day7为例，取最近5个有效变化：Day3-Day7）：

• 周期内上涨和 $S_u=3+4+2=9$（Day3、Day5、Day7）
• 周期内下跌和 $S_d=2+1=3$（Day4、Day6）
• CMO = $100\times (9-3)/(9+3)=100\times 6/12=50$

该CMO值为50，处于超买阈值（+50）线上，提示市场可能过热。

三、CMO的使用方法

1. 超买超卖判断——最核心用法

这是CMO指标最经典的应用方法。Tushar Chande将+50量化为超买水平，-50为超卖水平。

逻辑解释：当CMO达到+50时，上涨日总涨幅是下跌日总跌幅的三倍（因为(3-1)/(3+1)=0.5）；当CMO达到-50时，下跌日总跌幅是上涨日总涨幅的三倍。

阈值调整建议：

2. 零轴穿越

CMO围绕零轴波动，零轴是多空力量的分界线：

适用场景：零轴穿越在趋势市场中效果最佳，在震荡市场中可能产生较多假信号。

3. 背离信号——反转预警

与其他动量指标一样，CMO与价格走势的背离是重要的反转预警信号：

实战提示：背离信号在CMO处于极端区域（±50外）时可靠性更高。

4. 趋势强度判断

CMO的绝对值大小可以反映趋势强度：

5. 配合移动平均线触发线

Chande建议可以给CMO增加一条触发线（Trigger Line）来产生更明确的买卖信号：

6. 参数优化建议

CMO的计算周期可以根据交易风格调整：

7. 多指标配合策略

CMO不应单独使用，建议与其他指标配合：

8. 注意事项与局限性

使用CMO前需了解以下要点：

四、使用pandas_ta计算CMO（附示例代码）

1. pandas_ta中的CMO函数

pandas_ta库内置了CMO指标的完整实现，函数位于momentum模块中。

2. 函数完整参数

pandas_ta.momentum.cmo(close, length=None, scalar=None, talib=None, drift=None, offset=None, **kwargs)

参数详解：

返回值：pd.Series——CMO值序列（范围-100到+100）。

3. 示例代码

import pandas as pd
import pandas_ta as ta
import numpy as np
import matplotlib.pyplot as plt

# ========== 第一步：准备数据 ==========
np.random.seed(42)
dates = pd.date_range(start='2024-01-01', end='2024-12-31', freq='D')
n = len(dates)

# 生成带趋势和周期波动的价格序列
trend = np.linspace(0, 25, n)
cycle = np.sin(np.linspace(0, 6 * np.pi, n)) * 10
noise = np.random.randn(n) * 2
price_series = 100 + trend + cycle + noise

df = pd.DataFrame(index=dates)
df['close'] = price_series
df['high'] = df['close'] + np.abs(np.random.randn(n)) * 2 + 1
df['low'] = df['close'] – np.abs(np.random.randn(n)) * 2 – 1
df['volume'] = np.random.randint(1000000, 10000000, n)

print("=" * 60)
print("数据预览：")
print(df.head())
print("\\n" + "=" * 60 + "\\n")

# ========== 第二步：计算CMO（基础用法） ==========
# 使用默认参数 length=14
df['CMO'] = ta.cmo(df['close'])

print("CMO计算结果（最近10行）：")
print(df[['close', 'CMO']].tail(10))
print("\\n" + "=" * 60 + "\\n")

# ========== 第三步：手动验证CMO计算 ==========
def manual_cmo(close, length=14):
"""手动计算CMO验证pandas_ta结果"""
# 计算价格变化
delta = close.diff()

# 分离上涨和下跌
gains = delta.clip(lower=0)
losses = –delta.clip(upper=0)

# 滚动求和
sum_gains = gains.rolling(window=length).sum()
sum_losses = losses.rolling(window=length).sum()

# 计算CMO
cmo = 100 * (sum_gains – sum_losses) / (sum_gains + sum_losses)
return cmo

df['CMO_manual'] = manual_cmo(df['close'])

# 验证一致性
diff = (df['CMO'] – df['CMO_manual']).abs().max()
print(f"pandas_ta与手动计算的最大差异：{diff:.10f}")
print("\\n" + "=" * 60 + "\\n")

# ========== 第四步：不同周期的CMO ==========
# 短线参数 (9)
df['CMO_9'] = ta.cmo(df['close'], length=9)

# 标准参数 (14)
df['CMO_14'] = ta.cmo(df['close'], length=14)

# 长线参数 (20)
df['CMO_20'] = ta.cmo(df['close'], length=20)

print("不同周期CMO对比（最近5行）：")
print(df[['close', 'CMO_9', 'CMO_14', 'CMO_20']].tail())
print("\\n" + "=" * 60 + "\\n")

# ========== 第五步：生成超买超卖信号 ==========
OVERBOUGHT = 50
OVERSOLD = –50

df['signal'] = ''
df.loc[df['CMO'] > OVERBOUGHT, 'signal'] = '超买（考虑卖出）'
df.loc[df['CMO'] < OVERSOLD, 'signal'] = '超卖（考虑买入）'

# 超买超卖区域回穿信号（信号可靠性更高）
df['cross_below_overbought'] = (df['CMO'].shift(1) > OVERBOUGHT) & (df['CMO'] <= OVERBOUGHT)
df['cross_above_oversold'] = (df['CMO'].shift(1) < OVERSOLD) & (df['CMO'] >= OVERSOLD)

df['trade_signal'] = ''
df.loc[df['cross_below_overbought'], 'trade_signal'] = '卖出信号（退出超买区）'
df.loc[df['cross_above_oversold'], 'trade_signal'] = '买入信号（退出超卖区）'

print("超买超卖信号统计：")
print(f"超买信号数量：{(df['CMO'] > OVERBOUGHT).sum()}")
print(f"超卖信号数量：{(df['CMO'] < OVERSOLD).sum()}")

print("\\n退出超买/超卖区信号（最近10个）：")
exit_signals = df[df['trade_signal'] != ''].tail(10)
if not exit_signals.empty:
print(exit_signals[['close', 'CMO', 'trade_signal']])
print("\\n" + "=" * 60 + "\\n")

# ========== 第六步：零轴穿越信号 ==========
df['CMO_above_zero'] = df['CMO'] > 0
df['cross_above_zero'] = (df['CMO_above_zero'] == True) & (df['CMO_above_zero'].shift(1) == False)
df['cross_below_zero'] = (df['CMO_above_zero'] == False) & (df['CMO_above_zero'].shift(1) == True)

print("零轴穿越信号（最近10个）：")
zero_cross = df[df['cross_above_zero'] | df['cross_below_zero']].tail(10)
if not zero_cross.empty:
for idx, row in zero_cross.iterrows():
signal_type = "上穿零轴（买入）" if row['cross_above_zero'] else "下穿零轴（卖出）"
print(f"{idx.date()} – {signal_type} – CMO: {row['CMO']:.2f}")
print("\\n" + "=" * 60 + "\\n")

# ========== 第七步：背离检测（简化版） ==========
# 计算20日价格变化和CMO变化
df['price_change_20d'] = df['close'].diff(20)
df['cmo_change_20d'] = df['CMO'].diff(20)

# 检测潜在背离
df['potential_bearish_div'] = (df['price_change_20d'] > 0) & (df['cmo_change_20d'] < 0)
df['potential_bullish_div'] = (df['price_change_20d'] < 0) & (df['cmo_change_20d'] > 0)

print("潜在背离信号统计（20日尺度）：")
print(f"潜在顶背离（价格涨CMO跌）数量：{df['potential_bearish_div'].sum()}")
print(f"潜在底背离（价格跌CMO涨）数量：{df['potential_bullish_div'].sum()}")
print("注：完整背离需结合局部高/低点分析，此处为简化方向对比")
print("\\n" + "=" * 60 + "\\n")

# ========== 第八步：添加触发线（Signal Line） ==========
# Chande推荐的9周期MA作为触发线
df['CMO_signal'] = ta.sma(df['CMO'], length=9)
df['signal_cross_above'] = (df['CMO'] > df['CMO_signal']) & (df['CMO'].shift(1) <= df['CMO_signal'].shift(1))
df['signal_cross_below'] = (df['CMO'] < df['CMO_signal']) & (df['CMO'].shift(1) >= df['CMO_signal'].shift(1))

print("CMO与触发线交叉信号统计：")
print(f"CMO上穿触发线数量：{df['signal_cross_above'].sum()}")
print(f"CMO下穿触发线数量：{df['signal_cross_below'].sum()}")
print("\\n" + "=" * 60 + "\\n")

# ========== 第九步：策略回测（超买超卖反转策略） ==========
# 策略：CMO < -50 时买入，CMO > 50 时卖出
df['position'] = 0
in_position = False

for i in range(1, len(df)):
if not in_position and df['CMO'].iloc[i] < –50:
df.loc[df.index[i], 'position'] = 1
in_position = True
elif in_position and df['CMO'].iloc[i] > 50:
df.loc[df.index[i], 'position'] = 0
in_position = False
else:
df.loc[df.index[i], 'position'] = df['position'].iloc[i–1]

# 计算收益
df['returns'] = df['close'].pct_change()
df['strategy_returns'] = df['position'].shift(1) * df['returns']

total_return_buyhold = (1 + df['returns']).prod() – 1
total_return_strategy = (1 + df['strategy_returns']).prod() – 1
win_rate = (df['strategy_returns'] > 0).sum() / (df['strategy_returns'] != 0).sum() if (df['strategy_returns'] != 0).sum() > 0 else 0

print("=" * 60)
print("策略绩效统计（CMO超买超卖反转策略回测）：")
print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")
print(f"CMO反转策略总收益率：{total_return_strategy:.2%}")
print(f"策略胜率：{win_rate:.2%}")
print("\\n注意：此为简化回测，仅供参考")
print("=" * 60 + "\\n")

# ========== 第十步：可视化 ==========
plt.figure(figsize=(14, 10))

# 子图1：价格走势
plt.subplot(2, 1, 1)
plt.plot(df.index[–150:], df['close'][–150:], label='Close Price',
linewidth=1.5, color='black')
plt.title('Price Chart (Last 150 days)', fontsize=14)
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)

# 子图2：CMO指标（含超买超卖线）
plt.subplot(2, 1, 2)
plt.plot(df.index[–150:], df['CMO'][–150:], label='CMO (14)',
linewidth=1.5, color='blue')
plt.plot(df.index[–150:], df['CMO_signal'][–150:], label='Trigger Line (SMA 9)',
linewidth=1, color='orange', alpha=0.8)
plt.axhline(y=50, color='red', linestyle='–', linewidth=1, label='超买线 (+50)')
plt.axhline(y=0, color='gray', linestyle='-', linewidth=0.8, alpha=0.7, label='零轴')
plt.axhline(y=–50, color='green', linestyle='–', linewidth=1, label='超卖线 (-50)')

# 填充超买超卖区域
plt.fill_between(df.index[–150:], 50, 100, alpha=0.1, color='red', label='超买区')
plt.fill_between(df.index[–150:], –100, –50, alpha=0.1, color='green', label='超卖区')

plt.title('CMO (Chande Momentum Oscillator) – Overbought/Oversold Levels', fontsize=14)
plt.xlabel('Date')
plt.ylabel('CMO Value')
plt.ylim(–110, 110)
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# ========== 第十一步：数据清洗提示 ==========
nan_count = df['CMO'].isna().sum()
print(f"\\nCMO初始NaN数量：{nan_count}")
print("原因：CMO需要至少length个周期的数据才能开始计算")
print("处理建议：df_clean = df.iloc[14:].copy()")

五、总结

CMO（钱德动量震荡指标）是一种直观且对称的动量衡量工具，其核心价值与定位如下：

实战使用三原则：

最后提醒：CMO最大的特色在于其对称性——它用简洁的公式将多空力量对比直观地呈现在-100到+100之间。当CMO达到+50时，意味着上涨动量是下跌动量的三倍，这种量化的解释为交易者提供了清晰的决策参考。然而，正如Chande本人所强调的，CMO在强趋势市场中可能会长期停留在极端区域，因此建议将其与趋势确认工具结合使用，形成更完整的交易系统。