Volume：EOM（简易波动指标）技术指标详解

Volume：EOM（简易波动指标）技术指标详解

一、EOM的定义

EOM（Ease of Movement，简易波动指标） 是由著名技术分析师Richard W. Arms, Jr.（阿姆斯）于20世纪70年代开发的独特技术指标。该指标通过将成交量与价格变动幅度相结合，来衡量价格变化的“轻松程度”。

核心思想

EOM的设计理念是：在成交量较小的情况下实现较大幅度的价格上涨，代表趋势的“轻松”程度较高，上涨动能强劲；反之，如果价格需要巨大的成交量才能小幅上涨，则表示趋势“费力”，动能可能正在衰竭。

阿姆斯希望通过这一指标帮助交易者判断：当前的价格变动是否伴随足够的成交量支持，以及趋势的强弱程度。

EOM的核心特征

EOM的核心逻辑

• 正值：价格上涨，且成交量相对较小 → 上涨“轻松”
• 负值：价格下跌，且成交量相对较小 → 下跌“轻松”
• 接近零：价格变动需要较大成交量支持 → 变动“费力”

这一逻辑可以用一句话概括：“价格走得远，成交量省得多” 是好事；“走得近，成交量消耗大” 是坏事。

二、EOM的计算方法

1. 核心计算公式

EOM的计算包含三个关键步骤：距离（Distance）、箱体比率（Box Ratio）和一周期EOM值。

2. 详细计算步骤

步骤一：计算中点距离

首先，计算当前周期的中点（最高价与最低价的平均值）与前一周期中点的差值：
$${\mathrm{Distance}}_t=\frac{{\mathrm{High}}_t+{\mathrm{Low}}_t}{2}-\frac{{\mathrm{High}}_{t-1}+{\mathrm{Low}}_{t-1}}{2}$$
其中：

• ${\mathrm{High}}_t$：当前周期的最高价
• ${\mathrm{Low}}_t$：当前周期的最低价
• ${\mathrm{High}}_{t-1}$：前一周期的最高价
• ${\mathrm{Low}}_{t-1}$：前一周期的最高价

这反映了价格重心的移动方向和距离。

步骤二：计算箱体比率（Box Ratio）

箱体比率将成交量标准化并与价格波动范围相结合：
$${\mathrm{BoxRatio}}_t=\frac{{\mathrm{Volume}}_t/\mathrm{Divisor}}{{\mathrm{High}}_t-{\mathrm{Low}}_t}$$
其中：

• ${\mathrm{Volume}}_t$：当前周期的成交量
• $\mathrm{Divisor}$：标准化除数（pandas_ta默认使用1亿）
• ${\mathrm{High}}_t-{\mathrm{Low}}_t$：当前周期的价格波动范围

步骤三：计算单周期EOM
$${\mathrm{EOM}}_t=\frac{{\mathrm{Distance}}_t}{{\mathrm{BoxRatio}}_t}$$
步骤四：平滑处理

对单周期EOM值进行移动平均，以消除噪声：

$${\mathrm{EOM}}_{\mathrm{smooth}}=\mathrm{SMA}(\mathrm{EOM},\mathrm{length})$$
其中 $\mathrm{length}$ 为平滑周期（默认14）。

3. 完整公式汇总

将上述步骤合并，EOM的完整计算公式为：

$${\mathrm{EOM}}_t=\frac{\frac{{\mathrm{High}}_t+{\mathrm{Low}}_t}{2}-\frac{{\mathrm{High}}_{t-1}+{\mathrm{Low}}_{t-1}}{2}}{\frac{{\mathrm{Volume}}_t/D}{{\mathrm{High}}_t-{\mathrm{Low}}_t}}$$

其中$D$为除数因子（默认$100,000,000$），整理后得：

$${\mathrm{EOM}}_t=\frac{({\mathrm{High}}_t+{\mathrm{Low}}_t-{\mathrm{High}}_{t-1}-{\mathrm{Low}}_{t-1})\times ({\mathrm{High}}_t-{\mathrm{Low}}_t)}{2\times {\mathrm{Volume}}_t/D}$$

4. panda_ta的简化实现

根据pandas_ta的源代码，该库实现的计算步骤略有简化：

5. 参数说明

关于divisor参数：由于股票成交量的数值通常非常大（动辄数百万、数千万），直接代入计算会导致EOM值过于庞大而失去参考意义。因此需要使用较大的除数将其标准化。默认值1e8（1亿）适用于A股等成交量较大的市场，对于成交量较小的品种可以适当调小，反之亦然。

三、EOM的使用方法

1. 零轴分界线——方向判断

EOM围绕零轴波动，零轴是多空力量的分界线：

核心逻辑：EOM的正负取决于距离（Distance）的正负——价格上涨时距离为正，EOM为正；价格下跌时距离为负，EOM为负。

2. 数值大小——动量强度判断

EOM的绝对值大小反映了趋势的强度：

核心逻辑：箱体比率（Box Ratio）决定了EOM的强弱——成交量越小或波动范围越大，箱体比率越大，EOM的绝对值越大。

3. 与成交量配合使用

EOM不能替代成交量分析，建议与标准成交量指标配合使用：

4. 与其他技术指标的配合

5. 注意事项与局限性

使用EOM前需了解以下要点：

关键提示：EOM对成交量的依赖是其最大的特色也是最大的局限。在使用前必须确保divisor参数的设置与市场成交量水平相匹配，否则指标将失去参考意义。

四、使用pandas_ta计算EOM（示例代码）

1. pandas_ta中的EOM函数

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

2. 函数完整参数

pandas_ta.volume.eom(high, low, close, volume, length=None, divisor=None, drift=None, offset=None, **kwargs)

参数详解：

返回值：pd.Series——EOM值序列。

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

# 生成OHLC和成交量数据
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, 20000000, n) # 成交量以百万为单位

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

# ========== 第二步：计算EOM（基础用法） ==========
# 使用默认参数 length=14, divisor=100000000
df['EOM'] = ta.eom(df['high'], df['low'], df['close'], df['volume'])

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

# ========== 第三步：手动验证EOM计算 ==========
def manual_eom(high, low, volume, divisor=100000000, length=14):
"""手动计算EOM验证pandas_ta结果"""
# 计算中点距离
hl2 = (high + low) / 2
distance = hl2 – hl2.shift(1)

# 计算箱体比率
hl_range = high – low
box_ratio = (volume / divisor) / hl_range

# 计算单周期EOM
eom_raw = distance / box_ratio

# 计算SMA平滑
eom_smooth = eom_raw.rolling(window=length).mean()

return eom_smooth

df['EOM_manual'] = manual_eom(df['high'], df['low'], df['volume'])

# 验证一致性
diff = (df['EOM'] – df['EOM_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：不同参数的EOM对比 ==========
# 短周期 (9)
df['EOM_9'] = ta.eom(df['high'], df['low'], df['close'], df['volume'], length=9)

# 标准周期 (14)
df['EOM_14'] = ta.eom(df['high'], df['low'], df['close'], df['volume'], length=14)

# 长周期 (21)
df['EOM_21'] = ta.eom(df['high'], df['low'], df['close'], df['volume'], length=21)

# 调整除数（对于成交量较小的品种，可调小除数）
df['EOM_small_divisor'] = ta.eom(df['high'], df['low'], df['close'], df['volume'], divisor=10000000)

print("不同参数EOM对比（最近5行）：")
print(df[['close', 'EOM_9', 'EOM_14', 'EOM_21', 'EOM_small_divisor']].tail())
print("\\n" + "=" * 60 + "\\n")

# ========== 第五步：生成零轴穿越信号 ==========
df['EOM_above_zero'] = df['EOM'] > 0
df['cross_above_zero'] = (df['EOM_above_zero'] == True) & (df['EOM_above_zero'].shift(1) == False)
df['cross_below_zero'] = (df['EOM_above_zero'] == False) & (df['EOM_above_zero'].shift(1) == True)

df['signal'] = ''
df.loc[df['cross_above_zero'], 'signal'] = '买入（上穿零轴）'
df.loc[df['cross_below_zero'], 'signal'] = '卖出（下穿零轴）'

print("零轴穿越信号（最近10个）：")
signals = df[df['signal'] != ''].tail(10)
if not signals.empty:
print(signals[['close', 'EOM', 'signal']])
else:
print("近期无穿越信号")
print("\\n" + "=" * 60 + "\\n")

# ========== 第六步：生成EOM强度信号 ==========
# 定义强度阈值（需根据实际数据范围调整）
STRONG_POSITIVE = 0.5
STRONG_NEGATIVE = –0.5

df['strength_signal'] = ''
df.loc[df['EOM'] > STRONG_POSITIVE, 'strength_signal'] = '强上升（上涨轻松）'
df.loc[(df['EOM'] > 0) & (df['EOM'] <= STRONG_POSITIVE), 'strength_signal'] = '弱上升（上涨费力）'
df.loc[(df['EOM'] < 0) & (df['EOM'] >= STRONG_NEGATIVE), 'strength_signal'] = '弱下降（下跌费力）'
df.loc[df['EOM'] < STRONG_NEGATIVE, 'strength_signal'] = '强下降（下跌轻松）'

print("EOM强度信号统计：")
print(df['strength_signal'].value_counts())
print("\\n" + "=" * 60 + "\\n")

# ========== 第七步：策略回测（零轴穿越策略） ==========
# 策略：EOM > 0 时持仓多头
df['position'] = (df['EOM'] > 0).astype(int)

# 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（EOM零轴穿越策略回测）：")
print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")
print(f"EOM零轴穿越策略总收益率：{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")

# ========== 第八步：可视化 ==========
plt.figure(figsize=(14, 12))

# 子图1：价格与成交量
plt.subplot(3, 1, 1)
plt.plot(df.index[–100:], df['close'][–100:], label='Close Price',
linewidth=1.5, color='black')
plt.title('Price Chart (Last 100 days)', fontsize=14)
plt.ylabel('Price')
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

# 子图2：成交量
plt.subplot(3, 1, 2)
plt.bar(df.index[–100:], df['volume'][–100:], label='Volume',
color='gray', alpha=0.6, width=0.8)
plt.title('Volume', fontsize=14)
plt.ylabel('Volume')
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

# 子图3：EOM指标（含零轴）
plt.subplot(3, 1, 3)
plt.plot(df.index[–100:], df['EOM'][–100:], label='EOM (length=14)',
linewidth=1.5, color='blue')
plt.axhline(y=0, color='red', linestyle='-', linewidth=1, label='零轴')

# 强度参考线
plt.axhline(y=0.5, color='green', linestyle='–', linewidth=0.8, alpha=0.7, label='强上升参考线')
plt.axhline(y=–0.5, color='orange', linestyle='–', linewidth=0.8, alpha=0.7, label='强下降参考线')

# 填充区域
plt.fill_between(df.index[–100:], 0.5, df['EOM'][–100:], alpha=0.1, color='green',
where=(df['EOM'][–100:] > 0.5))
plt.fill_between(df.index[–100:], –0.5, df['EOM'][–100:], alpha=0.1, color='red',
where=(df['EOM'][–100:] < –0.5))

plt.title('EOM (Ease of Movement) – Volume-Based Oscillator', fontsize=14)
plt.xlabel('Date')
plt.ylabel('EOM Value')
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# ========== 第九步：不同周期EOM对比 ==========
plt.figure(figsize=(14, 6))
plt.plot(df.index[–100:], df['EOM_9'][–100:], label='EOM (length=9) – Fast',
linewidth=1, alpha=0.7)
plt.plot(df.index[–100:], df['EOM_14'][–100:], label='EOM (length=14) – Standard',
linewidth=1.5, color='blue')
plt.plot(df.index[–100:], df['EOM_21'][–100:], label='EOM (length=21) – Slow',
linewidth=1.5, color='green')
plt.axhline(y=0, color='red', linestyle='-', linewidth=0.8)
plt.title('EOM: Different Periods Comparison (9, 14, 21)', fontsize=14)
plt.xlabel('Date')
plt.ylabel('EOM Value')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

# ========== 第十步：divisor参数影响分析 ==========
print("\\n" + "=" * 60)
print("divisor参数影响分析：")
print(f"默认divisor (1e8) – EOM范围：[{df['EOM'].min():.2f}, {df['EOM'].max():.2f}]")
print(f"较小divisor (1e7) – EOM范围：[{df['EOM_small_divisor'].min():.2f}, {df['EOM_small_divisor'].max():.2f}]")
print("建议：对于成交量较大的市场（如A股），使用默认divisor=1e8合适")
print("对于成交量较小的市场（如加密货币），可适当调小divisor")
print("=" * 60)

# ========== 第十一步：数据清洗提示 ==========
nan_count = df['EOM'].isna().sum()
print(f"\\nEOM初始NaN数量：{nan_count}")
print("原因：EOM需要至少length+1个周期的数据才能开始计算")
print("处理建议：df_clean = df.iloc[15:].copy()")

4. 关键注意事项

divisor参数的选择：

# 对于不同市场，建议调整divisor以获得合适的EOM数值范围
# 股票市场（成交量以百万、千万计）
df['EOM'] = ta.eom(high, low, close, volume, divisor=100000000)

# 加密货币市场（成交量较小）
df['EOM'] = ta.eom(high, low, close, volume, divisor=10000)

# 期货市场（根据合约大小调整）
df['EOM'] = ta.eom(high, low, close, volume, divisor=1000000)

# 观察EOM数值范围，一般应在[-1, 1]或[-2, 2]区间内较为理想
print(f"EOM范围：[{df['EOM'].min():.2f}, {df['EOM'].max():.2f}]")

初始NaN值处理：

# EOM需要足够的数据预热
df['EOM'] = ta.eom(df['high'], df['low'], df['close'], df['volume'])

# 查看NaN数量
nan_count = df['EOM'].isna().sum()
print(f"初始NaN数量：{nan_count}")

# 建议丢弃前length+1个不稳定数据点
df_clean = df.iloc[15:].copy()

五、总结

EOM（简易波动指标）是一种融合成交量与价格变动的独特技术指标，其核心价值与定位如下：

实战使用三原则：

最后提醒：EOM的核心价值在于回答一个关键问题：“当前的价格变动是否有足够的成交量支持？” 当价格上涨时，如果EOM的值也同时上升，说明上涨是“轻松的”，动能健康；反之，如果价格上涨而EOM值却在下降（甚至转为负值），说明上涨越来越“费力”，可能是趋势衰竭的前兆。然而，EOM的数值范围对divisor参数高度敏感，使用前必须根据具体市场的成交量水平进行参数优化。