Momentum：INERTIA（惯量指标）技术指标详解

Momentum：INERTIA（惯量指标）技术指标详解

一、INERTIA的定义

INERTIA（惯量指标） 是由技术分析师Donald Dorsey于1995年9月在《股票与商品期货技术分析》杂志上正式发表的一种趋势指标。该指标的名称源于物理学中的“惯性”（Inertia）概念——物体在不受外力作用时，保持原有运动状态的性质。

核心思想

Dorsey对趋势的解释是：趋势是市场惯性的外在表现。根据惯性原理，市场要改变方向需要比维持原方向消耗更多的能量，因此趋势一旦形成，就具有一定的“延续性”。

在实际金融市场中，趋势的方向是容易定义的（上涨或下跌），但“质量”或“惯性大小”却难以量化。Dorsey认为，波动率（Volatility）可能是衡量市场惯性最简单也最准确的指标。基于这一理论，他选择使用相对波动率指数（Relative Volatility Index, RVI） 作为惯量指标的计算基础，然后通过线性回归（Least Squares Moving Average）对RVI进行平滑处理，最终得到INERTIA指标。

INERTIA的核心特征

INERTIA与RVI的关系

INERTIA是在RVI基础上构建的指标：

Dorsey之所以选择这种两层结构，是因为单纯使用RVI作为趋势指标可能存在较多噪声，通过线性回归平滑后，可以更清晰地识别长期趋势的方向。

二、INERTIA的计算方法

1. 核心计算公式

INERTIA的标准计算公式为：
$$\mathrm{INERTIA}={\mathrm{LSQRMA}}_{\mathrm{length}}({\mathrm{RVI}}_{rvi\_length})$$
其中：

• ${\mathrm{RVI}}_{rvi\_length}$：指定周期的相对波动率指数值
• ${\mathrm{LSQRMA}}_{\mathrm{length}}$：指定周期的最小二乘移动平均（线性回归移动平均）

2. 详细计算步骤

INERTIA 的计算分为两个主要阶段：先计算 RVI，再对 RVI 应用线性回归平滑。

第一阶段：计算RVI（相对波动率指数）

RVI 的计算公式为：
$$\mathrm{RVI}=\frac{\mathrm{SMA}(U,n)}{\mathrm{SMA}(U,n)+\mathrm{SMA}(D,n)}\times 100$$
其中：

• $U_t=\mathrm{StdDev}({\mathrm{Close}}_{t-n+\mathrm{1..}t})$ 的上涨部分
• $D_t=\mathrm{StdDev}({\mathrm{Close}}_{t-n+\mathrm{1..}t})$ 的下跌部分

RVI 的计算逻辑与 RSI 类似，但使用波动率（标准差） 替代了价格变化作为输入，反映的是波动率的方向性偏向。

第二阶段：计算线性回归移动平均

$${\mathrm{LSQRMA}}_t=\mathrm{LinearRegression}({\mathrm{RVI}}_{t-\mathrm{length}+\mathrm{1..}t})$$

LSQRMAt=LinearRegression(RVIt−length+1…t)LSQRMAt=LinearRegression(RVIt−length+1…t)

LSQRMA（也称为时间序列移动平均 TSMA）通过对指定窗口内的RVI值进行线性回归拟合，取回归线在当前时刻的预测值作为输出。

3. INERTIA的简化等价形式

将上述步骤合并，INERTIA的完整计算可表示为：
$${\mathrm{INERTIA}}_t={\beta }_0^{(t)}+{\beta }_1^{(t)}\times \mathrm{length}$$
其中 ${\beta }_0^{(t)}$ 和 ${\beta }_1^{(t)}$ 是RVI值在窗口$[t-\mathrm{length}+1,t]$ 上的线性回归系数。

4. pandas_ta中的参数

根据pandas_ta源码，INERTIA包含多种计算模式：

refined和thirds参数说明：

• refined=False, thirds=False：使用标准RVI计算（仅基于收盘价）
• refined=True：使用改进版RVI（同时使用OHLC数据）
• thirds=True：使用三分法RVI（介于标准和改进版之间）

5. RVI计算详解（补充说明）

由于INERTIA建立在RVI基础上，理解RVI的计算有助于更好地使用INERTIA：

RVI的计算逻辑与RSI完全平行，区别仅在于输入数据：

换言之，RVI衡量的是“波动率的方向性偏向”，而INERTIA则是对RVI的进一步平滑。

6. 计算示例（简化）

假设已计算出某段周期的RVI值序列如下（使用默认参数length=20, rvi_length=14）：

对这些RVI值进行线性回归拟合，得到回归线的终点预测值。如果回归线呈上升趋势，INERTIA值将高于50；如果回归线呈下降趋势，INERTIA值将低于50。

三、INERTIA的使用方法

1. 50线多空分界——最核心用法

INERTIA在0-100范围内波动，以50为中心线：

核心逻辑：INERTIA高于50表示市场具有“向上惯性”，价格更倾向于继续上涨而非反转；低于50则表示具有“向下惯性”。

2. 趋势强度判断

INERTIA偏离50的程度可以反映趋势的强度：

3. 零轴穿越 vs 50线穿越

与传统震荡指标不同，INERTIA的中心线是50而非0，因此信号应基于50线穿越：

4. 耐心——使用INERTIA的关键

根据文献记载，正确使用INERTIA最重要的一点是保持耐心（patience）。该指标专为捕捉长期趋势而设计，信号频率较低，不适合短线交易者。

正确的心态：

• INERTIA不是用来捕捉每一个市场波动的工具
• 当INERTIA给出方向信号后，应顺应其方向持仓，直到信号改变
• 频繁进出会削弱INERTIA的有效性

5. 背离信号

与价格走势的背离可以提供额外的交易参考：

6. 与其他指标的配合策略

7. 注意事项与局限性

使用INERTIA前需了解以下要点：

四、使用pandas_ta计算INERTIA（示例代码）

1. pandas_ta中的INERTIA函数

pandas_ta库内置了INERTIA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.inertia(
close, # 收盘价序列
high=None, # 最高价序列（refined/thirds模式需要）
low=None, # 最低价序列（refined/thirds模式需要）
length=None, # 线性回归周期（默认20）
rvi_length=None,# RVI周期（默认14）
scalar=None, # 放大倍数（默认100）
refined=None, # 是否使用改进版RVI（默认False）
thirds=None, # 是否使用三分法RVI（默认False）
mamode=None, # 移动平均类型（默认"ema"）
drift=None, # 价格变化步长（默认1）
offset=None, # 结果偏移周期数
**kwargs
)

参数详解：

返回值：pd.Series——INERTIA值序列（范围0-100）。

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='2020-01-01', end='2024-12-31', freq='D')
n = len(dates)

# 生成带长期趋势和周期波动的价格序列
long_trend = np.linspace(0, 60, n)
cycle = np.sin(np.linspace(0, 4 * np.pi, n)) * 15
noise = np.random.randn(n) * 3
price_series = 100 + long_trend + cycle + noise

df = pd.DataFrame(index=dates)
df['close'] = price_series
df['high'] = df['close'] + np.abs(np.random.randn(n)) * 3 + 2
df['low'] = df['close'] – np.abs(np.random.randn(n)) * 3 – 2
df['volume'] = np.random.randint(1000000, 20000000, n)

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

# ========== 第二步：计算INERTIA（基础用法） ==========
# 使用默认参数 length=20, rvi_length=14
df['INERTIA'] = ta.inertia(df['close'])

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

# ========== 第三步：不同计算模式的INERTIA ==========
# 标准模式（仅收盘价）
df['INERTIA_std'] = ta.inertia(df['close'], refined=False, thirds=False)

# 改进模式（使用OHLC数据）
# df['INERTIA_refined'] = ta.inertia(df['close'], high=df['high'], low=df['low'], refined=True)

# 三分法模式
# df['INERTIA_thirds'] = ta.inertia(df['close'], high=df['high'], low=df['low'], thirds=True)

print("不同模式INERTIA对比（最近5行）：")
print(df[['close', 'INERTIA_std']].tail())
print("\\n" + "=" * 60 + "\\n")

# ========== 第四步：自定义参数 ==========
# 短线参数
df['INERTIA_short'] = ta.inertia(df['close'], length=10, rvi_length=9)

# 标准参数
df['INERTIA_std_param'] = ta.inertia(df['close'], length=20, rvi_length=14)

# 长线参数
df['INERTIA_long'] = ta.inertia(df['close'], length=30, rvi_length=21)

print("不同参数INERTIA对比（最近5行）：")
print(df[['close', 'INERTIA_short', 'INERTIA_std_param', 'INERTIA_long']].tail())
print("\\n" + "=" * 60 + "\\n")

# ========== 第五步：生成50线穿越信号 ==========
OVERBOUGHT = 70
OVERSOLD = 30

df['inertia_above_50'] = df['INERTIA'] > 50
df['cross_above_50'] = (df['inertia_above_50'] == True) & (df['inertia_above_50'].shift(1) == False)
df['cross_below_50'] = (df['inertia_above_50'] == False) & (df['inertia_above_50'].shift(1) == True)

df['signal'] = ''
df.loc[df['cross_above_50'], 'signal'] = '买入（上穿50线）'
df.loc[df['cross_below_50'], 'signal'] = '卖出（下穿50线）'

print("50线穿越信号（最近10个）：")
signals = df[df['signal'] != ''].tail(10)
if not signals.empty:
print(signals[['close', 'INERTIA', 'signal']])
else:
print("近期无穿越信号")
print("\\n" + "=" * 60 + "\\n")

# ========== 第六步：趋势强度信号 ==========
df['strength_signal'] = ''
df.loc[df['INERTIA'] > 70, 'strength_signal'] = '强正惯量（强劲上涨趋势）'
df.loc[(df['INERTIA'] > 50) & (df['INERTIA'] <= 70), 'strength_signal'] = '中等正惯量（上涨趋势）'
df.loc[(df['INERTIA'] < 50) & (df['INERTIA'] >= 30), 'strength_signal'] = '中等负惯量（下跌趋势）'
df.loc[df['INERTIA'] < 30, 'strength_signal'] = '强负惯量（强劲下跌趋势）'

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

# ========== 第七步：背离检测（简化版） ==========
# 计算20日价格变化和INERTIA变化
df['price_change_20d'] = df['close'].diff(20)
df['inertia_change_20d'] = df['INERTIA'].diff(20)

# 检测潜在背离
df['potential_bearish_div'] = (df['price_change_20d'] > 0) & (df['inertia_change_20d'] < 0)
df['potential_bullish_div'] = (df['price_change_20d'] < 0) & (df['inertia_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INERTIA跌）数量：{df['potential_bearish_div'].sum()}")
print(f"潜在底背离（价格跌INERTIA涨）数量：{df['potential_bullish_div'].sum()}")
print("注：完整背离需结合局部高/低点分析，此处为方向对比")
print("\\n" + "=" * 60 + "\\n")

# ========== 第八步：策略回测（50线穿越策略） ==========
# 策略：INERTIA > 50 时持仓多头
df['position'] = (df['INERTIA'] > 50).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

# 计算年化收益率
years = len(df) / 252
annual_return_buyhold = (1 + total_return_buyhold) ** (1 / years) – 1 if years > 0 else 0
annual_return_strategy = (1 + total_return_strategy) ** (1 / years) – 1 if years > 0 else 0

print("=" * 60)
print("策略绩效统计（INERTIA 50线穿越策略 – 长线回测）：")
print(f"回测周期：{years:.1f}年")
print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")
print(f"买入持有策略年化收益率：{annual_return_buyhold:.2%}")
print(f"INERTIA策略总收益率：{total_return_strategy:.2%}")
print(f"INERTIA策略年化收益率：{annual_return_strategy:.2%}")
print("\\n注意：此为简化回测，仅供参考；INERTIA是长线指标，建议使用周线或月线数据")
print("=" * 60 + "\\n")

# ========== 第九步：可视化 ==========
plt.figure(figsize=(14, 12))

# 子图1：价格走势
plt.subplot(3, 1, 1)
plt.plot(df.index, df['close'], label='Close Price',
linewidth=1.2, color='black')
plt.title('Price Chart (Long-term Trend Analysis)', fontsize=14)
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)

# 子图2：INERTIA指标（含50线）
plt.subplot(3, 1, 2)
plt.plot(df.index, df['INERTIA'], label='INERTIA (length=20, rvi=14)',
linewidth=1.5, color='blue')
plt.axhline(y=50, color='red', linestyle='-', linewidth=1.5, label='中心线 (50)')
plt.axhline(y=70, color='orange', linestyle='–', linewidth=1, label='超买线 (70)', alpha=0.7)
plt.axhline(y=30, color='green', linestyle='–', linewidth=1, label='超卖线 (30)', alpha=0.7)

# 填充区域
plt.fill_between(df.index, 70, 100, alpha=0.1, color='red', label='强正惯量区')
plt.fill_between(df.index, 0, 30, alpha=0.1, color='green', label='强负惯量区')

# 标记50线穿越信号
buy_signals = df[df['cross_above_50']]
sell_signals = df[df['cross_below_50']]
plt.scatter(buy_signals.index, buy_signals['INERTIA'],
color='green', marker='^', s=60, label='买入信号（上穿50）', alpha=0.8)
plt.scatter(sell_signals.index, sell_signals['INERTIA'],
color='red', marker='v', s=60, label='卖出信号（下穿50）', alpha=0.8)

plt.title('INERTIA Indicator – Long-term Trend Following', fontsize=14)
plt.ylabel('INERTIA Value')
plt.ylim(0, 100)
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

# 子图3：持仓状态
plt.subplot(3, 1, 3)
plt.fill_between(df.index, 0, df['position'],
color='green', alpha=0.5, label='持仓状态 (INERTIA>50)')
plt.axhline(y=0.5, color='gray', linestyle='–', linewidth=0.8)
plt.title('Strategy Position (Long when INERTIA > 50)', fontsize=14)
plt.xlabel('Date')
plt.ylabel('Position')
plt.ylim(–0.1, 1.1)
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# ========== 第十步：不同参数对比 ==========
plt.figure(figsize=(14, 6))
plt.plot(df.index[–200:], df['INERTIA_short'][–200:], label='INERTIA (10,9) – Fast',
linewidth=1, alpha=0.7)
plt.plot(df.index[–200:], df['INERTIA_std_param'][–200:], label='INERTIA (20,14) – Standard',
linewidth=1.5, color='blue')
plt.plot(df.index[–200:], df['INERTIA_long'][–200:], label='INERTIA (30,21) – Slow',
linewidth=1.5, color='green')
plt.axhline(y=50, color='red', linestyle='-', linewidth=1)
plt.title('INERTIA: Different Parameters Comparison', fontsize=14)
plt.xlabel('Date')
plt.ylabel('INERTIA Value')
plt.ylim(0, 100)
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

# ========== 第十一步：数据清洗提示 ==========
nan_count = df['INERTIA'].isna().sum()
print(f"\\nINERTIA初始NaN数量：{nan_count}")
print("原因：INERTIA需要至少 max(length, rvi_length) 个周期的数据才能计算")
print(f"建议：丢弃前 {max(20, 14)} = 20 个交易日的数据")
print("处理建议：df_clean = df.iloc[20:].copy()")
print("\\n" + "=" * 60)
print("INERTIA使用提示：")
print("1. 该指标专为长期趋势设计，建议在周线或月线上使用")
print("2. 50线是核心分界线——上穿做多，下穿做空")
print("3. 使用该指标最重要的一点是：保持耐心（Patience）")
print("=" * 60)

五、总结

INERTIA（惯量指标）是一种基于波动率方向性和线性回归平滑的长期趋势指标，其核心价值与定位如下：

实战使用三原则：

最后提醒：INERTIA的核心价值在于帮助交易者回答一个关键问题：“当前市场是否具有延续当前趋势的惯性？” 当INERTIA大于50时，市场具有向上惯性，价格更倾向于继续上涨而非反转；当INERTIA小于50时，市场具有向下惯性。Dorsey通过将波动率作为惯性的度量，创造性地将物理概念转化为可量化的技术指标。然而，正如文献所述，正确使用INERTIA最重要的一点是保持耐心——它是长线趋势交易者的工具，而非短线投机者的利器。