Momentum：TRIX（三重指数平滑平均线）技术指标详解

Momentum：TRIX（三重指数平滑平均线）技术指标详解

一、TRIX的定义

TRIX（Triple Exponentially Smoothed Average，三重指数平滑平均线） 是由Jack Hutson于1980年代开发的技术分析指标，属于动量震荡指标类型。该指标因其名字前三个字母发音似“Tricks”而被译为“神奇指标”。

核心设计理念

TRIX设计的核心是多重平滑技术。它通过对收盘价计算三次指数移动平均（EMA），然后计算该平均线的变化率，最终得到一个能够滤除市场“噪音”的震荡指标。

TRIX解决的核心问题

TRIX的核心特征

TRIX与指数移动平均线（EMA）的关系

TRIX本质上是三次EMA计算结果的变动率。它不像传统EMA那样显示价格本身的位置，而是显示价格变化的速度和动量，因此通常被归类为震荡指标。

二、TRIX的计算方法

1. 核心计算公式

TRIX的计算过程包含四个核心步骤：

第一步：计算第一重EMA

E

M

A

1

=

E

M

A

(

C

l

o

s

e

,

N

)

\\mathrm{EMA}_1 = \\mathrm{EMA}(\\mathrm{Close}, N)

EMA1​=EMA(Close,N) 第二步：计算第二重EMA

E

M

A

2

=

E

M

A

(

E

M

A

1

,

N

)

\\mathrm{EMA}_2 = \\mathrm{EMA}(\\mathrm{EMA}_1, N)

EMA2​=EMA(EMA1​,N) 第三步：计算第三重EMA

E

M

A

3

=

E

M

A

(

E

M

A

2

,

N

)

\\mathrm{EMA}_3 = \\mathrm{EMA}(\\mathrm{EMA}_2, N)

EMA3​=EMA(EMA2​,N) 第四步：计算TRIX值和信号线

T

R

I

X

=

E

M

A

3

(

t

)

−

E

M

A

3

(

t

−

1

)

E

M

A

3

(

t

−

1

)

×

100

\\mathrm{TRIX} = \\frac{\\mathrm{EMA}_3(t) – \\mathrm{EMA}_3(t – 1)}{\\mathrm{EMA}_3(t – 1)} \\times 100

TRIX=EMA3​(t−1)EMA3​(t)−EMA3​(t−1)​×100

TRIX 信号线

=

M

A

(

T

R

I

X

,

M

)

\\text{TRIX 信号线} = \\mathrm{MA}(\\mathrm{TRIX}, M)

TRIX 信号线=MA(TRIX,M)

其中：

• $N$
• $M$
• $\mathrm{Close}$

2. 三重指数平滑的计算原理

三重指数平滑的实质是将指数移动平均（EMA）运算连续应用三次：

• 第一重EMA：对原始收盘价进行一次平滑
• 第二重EMA：对第一次平滑结果再次平滑
• 第三重EMA：对第二次平滑结果第三次平滑

这一过程显著减少价格“噪音”，保留中长期趋势主线。

3. 参数说明

参数选择说明：在pandas_ta库中，length参数默认为18，signal参数默认为9。部分传统用法中N常用12，M常用20或9。

4. 完整计算示例

假设某股票使用N=12，M=9，计算TRIX值：

数据准备阶段：

最终计算：

结果解读示例：

EMA₃(今日) = 108.50
EMA₃(昨日) = 106.20
TRIX = (108.50 – 106.20) / 106.20 × 100 = 2.17%

该TRIX值为正值，表明动量向上。

三、TRIX的使用方法

1. 零轴穿越——趋势转换信号

TRIX围绕0轴波动，零轴是最重要的趋势分界线：

信号确认：穿越发生时若有成交量放大配合，信号可靠性显著提升。

2. 金叉与死叉——精确入场信号

这是TRIX指标产生交易信号的最常用方法：

信号参考：

3. 趋势追踪——顺势持仓策略

TRIX在趋势行情中可作为持仓依据：

4. 背离信号——趋势反转预警

TRIX与价格走势的背离是重要的反转预警信号：

信号增强条件：当背离出现在TRIX的极端值区域（如±20以上）时，反转信号更为可靠。

5. 多指标配合策略

TRIX在单一使用时建议与其他指标配合：

6. 注意事项与局限性

使用TRIX前需了解以下要点：

适用场景总结：

四、使用pandas_ta计算TRIX（附示例代码）

1. pandas_ta中的TRIX函数

pandas_ta库内置了TRIX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.trix(close, length=None, signal=None, scalar=None, drift=None, offset=None, **kwargs)

参数详解：

返回值：pd.DataFrame——包含两列：

• TRIX_{length}_{signal}_{scalar}_{drift}：TRIX主线
• TRIXs_{length}_{signal}_{scalar}_{drift}：信号线

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='2022-01-01', 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, 45, n)
cycle = np.sin(np.linspace(0, 6 * np.pi, n)) * 15
noise = np.random.randn(n) * 3
price_series = 100 + trend + cycle + noise

# 添加趋势变化区间
price_series = price_series.astype(float)
for i in range(300, 450):
price_series[i] = price_series[300] + (i–300) * 0.2 # 强势上涨段
for i in range(450, 600):
price_series[i] = price_series[450] – (i–450) * 0.15 # 强势下跌段

df = pd.DataFrame(index=dates[:n])
df['close'] = price_series[:n]
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, 25000000, n)

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

# ========== 第二步：计算TRIX（基础用法） ==========
# 使用默认参数 length=18, signal=9, scalar=100
trix_df = ta.trix(df['close'])

# 查看返回的DataFrame结构
print("TRIX返回列名称：")
print(trix_df.columns.tolist())
print("\\n" + "=" * 60 + "\\n")

# 将计算结果添加到原DataFrame
df['TRIX'] = trix_df.iloc[:, 0] # TRIX主线
df['TRIXs'] = trix_df.iloc[:, 1] # 信号线

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

# ========== 第三步：手动验证TRIX计算 ==========
def manual_trix(close, length=18, signal=9, scalar=100):
"""手动计算TRIX验证pandas_ta结果"""
# 计算三重EMA
ema1 = close.ewm(span=length, adjust=False).mean()
ema2 = ema1.ewm(span=length, adjust=False).mean()
ema3 = ema2.ewm(span=length, adjust=False).mean()

# 计算TRIX（百分比变化率）
trix = (ema3 – ema3.shift(1)) / ema3.shift(1) * scalar
trix = trix.fillna(0)

# 计算信号线
signal_line = trix.rolling(window=signal).mean()

return trix, signal_line

df['TRIX_manual'], df['TRIXs_manual'] = manual_trix(df['close'])

# 验证一致性
diff_trix = (df['TRIX'] – df['TRIX_manual']).abs().max()
diff_signal = (df['TRIXs'] – df['TRIXs_manual']).abs().max()
print(f"TRIX主线手动验证最大差异：{diff_trix:.10f}")
print(f"信号线手动验证最大差异：{diff_signal:.10f}")
print("\\n" + "=" * 60 + "\\n")

# ========== 第四步：不同参数的TRIX对比 ==========
# 标准参数 (18,9)
trix_std = ta.trix(df['close'])
df['TRIX_std'] = trix_std.iloc[:, 0]

# 短线参数 (12,9) – 更灵敏
trix_fast = ta.trix(df['close'], length=12, signal=9)
df['TRIX_fast'] = trix_fast.iloc[:, 0]

# 长线参数 (24,12) – 更平滑
trix_slow = ta.trix(df['close'], length=24, signal=12)
df['TRIX_slow'] = trix_slow.iloc[:, 0]

print("不同参数TRIX对比（最近5行）：")
print(df[['close', 'TRIX_std', 'TRIX_fast', 'TRIX_slow']].tail())
print("\\n" + "=" * 60 + "\\n")

# ========== 第五步：传统参数模式（N=12, M=20） ==========
# 使用传统参数组合进行计算验证
trix_traditional = ta.trix(df['close'], length=12, signal=20)
df['TRIX_traditional'] = trix_traditional.iloc[:, 0]
df['TRIXs_traditional'] = trix_traditional.iloc[:, 1]

print("传统参数TRIX计算结果（最近10行）：")
print(df[['close', 'TRIX_traditional', 'TRIXs_traditional']].tail(10))
print("\\n" + "=" * 60 + "\\n")

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

df['zero_signal'] = ''
df.loc[df['cross_above_zero'], 'zero_signal'] = '上穿零轴（买入信号）'
df.loc[df['cross_below_zero'], 'zero_signal'] = '下穿零轴（卖出信号）'

print("零轴穿越信号统计：")
print(f"上穿零轴数量：{df['cross_above_zero'].sum()}")
print(f"下穿零轴数量：{df['cross_below_zero'].sum()}")
print("\\n" + "=" * 60 + "\\n")

# ========== 第七步：金叉死叉信号 ==========
# 金叉：TRIX上穿信号线
df['golden_cross'] = (df['TRIX'] > df['TRIXs']) & (df['TRIX'].shift(1) <= df['TRIXs'].shift(1))
# 死叉：TRIX下穿信号线
df['death_cross'] = (df['TRIX'] < df['TRIXs']) & (df['TRIX'].shift(1) >= df['TRIXs'].shift(1))

# 区分交叉位置
df['strong_golden'] = df['golden_cross'] & (df['TRIX'] > 0)
df['weak_golden'] = df['golden_cross'] & (df['TRIX'] <= 0)
df['strong_death'] = df['death_cross'] & (df['TRIX'] < 0)
df['weak_death'] = df['death_cross'] & (df['TRIX'] >= 0)

df['trade_signal'] = ''
df.loc[df['strong_golden'], 'trade_signal'] = '强势金叉（买入信号）'
df.loc[df['weak_golden'], 'trade_signal'] = '弱势金叉（参考）'
df.loc[df['strong_death'], 'trade_signal'] = '强势死叉（卖出信号）'
df.loc[df['weak_death'], 'trade_signal'] = '弱势死叉（参考）'

print("金叉死叉信号统计：")
print(f"金叉（买入）数量：{df['golden_cross'].sum()}")
print(f" 其中强势金叉（TRIX>0）：{df['strong_golden'].sum()}")
print(f"死叉（卖出）数量：{df['death_cross'].sum()}")
print(f" 其中强势死叉（TRIX<0）：{df['strong_death'].sum()}")

print("\\n最近15个交易信号：")
signals = df[df['trade_signal'] != ''].tail(15)
if not signals.empty:
print(signals[['close', 'TRIX', 'TRIXs', 'trade_signal']])
print("\\n" + "=" * 60 + "\\n")

# ========== 第八步：背离检测（简化版） ==========
# 计算20日价格变化和TRIX变化
df['price_change_20d'] = df['close'].diff(20)
df['trix_change_20d'] = df['TRIX'].diff(20)

# 检测潜在背离
df['potential_bearish_div'] = (df['price_change_20d'] > 0) & (df['trix_change_20d'] < 0)
df['potential_bullish_div'] = (df['price_change_20d'] < 0) & (df['trix_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TRIX跌）数量：{df['potential_bearish_div'].sum()}")
print(f"潜在底背离（价格跌TRIX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")

# ========== 第九步：策略回测（零轴穿越策略） ==========
# 策略：TRIX上穿零轴买入，下穿零轴卖出
df['position_zero'] = 0
in_position = False

for i in range(1, len(df)):
if not in_position and df['cross_above_zero'].iloc[i]:
df.loc[df.index[i], 'position_zero'] = 1
in_position = True
elif in_position and df['cross_below_zero'].iloc[i]:
df.loc[df.index[i], 'position_zero'] = 0
in_position = False
else:
df.loc[df.index[i], 'position_zero'] = df['position_zero'].iloc[i–1]

# 策略2：金叉买入，死叉卖出
df['position_cross'] = 0
in_position = False

for i in range(1, len(df)):
if not in_position and df['golden_cross'].iloc[i]:
df.loc[df.index[i], 'position_cross'] = 1
in_position = True
elif in_position and df['death_cross'].iloc[i]:
df.loc[df.index[i], 'position_cross'] = 0
in_position = False
else:
df.loc[df.index[i], 'position_cross'] = df['position_cross'].iloc[i–1]

# 计算收益
df['returns'] = df['close'].pct_change()
df['strategy_zero_returns'] = df['position_zero'].shift(1) * df['returns']
df['strategy_cross_returns'] = df['position_cross'].shift(1) * df['returns']

total_return_buyhold = (1 + df['returns']).prod() – 1
total_return_zero = (1 + df['strategy_zero_returns']).prod() – 1
total_return_cross = (1 + df['strategy_cross_returns']).prod() – 1

print("=" * 60)
print("策略绩效统计（TRIX策略回测）：")
print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")
print(f"零轴穿越策略总收益率：{total_return_zero:.2%}")
print(f"金叉死叉策略总收益率：{total_return_cross:.2%}")
print("\\n注意：此为简化回测，仅供参考；TRIX是中长线指标，建议用于日线及以上周期")
print("=" * 60 + "\\n")

# ========== 第十步：趋势强度判断 ==========
def classify_trix_strength(trix):
"""根据TRIX值大小判断趋势强度"""
if trix > 4.0:
return '强势上涨'
elif 1.5 < trix <= 4.0:
return '温和上涨'
elif 0 < trix <= 1.5:
return '弱势上涨'
elif –1.5 <= trix < 0:
return '弱势下跌'
elif –4.0 <= trix < –1.5:
return '温和下跌'
else:
return '强势下跌'

df['strength_signal'] = df['TRIX'].apply(classify_trix_strength)

print("趋势强度分布统计：")
print(df['strength_signal'].value_counts())
print("\\n" + "=" * 60 + "\\n")

# ========== 第十一步：可视化 ==========
plt.figure(figsize=(14, 12))

# 子图1：价格走势
plt.subplot(2, 1, 1)
plt.plot(df.index[–200:], df['close'][–200:], label='Close Price',
linewidth=1.5, color='black')
plt.title('Price Chart (Last 200 days)', fontsize=14)
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)

# 子图2：TRIX指标
plt.subplot(2, 1, 2)
plt.plot(df.index[–200:], df['TRIX'][–200:], label='TRIX主线',
linewidth=1.5, color='blue')
plt.plot(df.index[–200:], df['TRIXs'][–200:], label='信号线',
linewidth=1.5, color='orange', linestyle='–')
plt.axhline(y=0, color='red', linestyle='-', linewidth=1.5, label='零轴')

# 填充零轴上下区域
plt.fill_between(df.index[–200:], 0, df['TRIX'][–200:],
alpha=0.1, color='green', where=(df['TRIX'][–200:] > 0))
plt.fill_between(df.index[–200:], df['TRIX'][–200:], 0,
alpha=0.1, color='red', where=(df['TRIX'][–200:] < 0))

# 标记交叉点
golden_signals = df[df['golden_cross']]
death_signals = df[df['death_cross']]
plt.scatter(golden_signals.index[–25:], golden_signals['TRIX'][–25:],
color='green', marker='^', s=80, label='金叉（买入）', alpha=0.8)
plt.scatter(death_signals.index[–25:], death_signals['TRIX'][–25:],
color='red', marker='v', s=80, label='死叉（卖出）', alpha=0.8)

plt.title('TRIX（三重指数平滑平均线）- 多重平滑与金叉死叉', fontsize=14)
plt.xlabel('Date')
plt.ylabel('TRIX Value (%)')
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# ========== 第十二步：数据清洗提示 ==========
nan_count = df['TRIX'].isna().sum()
print(f"\\nTRIX初始NaN数量：{nan_count}")
print("原因：TRIX需要至少length个周期的数据才能完成三重EMA计算")
print("处理建议：df_clean = df.iloc[18:].copy()")
print("\\n" + "=" * 60)
print("TRIX使用提示：")
print("1. TRIX是中长线指标，适合日线及以上周期使用")
print("2. 零轴穿越是最基础的信号：上穿买入，下穿卖出")
print("3. 金叉死叉是更精确的入场信号")
print("4. 三重平滑有效过滤噪音，适合趋势跟踪策略")
print("5. 建议与RSI、MACD等指标配合使用，提高信号可靠性")
print("6. 震荡市中TRIX假信号较多，应结合市场环境使用")
print("=" * 60)

五、总结

TRIX（三重指数平滑平均线）是一种通过三重EMA平滑技术过滤市场噪音的动量指标，其核心价值与定位如下：

实战使用三原则：

最后提醒：TRIX的最大价值在于其多重平滑特性，能够有效滤除市场噪音，帮助交易者聚焦于中长期趋势。它不像其他震荡指标那样频繁发出信号，而是等待真正有价值的趋势转折点才给出提示。然而，这种稳健是有代价的——在短线交易和震荡市场中，TRIX的滞后性可能成为弱点。因此，使用TRIX的关键是明确交易周期和适用场景：将其用作中长线趋势跟踪的辅助工具，与MACD、RSI等指标配合，才能发挥最大效用。