Momentum：ERI（埃尔徳射线指标）技术指标详解

Momentum：ERI（埃尔徳射线指标）技术指标详解

一、ERI的定义

ERI（Elder-Ray Index，埃尔徳射线指标） 是由知名交易员、心理学家亚历山大·埃尔徳（Alexander Elder）博士于1989年开发的技术分析指标。该指标的设计理念是像“X光”一样透视市场，揭示价格波动背后买方和卖方的真实力量对比。

核心设计理念

ERI的核心思想是：价格是买卖双方博弈的“表面现象”，而真正的市场力量——买方的推动力和卖方的打压能力——需要通过比较价格与市场“共识价值”的偏离程度来衡量。

ERI将价格走势分解为三个层面：

• EMA均线：代表市场的“共识价值”（Consensus Value of Price）
• Bull Power（多头力量）：买方将价格推升至共识价值之上的能力
• Bear Power（空头力量）：卖方将价格打压至共识价值之下的能力

ERI的双线结构

ERI指标由两条独立的线组成，通常以柱状图形式展示：

二、ERI的计算方法

1. 核心计算公式

ERI的计算包含两个独立的指标：

第一步：计算EMA（共识价值线）

首先计算周期的指数移动平均线（默认周期为13）：

$$\mathrm{EM}{\mathrm{A}}_{13}=\mathrm{EMA}(\mathrm{Close},13)$$
第二步：计算Bull Power（多头力量）
$$\mathrm{BullPower}=\mathrm{High}-\mathrm{EM}{\mathrm{A}}_{13}$$
第三步：计算Bear Power（空头力量）
$$\mathrm{BearPower}=\mathrm{Low}-\mathrm{EM}{\mathrm{A}}_{13}$$
其中：

• High：当前周期的最高价
• Low：当前周期的最低价
• ${\mathrm{EMA}}_{13}$：13周期收盘价指数移动平均线

2. panda_ta中的实现

根据pandas_ta的源代码，ERI的计算实现如下：

ema_ = ema(close, length)
bull = high – ema_
bear = low – ema_

默认参数length=13，与埃尔徳博士的原始设计一致。

3. 参数说明

4. 计算示例

假设某股票使用默认参数（length=13）：

已知数据：

• 13周期EMA = 100.00
• 当日最高价 = 105.00
• 当日最低价 = 98.00

计算过程：

三、ERI的使用方法

1. 趋势识别——EMA斜率定方向

ERI系统首先通过EMA的斜率判断主趋势方向：

2. 做多信号——多头入场条件

根据埃尔徳博士的原始设计，多头入场需满足以下条件：

可选增强条件：

• Bull Power创出更高的峰值（多头力量在增强）
• Bear Power与价格出现看涨背离

3. 做空信号——空头入场条件

4. 背离信号——反转预警

与价格走势的背离是ERI最可靠的反转信号：

5. 风险提示与注意事项

使用ERI前需了解以下要点：

四、使用pandas_ta计算ERI（附示例代码）

1. pandas_ta中的ERI函数

pandas_ta库内置了ERI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.eri(high, low, close, length=None, offset=None, **kwargs)

参数详解：

返回值：pd.DataFrame——包含两列：

• BULLP_{length}：多头力量（Bull Power）
• BEARP_{length}：空头力量（Bear Power）

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='2023-01-01', 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
for i in range(450, 600):
price_series[i] = price_series[450] – (i–450) * 0.15

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ERI（基础用法） ==========
# 使用默认参数 length=13
eri_df = ta.eri(df['high'], df['low'], df['close'])

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

# 将计算结果添加到原DataFrame
df['Bull_Power'] = eri_df['BULLP_13']
df['Bear_Power'] = eri_df['BEARP_13']

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

# ========== 第三步：计算EMA作为参考 ==========
df['EMA_13'] = ta.ema(df['close'], length=13)

print("EMA_13值（最近5行）：")
print(df[['close', 'EMA_13']].tail())
print("\\n" + "=" * 60 + "\\n")

# ========== 第四步：生成做多/做空信号 ==========
# EMA斜率判断
df['ema_slope'] = df['EMA_13'].diff()
df['ema_up'] = df['ema_slope'] > 0
df['ema_down'] = df['ema_slope'] < 0

# Bull和Bear Power状态
df['bear_negative_rising'] = (df['Bear_Power'] < 0) & (df['Bear_Power'] > df['Bear_Power'].shift(1))
df['bull_positive_falling'] = (df['Bull_Power'] > 0) & (df['Bull_Power'] < df['Bull_Power'].shift(1))

# 做多信号：EMA上升 + Bear Power为负但正在上升
df['long_signal'] = df['ema_up'] & df['bear_negative_rising']

# 做空信号：EMA下降 + Bull Power为正但正在下降
df['short_signal'] = df['ema_down'] & df['bull_positive_falling']

df['trade_signal'] = ''
df.loc[df['long_signal'], 'trade_signal'] = '做多信号（多头入场）'
df.loc[df['short_signal'], 'trade_signal'] = '做空信号（空头入场）'

print("交易信号统计：")
print(f"做多信号数量：{df['long_signal'].sum()}")
print(f"做空信号数量：{df['short_signal'].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', 'EMA_13', 'Bull_Power', 'Bear_Power', 'trade_signal']])
print("\\n" + "=" * 60 + "\\n")

# ========== 第五步：背离检测（简化版） ==========
# 计算局部极值
df['price_high'] = df['close'].rolling(5).max()
df['price_low'] = df['close'].rolling(5).min()
df['bull_high'] = df['Bull_Power'].rolling(5).max()
df['bear_low'] = df['Bear_Power'].rolling(5).min()

# 顶背离：价格新高但Bull Power未新高
price_new_high = df['close'] == df['price_high']
bull_not_new_high = df['Bull_Power'] < df['bull_high'].shift(1)
df['bearish_div'] = price_new_high & bull_not_new_high

# 底背离：价格新低但Bear Power未新低
price_new_low = df['close'] == df['price_low']
bear_not_new_low = df['Bear_Power'] > df['bear_low'].shift(1)
df['bullish_div'] = price_new_low & bear_not_new_low

print("背离信号统计：")
print(f"顶背离（价格新高但Bull Power未新高）数量：{df['bearish_div'].sum()}")
print(f"底背离（价格新低但Bear Power未新低）数量：{df['bullish_div'].sum()}")
print("\\n" + "=" * 60 + "\\n")

# ========== 第六步：策略回测 ==========
# 策略：做多信号买入，做空信号卖出
df['position'] = 0
in_position = False

for i in range(1, len(df)):
if not in_position and df['long_signal'].iloc[i]:
df.loc[df.index[i], 'position'] = 1
in_position = True
elif in_position and df['short_signal'].iloc[i]:
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

print("=" * 60)
print("策略绩效统计（ERI系统策略回测）：")
print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")
print(f"ERI系统策略总收益率：{total_return_strategy:.2%}")
print("\\n注意：此为简化回测，仅供参考")
print("=" * 60 + "\\n")

# ========== 第七步：可视化 ==========
plt.figure(figsize=(14, 12))

# 子图1：价格 + EMA
plt.subplot(3, 1, 1)
plt.plot(df.index[–200:], df['close'][–200:], label='Close Price',
linewidth=1.5, color='black')
plt.plot(df.index[–200:], df['EMA_13'][–200:], label='EMA (13) – 共识价值',
linewidth=1.5, color='orange')
plt.title('Price Chart with EMA (Last 200 days)', fontsize=14)
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)

# 子图2：Bull Power（多头力量）
plt.subplot(3, 1, 2)
plt.axhline(y=0, color='gray', linestyle='-', linewidth=1)
plt.bar(df.index[–200:], df['Bull_Power'][–200:],
color='green', alpha=0.6, width=0.8, label='Bull Power')
plt.title('Bull Power – 多头力量', fontsize=14)
plt.ylabel('Bull Power')
plt.legend()
plt.grid(True, alpha=0.3)

# 子图3：Bear Power（空头力量）
plt.subplot(3, 1, 3)
plt.axhline(y=0, color='gray', linestyle='-', linewidth=1)
plt.bar(df.index[–200:], df['Bear_Power'][–200:],
color='red', alpha=0.6, width=0.8, label='Bear Power')
plt.title('Bear Power – 空头力量', fontsize=14)
plt.xlabel('Date')
plt.ylabel('Bear Power')
plt.legend()
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# ========== 第八步：数据清洗提示 ==========
nan_count = df['Bull_Power'].isna().sum()
print(f"\\nERI初始NaN数量：{nan_count}")
print("原因：ERI需要至少length个周期的数据才能计算EMA")
print("处理建议：df_clean = df.iloc[13:].copy()")
print("\\n" + "=" * 60)
print("ERI使用提示：")
print("1. ERI包含两个独立指标：Bull Power（多头力量）和Bear Power（空头力量）")
print("2. 做多条件：EMA上升 + Bear Power为负但正在上升")
print("3. 做空条件：EMA下降 + Bull Power为正但正在下降")
print("4. 背离是ERI最可靠的信号：Bull Power顶背离、Bear Power底背离")
print("5. 建议结合价格形态和其他指标综合判断，不单独使用")
print("=" * 60)

五、总结

ERI（埃尔徳射线指标）是一种透视市场多空力量的技术分析工具，其核心价值与定位如下：

实战使用三原则：